籮筐分享｜複雜工況和惡劣天氣，檢驗自動駕駛能力的“試金石”

自動駕駛在公開道路的終極落地，既要得到勞苦大眾的內心認可，也要獲得各國法律法規的支援。而獲得二者芳心的前提，則是證明自動駕駛比有人駕駛要更加安全。為了達成這個目標，自動駕駛公司開始了在政府劃定區域馬拉松般的運營里程累積。

受制於感測器的效能邊界、演算法的成熟程度，自動駕駛公司目前多選擇在陽光明媚、風和日麗的氣候下，車流適中、交通標識齊全的道路上來上一段車輛的自動駕駛“華爾茲”。然而複雜工況、惡劣天氣下的交通事故發生率遠高於簡單工況、常規天氣，這既是常識，也是事實。據公開資料顯示，降雨條件下發生事故的風險比正常情況高70%。

自動駕駛要想獲得更加信服的測試里程累積資料，隨著感測器效能邊界的不斷突破、演算法的不斷成熟，必將逐漸走向複雜工況、惡劣天氣的專項集中測試。這也是檢驗自動駕駛是否具備終極上路的“試金石”。自動駕駛圈黑話第十八期，作者梳理出一些複雜工況及惡劣天氣，淺談下對自動駕駛的潛在影響以及一些潛在的解決方案。

複雜工況

在自動駕駛公司秀肌肉的路測影片中，我們經常可以看到影片中不斷強調的無保護左轉、環島、人車混流、狹窄路段超車、大型路口掉頭等複雜工況下的自動駕駛能力。這些有人駕駛都經常折戟沉沙的工況，是自動駕駛公司競相追逐的高地，下面我們挑選無保護左轉和環島兩個最複雜的工況展開介紹。

一、無保護左轉

在自動駕駛的城市場景、高速場景、泊車場景中，城市場景無疑是最複雜的。而在城市場景中，無保護左轉又是最難的工況之一。可以說，理解並攻克了無保護左轉工況，就等於提前入圍決賽圈。

無保護左轉，指的是十字路口沒有專門的左轉訊號燈，而是和直行共用一個紅綠燈。在無保護左轉中，車輛一方面需要遵守交通規則，根據交通訊號燈判斷車輛是否可以左轉，同時需要儘可能禮讓直行的車輛。另一方面需要具備競爭策略，透過緩行緩停不斷向直行車輛傳遞左轉的意圖，並在判斷與直行車輛有安全距離的情況下加速穿過直行車道。加速穿過直行車道之後，需要立即減速緩行，並實時感知、預測斑馬線中的行人、腳踏車道的非機動車，以便安全、高效地駛入對向車道。

無保護左轉的難點有兩個，一個車輛本身的感知無法做到超視距，無法提前獲知路口被遮擋的直行車輛，腳踏車道的非機動車，斑馬線上行人的運動情況，二是決策時無法融入對人類意圖的理解。沒有超視距，就沒法做到統籌的規劃，控制的一氣呵成。後期透過V2X獲取路端感知以及其他車輛的資料倒是可以解決這個難題，目前的單車智慧還無法做到高成功率的流觴左轉。

目前自動駕駛車輛擅長判斷來車的距離和速度，但是對於其他駕駛員、行人的一個眼神、揮手無法領會，只能僵硬的根據對向車輛的距離判斷是否具有安全的左轉距離。自動駕駛車輛一方面需要學會如何禮貌的要求其他車輛讓路，另一方面需要判斷其他車輛是否有減速的意圖。因此瞭解人類的意圖、洞悉人類的心理，可能是自動駕駛的終極命題。

二、環島

環島工況，一個讓眾多老司機都栽跟頭的工況，一個看似容易卻又異常玄乎的工況。在環島工況中，自動駕駛車輛需要完成駛入、換道、駛出等操作，再加上常見的不遵守交通規則的非機動車，更給環島工況增加了複雜性。

以一個環島內三車道，五出入口，每個出入口2車道數的環島為例。進入環島前，自動駕駛車輛需要提前變換到可以駛入環島的相應車道，並在沒有紅綠燈指引下完成斑馬線禮讓行人。禮讓完行人，按照交通規則，還需在第二個讓行標誌前禮讓正在環島上行駛的車輛，並伺機駛入環島道路。

進入環島後，自動駕駛車輛需要根據駛出環島的路口選擇合適的內側、中間、外側車道。因為在環島行駛中，連續變道是違規的，駛出環島時需要提前變換到中間車道後再變換到外側車道，最後駛出環島。內側行駛，干擾少，但是駛出時需要變換兩條車道，對感知、規劃增加了更多挑戰。外側車道行駛，駛出環島成本最低，但是需要面對的無序的干擾較多。如何選擇，需要根據自動演算法的特點來做選擇。

駛出環島時，一是要在恰當的時機變換到可以駛出環島的外側車道，二是駛入環島車輛禮讓駛出環島車道的交通規則下，及時傳遞駛出環島意圖並安全快速駛出環島的策略，同時注意斑馬線處的行人。

上述例子還僅是一種環島型別，按照ISO 34503中的定義，環島可分為小型環島、緊湊環島、常規環島、大環島、雙環島等型別。型別的不同帶來的可能是環島內車道數量的不同、中央島邊緣型別的不同、環島內車道內切直徑的不同以及環島的出入口數量等。而這些又將決定自動駕駛的透過策略。

惡劣天氣

這裡的“惡劣天氣”指的是不利於自動駕駛感測器使用的天氣，並非氣候學上定義的惡劣天氣，兩者有一定重疊但不完全一致。已知的不利於自動駕駛感測器使用的“惡劣天氣”包括，雨、雪、霧、霧霾、沙塵暴、強光、全黑等。目前尚未誕生出一種可以勝任全天時、全氣候的全能感測器，多感測器深度融合又多處在實驗室驗證及企業宣稱的PPT中。因此，“惡劣天氣”必將長期以及深遠影響自動駕駛的量產落地。

九章智駕上有一篇兩萬字長文《自動駕駛發展面臨的惡劣天氣問題》，從學術的角度剖析了“惡劣天氣”對自動駕駛發展的深刻影響，讀後頗有同感。本部分摘取文章中的關鍵學術研究結論部分，結合自己使用過程中的經歷，輔以拙劣的文采，呈現自動駕駛當前主要感測器面對“惡劣天氣”時的低能、無效以及潛在解決方案。

一、鐳射雷達

鐳射雷達採用近紅外光（常用905nm和1050nm波長）作為探測媒介，而近紅外光在大氣傳播過程中會發生功率衰減，面對雨、雪、霧等“惡劣天氣”時具有天生怯場的弱點。在“惡劣天氣”使用鐳射雷達，不僅大幅降低產品效能、還極易上演“烽火戲諸侯”的“虛假障礙物”故事。

（1）雨

當鐳射脈衝打到雨滴上時，部分發生散射，部分穿過雨滴，而部分穿過雨滴的鐳射脈衝會發生較大比例的功率衰減。相關人員透過對不同大小雨滴進行測試後發現，中、小雨滴造成的鐳射脈衝功率衰減不足以影響雨滴後面物體的測量，透過多次回波演算法可以過濾掉雨滴散射後的回波脈衝。

但是當雨足夠大，足夠密，足夠亂時，雨滴之間相互撞擊會形成團狀霧。鐳射脈衝打到團狀霧後，相比中、小雨天氣，反射的回波脈衝能量會變強，穿過雨滴的脈衝能量會變小，這極易導致鐳射雷達將其識別為虛假障礙物。團狀霧導致的虛假障礙物，目前很難從演算法端過濾，這也是影響鐳射雷達在大雨中使用的最大阻礙。

相比於中、小雨下透過多次回波過濾雨滴散射訊號這種直搗黃龍的解決方案，在容易形成團狀霧的暴雨中，我們可以採取一種曲線救國的方案。自動駕駛車輛實時感知降雨大小，並實時判斷是否超過內部設定的降雨影響的閾值。一旦超過這個的閾值，自動駕駛車輛可以降低對對鐳射雷達感知結果的信任度，提高更能勝任雨天感測器感知結果的置信度。當然、雨量感知與閾值設定可能會是一個更難克服的工程難題。

（2）雪

雪是由大量白色不透明冰晶（雪晶）和其聚合物（雪團）組成，一種反射率在30%~90%的固體。因此，打到雪花上的鐳射脈衝絕大部分將被反射回去，雪花也被紮紮實實地識別為一個虛假障礙物。在從天而降或疾風捲起的雪花天氣下，鐳射無能為力。

除了會形成虛假障礙物之外，在下雪這種極冷天氣（<-20℃）下，鐳射雷達探測器的Dead Time（《鐳射雷達，揭開面具下的“醜陋”》詳細介紹了Dead Time概念）將會增加6。8ns，這將導致盲區增加1m多，這在感測器佈局設計時需要充分考慮。

（3）霧

霧是由懸浮在近地面空氣中微小水滴或冰晶組成，會以更加均勻的方式影響雷達感知。當前905nm波長的鐳射雷達穿透霧的能力依舊有限，但是被寄予厚望的1550nm波長的鐳射雷達，由於可以提高几十倍的發射功率，被認為是霧天的希望之星，但是1550nm鐳射脈衝遇水即被吸收的特性，是其為何功率這麼高還對人眼安全的關鍵，但也可能是其突破“惡劣天氣”道路上的最大障礙。

（4）小結

面對雨、霧、雪等“惡劣天氣”，回波處理是目前已經在應用的技術，而且在部分產品中也已展示了良好的效果。另外一個更神奇的技術，波形識別，也已在路上。鐳射脈衝回波訊號中若能攜帶目標波形，並透過波形的唯一性來判斷檢測到的是雨、雪、霧還是我們關心的物體，這可能是未來研究的主攻方向。

二、感知相機

所見即所得，這是對人眼和感知相機最形象的描述。如果再為其插上事件觸發和ROI（Region of Interest）的翅膀，其在感知世界的江山將更加穩固。

雨、雪、霧等“惡劣天氣”對相機成像的影響相似，都將影響成像的清晰度、解析度、飽和度等引數。因此，演算法上的去雨、去雪、去霧，成為相機在“惡劣天氣”下提升感知能力的重點突破方向。各種深度學習演算法層出不窮，都在一定限制條件下起到一定的作用，但離上路還有漫長的一條路要走。除了相似的影響，雨、雪等還會產生一些特殊的影響。

（1）雨

但是一滴粘在相機鏡頭上的雨滴，會如一顆老鼠屎，無論你是200萬畫素的“粥”，還是800萬畫素的“粥”，都將難以食用。鏡頭上的物理除雨技術，已經引起各企業足夠關注，相機鏡頭的“洗烘”套餐更是五花八門。

（2）雪

對於附著在鏡頭上的雪花來說，可能比附著在鏡頭上的雨滴產生更嚴重的影響。雪花沾上鏡頭後，部分融化成水，產生和雨滴遮擋類似的效果。但在寒冷的冬天，融化後的水可能會迅速在鏡頭上結成冰，從而相機視線上形成一個長久的不透明的障礙物。除雨的“洗烘”套裝上加上一個“熱吹風”功能，可能更適合雪天。

此外，當雪開始在路面積聚遮擋車道線時，基於車道線的的定位、可通行區域判斷將會失效。

三、毫米波雷達

毫米波雷達採用毫米波（波長在1~10mm區間，頻率在 24~300GHz區間，常用24GHz和77GHz頻段）作為探測媒介，而毫米波在傳播過程受環境影響較小，具有天生的雨、雪、霧等穿透能力，使其成為輔助駕駛功能不可或缺的核心感測器之一。而其飽受批評的解析度低的缺陷，正在由一種叫做4D毫米波雷達的產品改善。

小結

對人類駕駛員來說，平均1億公里會發生一起致命性的事故。自動駕駛系統要想達到人類的安全性水平，大概需要100億公里的資料。如果自動駕駛安全性想要超過人類駕駛安全性一個量級，則需要1000億公里的資料。為了早日實現100/1000億公里的資料，各家自動駕駛公司無論是透過單獨採購測試車輛還是資料眾包方式，都開始了艱苦卓絕的道路測試。

而真正易發事故的複雜工況和“惡劣天氣”均有詳細的歷史記錄，基於這些資訊去做專項測試，得出一些更有質量的資料，可能比陽光明媚下日復一日的重複測試更有價值。

轉載自十一號組織，文中觀點僅供分享交流，不代表本號立場，如涉及版權等問題，請您告知，我們將及時處理。