为什么说激光雷达是AEB标配

贾浩楠发自副驾寺，智能车参考 | 公众号 AI4Auto

一篇技术博客火了：

热议几乎一边倒，激光雷达战胜了纯视觉，成了大多数网友支持的方案。

而且马斯克又被拉出来“示众”，特斯拉方案被总结成“省钱为核心顺便吹牛X”：

智驾路线之争到今天也没分出高下，哪一派都有忠实拥趸，吵的不可开交。

但只有这项功能统一绝大多数观点：AEB，激光雷达加持下的优越性没法否认。

AEB热议，为啥多数人支持上激光雷达

支持AEB标配激光雷达的观点，有大家非常熟悉的：

“激光雷达受雨雾等恶劣天气影响小，而且分辨率已经精确到识别鞋盒大小的障碍物”。

也有人认为除了激光雷达本身的感知模式，在后端数据处理上，激光雷达也有优势：

根据目标的距离、速度等等信息，通过简单的公式快速计算碰撞时间，然后给出决策。

全程可以理解为简单且直接的“if else”逻辑，不会出错且延时低。

不过也有用户分享了特斯拉纯视觉方案的一些细节：

他提到特斯拉之前的AI负责人卡帕西展示过一张特斯拉摄像头采集的照片，特征和短波红外相机（激光雷达同波段）相似，说明特斯拉可能是在普通相机上加了某种滤光手段，加强了红外波段的特征，目的也是为了应对各种恶劣天气。

但这样的思路解决的是纯视觉方案的前段感知问题，包括现在流行的占用网络技术，本质是用算法“模仿”激光雷达，直接对场景进行3维描述：

但无论是摄像头的滤光手段，还是占用网络，从感知到决策的确全程都AI了（“马斯克骄傲且吹嘘的重点”），但还是有网友一针见血：即使端到端了，还是严重的数据依赖：

对于AI模型训练来说，garbage in，garbage out，特斯拉车多数据多，也不能保证万无一失。对于其他厂商来说，完全依赖纯视觉做AEB不是好的选择。

因为AEB本身和常规智驾不同，追求的不是体感丝滑或是复杂场景，而是危机情况下的救命兜底。

救命的AEB，不完美在哪

AEB是Autonomous Emergency Braking的缩写，即自动紧急刹车系统，一种汽车主动安全技术。

驾驶员分心或者状态不佳时，系统主动刹车，避免严重事故发生。

最早可以追溯到20世纪50年代，当时凯迪拉克推出了一款名为Cyclone的车型，从美苏太空竞赛的技术外溢汲取了大量灵感，其中就包括一套雷达传感器，安装车辆前部。当有障碍物靠近接近时，设备会发出声音并且点亮警示灯。

这就是AEB技术中“预警系统”的前身和基本原理。

第一个现代AEB专利是1988年一名叫William Kelley的美国工程师申请的：

在这全球首个AEB专利中，系统使用的感知或者说测距手段，就是激光——Laser。

激光雷达用在AEB，不是啥创新，而是回归AEB功能的初衷和的本质。

只不过因为激光器，以及后面出现的激光雷达在很长一段时间内成本都非常高，所以一直以来，真正用在车端的AEB系统都是采用毫米波雷达和摄像头作为数据输入，配合相应识别算法工作。

正本清源地说，视觉方案主导AEB才是一种妥协和备选，而且不知不觉中把AEB问题复杂化：简单直接的临界——触发机制，搞成了一长串的感知识别决策流程。

首先就是系统响应延迟，使得AEB的工作区间有限，太快刹不住。

另外由于毫米波雷达、摄像头本身特性，对低速、静止目标识别能力差，在这样的数据影响下，也造成AEB容易对某些特定目标漏检错检。

为了应对法规要求，很多厂商会提高系统的灵敏性，只要检测到异常就来一脚刹停，最大程度保证通过测试。

但这样的系统投入使用，会经常出现“幽灵刹车”，体感不适、心里压迫其次，高速状态下急刹反而是造成隐患的高危行为。

所以大众对于AEB认知存在一个误区——“宁可错刹一千，不可放过一个”，认为灵敏度越高越好。

车企专业工程师告诉我们，从用户的实用、安全角度考虑，衡量AEB好坏的指标最重要的指标不是灵敏度，而是误触发率。

降低误触发率的同时，意味着正确触发的比例提高，代表着整个AEB系统能力的提升。

而从数据上看，回归激光雷达之后，AEB的表现的确大幅提升。

激光雷达能解决吗

综合各方面的信息来看，目前激光雷达的确是一个能实实在在提升AEB性能、可靠性的手段。

直接证据三个，分别来自业内专家的技术解读、权威机构的调查数据，以及网络上随处可见的三方媒体实测结果。

首先是技术层面，智能车参考请教了国内激光雷达领跑玩家速腾聚创，总结整理一下：

从感知形式上来说，摄像头是“被动”接收环境信息，而激光雷达是“主动”感知环境。发射出去的红外光波，碰到障碍物一定会产生回波，100%反映在点云图上，在感知这个层面避免了“漏检”。

因为点云图本身带有深度信息，对环境进行3维重建，省去了从图像数据重构场景的步骤。

发送脉冲，接收脉冲之后，系统可以直接从返回时间读取距离，从信号调制读取相对速度。全程没有“识别”这个过程，纯测量，低噪音，计算简单，每秒可以完成数百次。

而图像数据采集上来以后，要经过目标分割、识别、计算尺寸、距离、速度，然后再和自车的速度轨迹比较，才能输出一个可供AEB做决策的结果。除了延时，AI还可能存在噪声、误差，连续几个模型累积下来，对最终结果影响很大。

所以从技术特征出发，激光雷达在AEB的感知、信号处理、延时等等方面，对比纯视觉方案有明显优势。

禾赛科技则提供了基于搭载他们产品的车型的实测数据。

比如在夜晚环境下，有激光雷达加持的AEB，工作范围速度上限，提升大约50%，误触发减少70%。