3801
每次看到“幽灵刹车”上热搜，记者首先想到的就是特斯拉。
原因很简单，长期以来，特斯拉的自动驾驶方案采用纯视觉方案，该方案有一个很大的缺点，那就是很难判断前方物体的具体形状。激光雷达的探测方式不同于摄像头，点云反射测距方法让雷达方案可以很容易检测到前方物体的具体形状与深度，进而快速判断前方物体是“平面”还是“物块”，可以很好的规避“幽灵刹车”发生。
然而最近理想也被爆出“幽灵刹车”事件。据网络上流传的一段视频显示，四川甘孜时先生在驾驶理想L7在路上正常行驶，突然车速从车速突然从80km/h快速降到20km/h左右，随后直接刹停。
图源：互联网
值得关注的一点在于，理想L7 Max版配备了激光雷达，此外还有6个800万像素摄像头、5个200万像素摄像头、1 个前向毫米波雷达以及安全冗余系统；Pro版则为1个800万像素摄像头、9个200万像素摄像头、1个前向毫米波雷达。
事件发酵后，理想官方对此事件回复：“因为激光雷达把广告牌上准备起跑的人物，识别成了在路中间的真人，所以才紧急刹停。”后来理想售后客服又做出回应，称激光雷达有一个视觉感知的效果，识别广告牌刹停这种情况也要看当时用车环境，具体原因需要工程师做分析诊断。其实在此之前，理想还发生过“墓地凭空出现大量人员”以及“车速140迈有人跟跑”事件（真的吓人），官方都解释为传感器出现问题。
从官方回复中得知，该款车型为搭载激光雷达的理想L7 MAX版，而激光雷达相比摄像头的一项重要优势就是可以识别物体深度，也就是说，理想L7本应该知道前方的是广告牌而不是真人。
为什么用了激光雷达仍会“幽灵刹车”？激光雷达在与摄像头协同工作的时候会出现哪些问题？辅助驾驶还能用吗？本文将带你了解自动驾驶传感融合模式的差别，深挖激光雷达出现“失误”的真正原因。
不同方案的传感融合
挖掘理想“幽灵刹车”真相的第一步，我们先简单了解一下自动驾驶方案的区别。
当前，常见的自动驾驶解决方案有三种：纯视觉方案、毫米波雷达方案、激光雷达方案。其实，它们本质上的区别就是基于何种传感器建立的识别体系。
摄像头、激光雷达或毫米波雷达等感知传感器在不同的环境场景下各有优缺点。摄像头提供了丰富的颜色和视觉信息，但缺乏提供深度信息。激光雷达给出物体的深度信息，但是非常稀疏，且没有颜色信息。毫米波雷达不受光照影响，探测范围远，但与激光雷达相比，它的分辨率较低。因此不同传感器在不同环境中的能力有较大差别。
图源：自制
从对比中我们可以得出结论，激光雷达用于中程自动驾驶汽车的高精度探测领域。摄像头提供了更多视觉信息，但激光雷达和摄像头都会受到恶劣天气的影响。由于毫米波雷达能发射穿透雨雾的无线电磁波，因此它具有较大的探测范围，还可以在恶劣的天气条件下工作。激光雷达相比毫米波雷达具有更高的准确度，但也有更高的成本。
因此，我们需要一种由激光雷达、毫米波雷达和摄像头组成的车辆来应对所有天气情况。从车辆成本与性能平衡的角度出发，我们应该至少在激光雷达或毫米波雷达中二选一，再搭配摄像头来完成自动驾驶的探测任务。这时就需要用到传感融合，然而传感融合是一项十分复杂的技术或算法，不是简单的将两者相加。
传感融合，本质上是数据融合。激光雷达与摄像头的融合方式主要有两种，即前期融合（Early Fusion）与后期融合（Late Fusion）。
在前期融合中，来自激光雷达的点云、毫米波雷达与相机的图像，会在处理之前进行融合。我们以激光雷达和摄像头融合方案为例。首先通过齐次坐标（投影空间坐标，具有N个维），加以一些平移旋转等过程，将3D的激光雷达点云投影到2D的摄像头图像中，最终获得外界物块的欧几里得坐标（即在笛卡尔空前内标注，也就是我们中学学到的空间坐标系）。随后，系统会通过深度学习的方式识别标注的物体。
在后期融合中，激光雷达、毫米波雷达与摄像头会独立获得结果。首先激光雷达会独立完成3D物体的图像检测，然后系统会将摄像头中得到的2D物体投影到3D空间中，再进行匹配最终得到结果。
目前传感融合仍旧面临着许多问题，例如遮挡、截断、环境的动态分析等，而且还有相当多的算法依赖物体表面问题特征进行判断，这都非常容易造成混淆，进而影响算法准确率。
这里补充一点，无人驾驶系统包括感知层、认知层、决策层、控制层四种。传感器探测外界信息并进行融合，这些都属于感知层。鉴于几乎所有的厂商都面临此类问题，外加理想还有“前科”，因此记者认为理想大概率是在后面的步骤出现问题。
为什么会刹车？
目前市场上的多传感器感知系统很大程度上依赖于后期传感器融合，其中传感器的输出仅在对象级别组合。这意味着每个传感器完全独立运行，所有未超过检测阈值的低级信息都将被完全丢弃。
可能有的读者会产生疑问，为什么我们要选择保存信息量少的后期融合，而不是尽可能的在前期融合，来保证数据的准确呢？事实上，有相当多的文献均表明越靠前期的传感融合，它提供的目标检测越精确。但这里面临一个问题，某个传感器可能会探测到其他传感器无法探测到的物体，这种信息是无法在融合算法中进行处理的。
首先，为了减少无法融合的物体数量，车辆就需要尽可能多的搭载传感器（甚至需要多个激光雷达），这在成本上难以接受。其次，该类数据在硬件上很难进行优化。最后，整车厂采购的传感器往往来自不同的供应商，这意味着大量传感器的接口并不互通，建立统一的数据转换平台工程量很大。因此，后期传感融合成为当前的主流模式，这也间接造成了部分判断的失误。
无论是Early还是Late，传感融合都需要结合物体识别步骤，也就是将数据导入认知层，这时就要用到3D计算机视觉技术了。该技术的经典方法则是利用统计学和概率学模型，在预先深度学习过大量数据后才能实现对物体的准确识别。
目前基于卷积神经网络 (CNN) 的模型分析被广泛用于对象检测和分类上。它可以简单的分成输入、提取、优化、分类、输出、监控（预测）。首先，传感融合得出的图像数据会被提供给输入层，然后卷积层会从图像中提取出重要特征，并通过算法将重要信息保留同时剔除冗余信息来降低复杂度。最后，CNN中的所有神经元会通过算法将物体分类进行判断，最终输出。即最终输出的结果，仍旧需要用分类概率产生，即让算法“猜”出来。因此，这里可能会有算法判断失误的可能性。
关键的一点来了，CNN还具有对物体未来运动的预测功能，尤其在车辆高速行驶状态下，对物体运动的提前预测可以帮助车辆留够刹车距离。预测模块的输入依赖感知模块的输出，这些输入内容包括物体的位置、速度、朝向、物体分类（如车辆，行人，自行车）等信息。
从本次理想“幽灵刹车”爆出的视频来看，广告牌正好置于车道右前方，而车辆刚好处于高速行驶的时刻。此时在激光雷达的“眼”中，在忽略掉距离、形状等问题后，它向后端判断层输出的是：该物体正向车辆快速移动。而摄像头看到的，则是一个做起跑动作的人在向汽车移动。
所以，记者综合以上内容判断：由于车辆采用后期融合的方案，激光雷达与摄像头同时判断这是一个快速向车辆移动的物体，同时结果中还叠加了摄像头对于人的判断。因此，基于对外界物体未来移动路径的分析，理想L7 ADAS系统的决策层认为此时应该紧急刹车，来避免与前方大概率为 “人”的物体的碰撞。
应该怎么避免？
综合目前自动驾驶的发展势头，杜绝“幽灵刹车”现象，可能不久就能实现。
在传感融合层面，车厂应该让传感器数据做到尽量前期融合，这样在本次事件中，ADAS系统就能很容易判断出来，这是一个向汽车飞奔的广告牌，而不是真实的人类。但这就要面临前文提到的问题，成本、优化以及接口问题。
成本。目前车载传感器中，激光雷达是最贵的，而且遥遥领先其他任何一款传感器。不过随着目前国产激光雷达厂商发力，以及激光雷达大规模上车摊平成本，产品的价格已经在飞速降低了。
2023年3月，禾赛科技2022 年第四季度财报披露，其四季度毛利率已从52.4%大幅下滑至30%，季度出货量同比涨幅高达739%，禾赛在“亏本赚吆喝”的路上一去不复返。几乎在同一时期，览沃发布的业内首款360°混合固态激光雷达，将激光雷达价格压到3999元。华为此前也高调宣称，未来计划将激光雷达成本降低至200美元，甚至是100美元。相信在不远的未来，激光雷达相比其他传感器的价格劣势将会快速消失。当然，在此之前激光雷达市场可能会经历一次严酷的“重新洗牌”。
优化。更多的传感器，更前期的融合，就需要芯片处理更大的数据量，也就需要更大的算力。最近英伟达市值一度冲破1万亿美元。从业务上看，它的成功其实在于压中两大风口，一个是AI，另一个则是自动驾驶。英伟达本季度汽车板块收入达到2.96亿美元。其中英伟达2019年推出了DRIVE AGX Orin平台，据官方消息比亚迪新车将采用该芯片。Orin最高算力达到2000TOPS，能够覆盖从L2到L5自动驾驶全场景。因此，基于自动驾驶芯片算力的高速增长，数据优化也将不再是问题。
接口，或者说是整合。最近几年，中国电动汽车产业飞速发展，在新能源汽车领域已经成为名副其实的世界第一强国。但快速进化的技术也造成产业链的大调整，这也导致汽车主机厂商的话语权不断增大，很多曾经的Tier2、Tier3厂商都与主机厂建立联系。因此，在未来或许可以看到较为强势的厂商能够整合产业链，开发统一的数据交换接口，从而降低床传感融合的难度。
综上，避免 “幽灵刹车”出现，车厂应在传感融合上发力，采用前期融合技术来提升判断精确度。
写在最后
尽管理想的"幽灵刹车"事件引发了人们对辅助驾驶技术的担忧，但我们可以对未来的发展保持乐观态度。这次事件的根本原因在于传感融合技术的缺陷，而随着半导体行业不断推进技术的发展，这些缺陷很快将得到解决。同时，业内对于安全性和可靠性的关注也在不断增加，厂商们正在采取各种措施来确保他们的产品符合高标准的质量和可靠性要求。
综上所述，虽然理想的"幽灵刹车"事件给人们带来了担忧，但我们应该对辅助驾驶技术的未来保持信心。
下载ECAD模型
