驾驶车辆|从自动驾驶事故中探索有效的性能提升及判责策略电视|出家门|人工智能电视|人

【驾驶车辆|从自动驾驶事故中探索有效的性能提升及判责策略】到底何为安全的智能汽车，人们如何应对带有自动驾驶功能的汽车，这都是我们值得深思的问题。因为即便是某个车型其自动驾驶控制能力处于极度优越的状态，也无法保正100%无事故，据统计对于自动驾驶车辆而言2%的事故是不可避免的，4%是未知原因造成的。最重要的是，感知类事故为24%，而驾驶员能力受损类占另外10%，后两者合计34%是可以通过自动驾驶规避的。而另外60%则依赖于系统设置和人的决策和偏好。
因此可以说，自动驾驶依然有很多无法规避的情况，包括：判断错误，例如错估另外一辆车的速度、方向变化和行车间隙；计划错误，例如车速太快或太慢；执行错误，例如驾驶操作层面的错误等。那么这类实际无法完全规避的碰撞危险就只能通过事后监管来进行责任划分了。因为，如果事故责任无法明确，无论是在法律、道德或者用户认可度上严重阻碍自动驾驶的发展进程。

文章插图

传统的驾驶辅助系统开发通常采用既定规则与人为设计的安全性、舒适性及节能性等多项固定权重的指标，以有边界的工况为验证前提来模拟驾驶员进行车辆的动态决策与控制。然而，自动驾驶系统的开发应以无边界限制的场景为验证假设，对复杂环境及陌生、突发等场景的覆盖能力则是系统开发的核心问题。
基于此，从整个自动驾驶系统的渐进性发展来说，需要从不同的方面提升相应的开发建设能力，才能规避其感知规划响应的局限。当前很多主机厂或tier1已经在开始为这块能力建设做大规模布局，比如提出了几种主流的解决方案来做响应的应对，总结起来无非如下几个大类：
1）提升感知能力-激光雷达+高精定位+车路协同；
2）训练感知性能-影子模式采集系统；
3）加强数据记录-数据记录系统；
4）实现事后监控-自动驾驶车辆监控系统。
以上前两者主要是基于前端开发的数据采集来进行的算法能力提升，后两项则是通过事后监控来实现的过程分析和追责。
环境感知能力提升
蔚来汽车或者特斯拉频繁出事的车辆无非归结为两大重要原因，一个是当前自动驾驶车辆中的毫米波雷达或摄像头对环境中的静止目标不识别，或者说高速接近前方静止目标时，不做任何反应（这也是当前蔚来汽车出现事故的主要原因）；另一个则是由于大部分依靠视觉探测在夜间或者强光下往往会致盲（目前特斯拉车辆出现的大部分事故都是由于视觉受限引起的）。
前者通过激光雷达也可以很好的解决静止目标的探测问题，因为激光雷达的扫描可以针对前方任何不同类型的障碍物，甚至覆盖多个异形车辆、落石、交通事故车等场景，因此，在中低速情况下可以很好的解决对于前方静止目标的探测和避撞问题。此外，激光雷达还可以很好的解决近距离目标临时切入这一工况下造成的碰撞问题，且通过仿真测试我们发现，应用了激光雷达的感知场景相较于传统的Radar+Camera可以提升50%以上的识别率。

文章插图

但是即便这样，在高速接近前车时仍旧是无能为力，因为即便是别到了对应的静止前车，在当前车辆的高速状态下仍然不能保证能够减速刹停。这里我们可以举个极端的例子：
比如以当前远距离激光雷达所能识别到的前方常规轿车目标距离为300m，如果是一般的摩托车则会小于200m，如果按照自动驾驶激活的速度来说为0-120km/h，以最高速接近前车，在这个速度下容易产生了两种不同的安全隐患：