今天上午，上面這三則視頻穿越海峽，以極快速度傳遍了大陸社交網(wǎng)絡(luò)和車主社群。

視頻說的是同一件事：一輛 Model 3 在高速公路行駛時，一頭撞上了側(cè)翻在地的一輛白色貨柜車。Model 3 車頭甚至插入了貨柜中。

這一事件迅速讓人聯(lián)想起特斯拉 2016、2019 的兩宗 Autopilot 致命車禍——同樣是白色貨車，同樣是無法識別，同樣仿佛不帶減速的一頭撞上…。

人們問：Model 3 的 Autopilot 方案是不是依然存在著致命的 BUG？我們又怎么正確認識 Autopiolt…。僅僅去指責用戶的濫用？

我們采訪了三位自動駕駛領(lǐng)域內(nèi)的資深工程師，有知名大廠的總監(jiān)，也有自動駕駛公司的硬件負責人，得到了一些有趣的回答，譬如，

這是工程問題還是商業(yè)問題？

特斯拉在高精地圖、慣性傳感器、精準定位上的投入不足？

在漏報和誤報之間，寧愿漏報不愿誤報是對還是錯？

站在路邊揮手的貨車司機，能不能成為一個警示標識？

以下，Enjoy！

Model 3 再現(xiàn) AP 驚魂一撞

從視頻來看，這驚魂一撞發(fā)生在今天早晨六點多，于臺灣嘉義的高速公路上。僅僅三四個小時后，現(xiàn)場視頻就穿越海峽，傳遍了大陸社交網(wǎng)絡(luò)、車主社群。

從畫面來看，一輛白色 Model 3 一頭撞上了一輛側(cè)翻在地的白色貨柜車。高處的監(jiān)控視頻還顯示，Model 3 在臨近貨柜車之前曾有制動動作，但不知為何依然以很高速度撞上了側(cè)翻車輛，甚至讓貨柜車向后挪動了幾米。

此外，貨柜車司機事發(fā)前已經(jīng)站在了前方，搖手示意過往車輛注意，但好似沒有起到警示作用。

根據(jù)當?shù)孛襟w報道，這起事故并沒有人員傷亡。Model 3 車頭有所毀壞，但好在貨柜車裝的是早餐食材，因此 Model 3 雖然撞破了貨車車頂，但被「奶油沙拉」所緩沖，事故并沒有想像中慘烈。

報道還稱稱當?shù)鼐竭M行了酒精測試，酒測值是 0.00 mg/l。司機黃某稱當時車輛開啟了 Autopilot 輔助駕駛系統(tǒng)，時速約 110 公里每小時，發(fā)現(xiàn)前方有車時剎了車但為時已晚。

視頻的廣泛傳播，說明了特斯拉的熱度。

網(wǎng)上評論大多認為車輛當時處于 Autopiolt 狀態(tài)，「感覺（司機）在玩手機沒看路。」、「這一定睡了，因為這偵測到大貨車司機時有剎了一下，之后剎車放了繼續(xù)撞，不過好險有前面剎那一下，不然應(yīng)該更慘。」

當然，也有特吹言論：「對特斯拉 AP 來說，那不是一臺卡車，因為卡車不長那樣子，它可能已經(jīng)融入了遠方的天際。從另一個角度來看，這車不會白白犧牲，每次意外的累積就是特斯拉的進步方式。」

是概率問題就一定有概率發(fā)生

上面那段話我們其實挺熟悉，兩岸一家親果然沒錯。當然，也會有反諷。譬如「自動避讓高潮尬吹，一頭撞上集體沉默」之類的。

只是，「每次意外的累積」到底是不是「特斯拉的進步方式」？從這宗事故來看，起碼值得商榷。

很多人都會將今天發(fā)生的事故與 2016、2019 年兩宗特斯拉 Autopilot 致命車禍聯(lián)想在一起。

2016 年 5 月，佛羅里達州一位名叫 Joshua Brown 的 40 歲男子開著 Model S ，在 Autopilot 狀態(tài)下撞到了一輛正在過馬路中的白色拖掛卡車，Model S 直接切頭，駕駛員死亡。這是特斯拉 Autopilot 的第一起致死事故。

三年之后的 2019 年 3 月，同樣在佛羅里達，一輛 Model 3 以 110 公里時速側(cè)面撞擊了一輛正在穿過馬路的白色拖掛卡車。Model 3 同樣處于自動駕駛模式，司機以及 Autopilot 系統(tǒng)未做任何回避動作，車輛同樣被「切頭」，50 歲男性司機當場死亡。

這兩宗事故當時都引起軒然大波，甚至引發(fā)了特斯拉與 Mobileye 的決裂（原因之一），特斯拉此后也修改了關(guān)于「Autopilot」的表述，不再強調(diào)「自動駕駛」。

從 Autopilot 的應(yīng)用來看，我們認可特斯拉官方的解釋——AP 的出現(xiàn)，事實上減少了道路上的交通事故。但我們并不認為，特斯拉已經(jīng)解決了「白色貨柜車」的 BUG 問題。

廣州自動駕駛公司文遠知行在去年曾經(jīng)發(fā)表過一篇文章，認為特斯拉在過去幾年進行了 1 次重大傳感器方案升級，3 次計算平臺升級以及數(shù)次重大軟件版本升級，但還是無法解決這一已知致死（足夠嚴重）的Bug。（未包括 FSD 的升級）

從傳感器角度來看，他們認為特斯拉的傳感器配置只有前向廣角近距離攝像頭可以有效「看到」正在橫過馬路的白色拖掛卡車，但「基于單目攝像頭獲取深度也受到拖掛車白色涂裝影響無法有效提取特征點，從而無法進行有效的深度恢復(fù)（Structure from Motion， SFM）。」

換句話說，它雖然能看到但無法辨別出廣告牌、天際線還是橫過馬路的白色貨柜車。加上廣角攝像頭只能看到約 50m 處的車輛，在高時速下（30米/s）下，留給系統(tǒng)的反應(yīng)時間只有短短 2 秒，遠遠滿足不了剎車所需的時間與距離。

而今天發(fā)生在臺灣的類似事故，用資深自動駕駛工程師黃覺（化名）的話來說，只要存在概率問題就一會有概率事故發(fā)生，或早或晚。特斯拉目前并沒有解決這個「長尾」問題。

高精地圖、精準定位的缺失？

特斯拉沒有解決，是解決不了，還是「還沒解決？」其他車廠又是否有能力解決？

某大廠資深工程師劉新光（化名）說，目前全球量產(chǎn)車其實都會遇到這個坑。另一家大廠的自動駕駛總監(jiān)張衛(wèi)（化名）也說，CameraRadar 這時候是不好使的，「靜止異型車」都是坑。

不過，黃覺覺得奧迪裝在 A6、A7 等車型上的 L3 級自動駕駛系統(tǒng)「能夠穩(wěn)定檢測出這個場景」，因為奧迪的系統(tǒng)使用了激光雷達，但「代價很大，光激光雷達硬件成本大概 300、400 美金，還不包括軟件開放的成本。」

從傳感器「能看到」的角度，視覺傳感器對大面積白色物體非常不敏感。

毫米波雷達則很難對靜態(tài)物體進行檢測，「所有靜態(tài)物體，譬如大橋接縫、路上釘子、可樂管、非常緩慢移動的物體等，對 Radar 而言都很容易形成噪點，否則沒法開。」

激光雷達由于檢測回波能量、白色面發(fā)射率高，因而對大面積白色物體容易識別。

當然，不是說攝像頭、毫米波雷達不能做到，但相對于激光雷達而且的確是比較難。尤其是如何在快速移動中做到「高可信度」。

黃覺說，從技術(shù)角度看要精準識別路上的障礙物有兩種方式。

一種是單機識別，譬如通過激光雷達的 3D 信息，發(fā)現(xiàn)前方斜率出現(xiàn)變化，認為有障礙物于是采取了動作。「但這個比較笨」，而且需要算法的特別訓(xùn)練；

另一種則是基于高清地圖（譬如 Mobiley 的 REM），甚至雷達特征地圖（博世目前在推進）進行比對。「我看過這個地圖，但之前道路上沒有這個物體。」于是采取了行動。

「一個比較內(nèi)部的信息是，特斯拉內(nèi)部對高精地圖的重視不夠。」黃覺告訴我們，特斯拉的 IMU 慣性傳感器是不足的，這會導(dǎo)致行駛時很難做到非常精準的車道級定位。

工程問題還是商業(yè)問題

必須要說明，黃覺毫無疑問是「激光雷達」派。而眾所周知，特斯拉是視覺路線，認為人眼能解決的問題，攝像頭同樣也能解決。

而在劉新光看來，雖然「側(cè)翻的白色貨柜車」或者「異型靜態(tài)車輛」對于任何廠家而言都是「坑」，但視覺路線是能解決這個 Corner Case（極端情況或者小概率事件） 的，前提是算法能識別。

劉新光認為關(guān)鍵問題是數(shù)據(jù)訓(xùn)練，現(xiàn)在的特斯拉明顯沒有對這樣的特殊場景進行過數(shù)據(jù)訓(xùn)練，進而無法識別出有一個大貨車橫在那里。

「就好像毫米波能識別出前方有個東西，但不確定是什么，然后去問攝像頭大哥：這是什么？結(jié)果攝像頭說，我也沒看過呀。」

他認為只要有技術(shù)方案，特斯拉肯定可以通過 OTA 解決這個問題。目前看沒有解決，只是說明這一問題的優(yōu)先級沒有在前面。特斯拉完全能通過數(shù)據(jù)閉環(huán)，對這樣一個 Corner case 做出應(yīng)對。

但是，為什么特斯拉沒有這樣做？

劉新光說這可能不是個工程問題，而是一個商業(yè)問題。

他告訴我們，這種極端情況即使特斯拉有那么車在路上跑，但依然是小概率的。它必須購買、采集更多的數(shù)據(jù)，然后在臺架上跑、在算法上跑，此后再搭建場地做適應(yīng)性訓(xùn)練。

「這個代價有多高？你想想，時間、設(shè)備，搭建場地，投入的研發(fā)力量，就為了解決這 0.005% 的極端情況。」

而相較于這樣昂貴的工程解決方法，車廠其實還有零成本的方法，那就是「交付時反復(fù)強調(diào)不是全自動駕駛。」

至于現(xiàn)在大家對這宗事故關(guān)注度這么高，一個原因是「這個就叫做過分宣傳帶來的反噬。」

的確如此？

車主濫用？

就 L2 系統(tǒng)而言，臺灣事故，包括 2016 年、2019 年的致死事故，都可以說車主濫用了 Autopiolt 系統(tǒng)。

但黃覺有異議。

他認為目前廠家在 L2 系統(tǒng)中太過于考慮用戶體驗。雖然邏輯上沒錯，但在實際操作中，會讓「人在最困難的地方，做最艱難的決定」。

譬如臺灣事故，車主在發(fā)現(xiàn)后已經(jīng)剎不住了。「舒適性做好了，但留給用戶的選擇空間也不多。」

黃覺說為了用戶體驗、為了舒適，「不急著剎車，將問題往后推，一旦超過了系統(tǒng)判定能力，留給司機的決策時間就會很短。場景越復(fù)雜，越是剝奪了司機提早做決策的權(quán)限。」

目前的自動駕駛研發(fā)已經(jīng)脫離了「安全、不安全」的二元思考，「大家都在跟概率做斗爭。」黃覺說，在 L4 級的自動駕駛研發(fā)中，他們要求的是不能漏報，這與 L2 的策略完全不同。

最后說一下「揮手」。

在臺灣事故中，能很清楚看到側(cè)翻貨車的司機在前方揮手。劉新光說，高速公路原本就不應(yīng)該有人，因此在 NOA 等類似功能設(shè)計時，可以將「路人揮手」這樣的場景納入決策依據(jù)。

一旦傳感器捕捉到，就可以判定前方出現(xiàn)了緊急狀況，即使不采取行動，也應(yīng)該警示駕駛者注意。而他們一定會把這樣的場景寫入算法中。

「自動駕駛，本質(zhì)上是數(shù)據(jù)驅(qū)動。更多的數(shù)據(jù)，覆蓋更多的極端情況，優(yōu)化出更好的算法。」
責任編輯:pj