恶劣路况传感器a图片 “林志颖同款车祸”，特斯拉再撞隔离墩，辅助驾驶最怕静止物体？

发布时间：2024-10-06 18:10:14

“林志颖同款车祸”，特斯拉再撞隔离墩，辅助驾驶最怕静止物体？

前不久，林志颖驾驶着特斯拉Model X，一头撞向了马路中间隔离墩，随后导致车辆燃起了猛烈大火，网上有人猜测说，当时林志颖的Model X打开了辅助驾驶，不过事故的调查结果至今没有公布，事故原因也就不了了之了。

与林志颖类似车祸

车辆直接撞向隔离墩

然而没过多久，上海又发生了一起类似事故。

一辆特斯拉Model Y在高架出口处，沿着导流线行驶，驾驶员丝毫没有注意到自己的车偏离了道路，一直开到路口，Model Y一头撞向了隔离墩，这次矛头又指向了辅助驾驶，仔细分析就会发现，特斯拉先后两次碰撞都不是移动的汽车，而是静止的隔离墩，为啥每次都是静止物体呢？问题出在传感器上。

“辅助驾驶”最怕静止物体

人通过眼睛观察路况，然后大脑决策驾驶路线，配备辅助驾驶的汽车，摄像头就是用来观察路况的传感器，不过，摄像头和人的眼睛一样，看的不远、怕强光、怕黑夜、怕大雾等，所以摄像头使用场景严重受限。

汽车迫切需要一个比摄像头靠谱的传感器，于是人们想到了毫米波雷达，与摄像头不同，毫米波雷达几乎不受外界环境影响，即便是漆黑的夜晚、倾盆大雨等恶劣环境，毫米波雷达依然能正常运行，所以在高速路上，毫米波就相当于人的眼睛，辅助驾驶通过雷达收集的数据，判断周围的环境。

毫米波雷达虽然能克服恶劣环境，但是它也有一个严重的缺点，那就是分辨率很低，简单的说，毫米波雷达可以探测到路面的物体，但是他不知道物体具体是人还是废弃的箱子，这就像防空雷达一样，尽管能探测到了天上的飞机，但是雷达并不知道这个飞机型号、大小，所以就需要派出战斗机去识别。

为什么辅助驾驶难以识别静止物体呢？因为路面上静止的物体太多了，比如井盖、雪糕筒、隔离带等等，然而这些东西在毫米波看来，长得都一样，因此遇到井盖，毫米波雷达都会以为是障碍物，于是给你来一脚急刹，这样的辅助驾驶肯定没法用，因此为了让系统正常运行，自动驾驶工程师通把毫米波探测到的静止物体信息过滤一部分，也就是忽略一部分毫米波雷达探测到的信息。

由于目前的辅助驾驶基本采用毫米波雷达方案，因此必须过滤掉毫米波雷达探测到的部分静止物体信息，于是遇到静止物体时，很可能会忽视它，从而一头撞上去，比如“生产了500万内最好的家用SUV企业”的一款车型就在打开了辅助驾驶的情况下，以77km/h速度行驶时，就直接追尾高速上的工程车。

“某鹏”前段时间也有过类似事故，直接在行驶时撞到停在路上的帕萨特，发生碰撞之前，这辆开着辅助驾驶的汽车刹车灯没有亮，也就说这辆车上AEB或者辅助驾驶系统都没有发现静止的行人和车辆，从事发现场的视频也可以看到，现场路况并不复杂，甚至可以说非常好，然而在这种理想条件下，辅助系统也没有起到预防作用。

写在最后

可以看到，目前大部分的辅助驾驶并非是自动驾驶，使用该功能时必须全程对路况保持注意力，并准备好随时接管车辆。当然，作为车企来说也不能以免责声明来逃脱责任，需要在功能上不断完善，提高安全冗余。

好在，目前推出的新车开始搭载激光雷达，激光雷达相比毫米波有更强的探测静止和移动的物体，理论上可以避免这类事件的频繁发生。

当车载芯片碰上多传感器融合：“我太南了”

为什么一辆车需要搭载如此多的传感器呢？最直接的原因就是提升自动驾驶感知系统的准确度和精度，进而提高自动驾驶系统的安全性和鲁棒性。

如果说人类驾驶员主要是通过双眼来观察周边的路况，那么自动驾驶汽车则是通过安装在车上的各种传感器来感知道路环境信息。于自动驾驶汽车而言，传感器就是它们的“眼睛”。

目前自动驾驶汽车上的环境感知传感器主要有摄像头、超声波雷达、毫米波雷达、激光雷达几种，然由于这些传感器在性能上各有优劣——在获取车辆、行人以及红绿灯等环境信息方面，摄像头凭借其可以准确识别物体属性的特点，拥有出色的表现，但在强光、雨雪、大雾等恶劣环境下，摄像头的识别精度很容易受到影响，再加上基于摄像头的ADAS解决方案，往往需要汽车具备强大的计算机视觉能力，如果后者达不到要求，摄像头对环境的感知能力也将大打折扣；毫米波雷达虽然穿透力强，但成像效果较差；至于激光雷达，虽然分辨率高、探测距离远，但在雨、雪、雾霾、沙尘暴等恶劣天气中无法正常使用，且价格昂贵。随着汽车自动驾驶水平越来越高，仅仅依靠单一传感器已经无法满足自动驾驶应对复杂场景与安全冗余的需求，多传感器融合成为必然。

例如特斯拉的Autopilot 2. 0就搭载了8个摄像头、1个毫米波雷达和12个超声波雷达，而有着“全球首款L3级自动驾驶量产车型”之称的全新奥迪A8，则搭载了多达24个传感器，包括4 颗鱼眼摄像头、12 颗超声波雷达、4 颗中距离毫米波雷达、1 颗长距离毫米波雷达、1 颗激光雷达、1 颗前视摄像头。威马的Living Pilot驾驶辅助系统也采用了20个传感器，包括1个前置单目高清摄像头、3个毫米波雷达、4个全景摄像头和12个超声波雷达。

为什么一辆车需要搭载如此多的传感器呢？最直接的原因就是提升自动驾驶感知系统的准确度和精度，进而提高自动驾驶系统的安全性和鲁棒性。但这并不意味着自动驾驶汽车上的传感器越多越好。

理论上来讲，车上安装的传感器越多，车辆就更能够有效地检测出周围环境中的风险和障碍物。但这也会带来其他的问题，譬如成本，毋庸置疑车上多装一个传感器就会带来一笔成本的增加，以及海量的数据处理问题，因为这些传感器每天会产生大量的数据，这必然对芯片的处理能力提出更高的要求。

目前来看，随着ADAS及自动驾驶对计算的要求在不断提高，传统的MCU 算力已经难以满足自动驾驶汽车的计算要求，当下行业开始越来越依赖CPU、GPU、FPGA、ASIC等AI芯片。尤其是FPGA，与CPU、GPU、ASIC相比，由于具备高度自适应的应变能力，再加上其高吞吐、低时延的优点，可以更好地满足自动驾驶不同级别的功能要求。

“比如从时延上来讲，使用了FPGA方案后，有12倍的提高，而能耗相对通用计算架构来说，FPGA方案可能只有通用计算架构的1/10。此外，FPGA方案还有一些额外的好处是通用计算架构无法提供的，比如非常强的时序，更高的安全性。另外基于FPGA平台，我们还可以做一些定制化的开发，让我们的算法更加高效。”日前，在赛灵思 XDF 大会亚洲站上小马智行北京研发中心总经理李衡宇如是说。

在FPGA芯片的研发上，赛灵思一直走在行业的前沿。据悉，截至2018年赛灵思的自适应器件累计出货量高达1.7亿片，涵盖29个汽车品牌的111款车型。基于已有成绩，此次活动上赛灵思再度推出了两款汽车级产品Zynq UltraScale MPSoC 7EV 和11 EG。据悉，与此前的产品相比，新产品提供了最优异的可编程能力、性能和 I/O 功能，实现高速数据汇总、预处理和分配以及计算加速，能够满足L2 到 L4 级别的高级驾驶辅助系统和自动驾驶汽车的开发需求。

特别是可扩展性和高度的适应性，在赛灵思汽车战略与客户市场营销总监Dan Isaacs看来尤为重要，他指出在自动驾驶不同的发展阶段，对数据处理的要求是不同的，这就要求汽车的相关系统和器件都是具有可扩展性的，只有可扩展的有自适应性的产品才能更好地支持自动驾驶产品和技术不断的迭代。

不仅如此，Dan Isaacs认为未来自动驾驶汽车内部的连接性是非常重要的，必须要有分布式的算法让每个节点都有计算的能力，才能实现在自动驾驶当中不同功能的高性能的体现。李衡宇对此表示认同，在他看来，分布式系统让每个节点都有计算能力和智能化，才是最高效的系统，如果把所有的计算、所有的智能集中在一个中心节点或者是云端，其实并不是一个非常好的方案。

另外，此次活动中赛灵思还还发布了其最新的Vitis统一软件平台，该平台可以根据软件或算法代码自动适配和使用赛灵思硬件架构，将用户从繁杂的硬件专业知识中解放出来。而对于硬件开发者来说，Vitis则可以通过软硬件工程师在同一工具平台上的协作，显著提升工作效率，是赛灵思从器件向平台企业战略转型的里程碑式产品之一。

值得一提的是，尽管赛灵思在ADAS和自动驾驶两个领域有着丰富的研发经验，然而Dan Isaacs认为，汽车产品要想实现完全的自动化，还有很长的路要走，现在很多的技术功能都处于早期，还有待继续突破，特别是想在一个人口密度很高的地方实现自动驾驶，还有很多问题需要解决，需要在路上开展更多的测试来提高自动驾驶的性能。