箩筐分享｜复杂工况和恶劣天气，检验自动驾驶能力的“试金石”

自动驾驶在公开道路的终极落地，既要得到劳苦大众的内心认可，也要获得各国法律法规的支持。而获得二者芳心的前提，则是证明自动驾驶比有人驾驶要更加安全。为了达成这个目标，自动驾驶公司开始了在政府划定区域马拉松般的运营里程累积。

（图片源自网络）

受制于传感器的性能边界、算法的成熟程度，自动驾驶公司目前多选择在阳光明媚、风和日丽的气候下，车流适中、交通标识齐全的道路上来上一段车辆的自动驾驶“华尔兹”。然而复杂工况、恶劣天气下的交通事故发生率远高于简单工况、常规天气，这既是常识，也是事实。据公开资料显示，降雨条件下发生事故的风险比正常情况高70%。

自动驾驶要想获得更加信服的测试里程累积数据，随着传感器性能边界的不断突破、算法的不断成熟，必将逐渐走向复杂工况、恶劣天气的专项集中测试。这也是检验自动驾驶是否具备终极上路的“试金石”。自动驾驶圈黑话第十八期，作者梳理出一些复杂工况及恶劣天气，浅谈下对自动驾驶的潜在影响以及一些潜在的解决方案。

复杂工况

在自动驾驶公司秀肌肉的路测视频中，我们经常可以看到视频中不断强调的无保护左转、环岛、人车混流、狭窄路段超车、大型路口掉头等复杂工况下的自动驾驶能力。这些有人驾驶都经常折戟沉沙的工况，是自动驾驶公司竞相追逐的高地，下面我们挑选无保护左转和环岛两个最复杂的工况展开介绍。

一、无保护左转

在自动驾驶的城市场景、高速场景、泊车场景中，城市场景无疑是最复杂的。而在城市场景中，无保护左转又是最难的工况之一。可以说，理解并攻克了无保护左转工况，就等于提前入围决赛圈。

无保护左转，指的是十字路口没有专门的左转信号灯，而是和直行共用一个红绿灯。在无保护左转中，车辆一方面需要遵守交通规则，根据交通信号灯判断车辆是否可以左转，同时需要尽可能礼让直行的车辆。另一方面需要具备竞争策略，通过缓行缓停不断向直行车辆传递左转的意图，并在判断与直行车辆有安全距离的情况下加速穿过直行车道。加速穿过直行车道之后，需要立即减速缓行，并实时感知、预测斑马线中的行人、自行车道的非机动车，以便安全、高效地驶入对向车道。

无保护左转的难点有两个，一个车辆本身的感知无法做到超视距，无法提前获知路口被遮挡的直行车辆，自行车道的非机动车，斑马线上行人的运动情况，二是决策时无法融入对人类意图的理解。没有超视距，就没法做到统筹的规划，控制的一气呵成。后期通过V2X获取路端感知以及其他车辆的数据倒是可以解决这个难题，目前的单车智能还无法做到高成功率的流觞左转。

目前自动驾驶车辆擅长判断来车的距离和速度，但是对于其他驾驶员、行人的一个眼神、挥手无法领会，只能僵硬的根据对向车辆的距离判断是否具有安全的左转距离。自动驾驶车辆一方面需要学会如何礼貌的要求其他车辆让路，另一方面需要判断其他车辆是否有减速的意图。因此了解人类的意图、洞悉人类的心理，可能是自动驾驶的终极命题。

二、环岛

环岛工况，一个让众多老司机都栽跟头的工况，一个看似容易却又异常玄乎的工况。在环岛工况中，自动驾驶车辆需要完成驶入、换道、驶出等操作，再加上常见的不遵守交通规则的非机动车，更给环岛工况增加了复杂性。

以一个环岛内三车道，五出入口，每个出入口2车道数的环岛为例。进入环岛前，自动驾驶车辆需要提前变换到可以驶入环岛的相应车道，并在没有红绿灯指引下完成斑马线礼让行人。礼让完行人，按照交通规则，还需在第二个让行标志前礼让正在环岛上行驶的车辆，并伺机驶入环岛道路。

进入环岛后，自动驾驶车辆需要根据驶出环岛的路口选择合适的内侧、中间、外侧车道。因为在环岛行驶中，连续变道是违规的，驶出环岛时需要提前变换到中间车道后再变换到外侧车道，最后驶出环岛。内侧行驶，干扰少，但是驶出时需要变换两条车道，对感知、规划增加了更多挑战。外侧车道行驶，驶出环岛成本最低，但是需要面对的无序的干扰较多。如何选择，需要根据自动算法的特点来做选择。

驶出环岛时，一是要在恰当的时机变换到可以驶出环岛的外侧车道，二是驶入环岛车辆礼让驶出环岛车道的交通规则下，及时传递驶出环岛意图并安全快速驶出环岛的策略，同时注意斑马线处的行人。

上述例子还仅是一种环岛类型，按照ISO 34503中的定义，环岛可分为小型环岛、紧凑环岛、常规环岛、大环岛、双环岛等类型。类型的不同带来的可能是环岛内车道数量的不同、中央岛边缘类型的不同、环岛内车道内切直径的不同以及环岛的出入口数量等。而这些又将决定自动驾驶的通过策略。

恶劣天气

这里的“恶劣天气”指的是不利于自动驾驶传感器使用的天气，并非气候学上定义的恶劣天气，两者有一定重叠但不完全一致。已知的不利于自动驾驶传感器使用的“恶劣天气”包括，雨、雪、雾、雾霾、沙尘暴、强光、全黑等。目前尚未诞生出一种可以胜任全天时、全气候的全能传感器，多传感器深度融合又多处在实验室验证及企业宣称的PPT中。因此，“恶劣天气”必将长期以及深远影响自动驾驶的量产落地。

九章智驾上有一篇两万字长文《自动驾驶发展面临的恶劣天气问题》，从学术的角度剖析了“恶劣天气”对自动驾驶发展的深刻影响，读后颇有同感。本部分摘取文章中的关键学术研究结论部分，结合自己使用过程中的经历，辅以拙劣的文采，呈现自动驾驶当前主要传感器面对“恶劣天气”时的低能、无效以及潜在解决方案。

一、激光雷达

激光雷达采用近红外光（常用905nm和1050nm波长）作为探测媒介，而近红外光在大气传播过程中会发生功率衰减，面对雨、雪、雾等“恶劣天气”时具有天生怯场的弱点。在“恶劣天气”使用激光雷达，不仅大幅降低产品性能、还极易上演“烽火戏诸侯”的“虚假障碍物”故事。

（1）雨

当激光脉冲打到雨滴上时，部分发生散射，部分穿过雨滴，而部分穿过雨滴的激光脉冲会发生较大比例的功率衰减。相关人员通过对不同大小雨滴进行测试后发现，中、小雨滴造成的激光脉冲功率衰减不足以影响雨滴后面物体的测量，通过多次回波算法可以过滤掉雨滴散射后的回波脉冲。

但是当雨足够大，足够密，足够乱时，雨滴之间相互撞击会形成团状雾。激光脉冲打到团状雾后，相比中、小雨天气，反射的回波脉冲能量会变强，穿过雨滴的脉冲能量会变小，这极易导致激光雷达将其识别为虚假障碍物。团状雾导致的虚假障碍物，目前很难从算法端过滤，这也是影响激光雷达在大雨中使用的最大阻碍。

相比于中、小雨下通过多次回波过滤雨滴散射信号这种直捣黄龙的解决方案，在容易形成团状雾的暴雨中，我们可以采取一种曲线救国的方案。自动驾驶车辆实时感知降雨大小，并实时判断是否超过内部设定的降雨影响的阈值。一旦超过这个的阈值，自动驾驶车辆可以降低对对激光雷达感知结果的信任度，提高更能胜任雨天传感器感知结果的置信度。当然、雨量感知与阈值设定可能会是一个更难克服的工程难题。

（2）雪

雪是由大量白色不透明冰晶（雪晶）和其聚合物（雪团）组成，一种反射率在30%~90%的固体。因此，打到雪花上的激光脉冲绝大部分将被反射回去，雪花也被扎扎实实地识别为一个虚假障碍物。在从天而降或疾风卷起的雪花天气下，激光无能为力。

除了会形成虚假障碍物之外，在下雪这种极冷天气（<-20℃）下，激光雷达探测器的Dead Time（《激光雷达，揭开面具下的“丑陋”》详细介绍了Dead Time概念）将会增加6.8ns，这将导致盲区增加1m多，这在传感器布局设计时需要充分考虑。

（3）雾

雾是由悬浮在近地面空气中微小水滴或冰晶组成，会以更加均匀的方式影响雷达感知。当前905nm波长的激光雷达穿透雾的能力依旧有限，但是被寄予厚望的1550nm波长的激光雷达，由于可以提高几十倍的发射功率，被认为是雾天的希望之星，但是1550nm激光脉冲遇水即被吸收的特性，是其为何功率这么高还对人眼安全的关键，但也可能是其突破“恶劣天气”道路上的最大障碍。

（4）小结

面对雨、雾、雪等“恶劣天气”，回波处理是目前已经在应用的技术，而且在部分产品中也已展示了良好的效果。另外一个更神奇的技术，波形识别，也已在路上。激光脉冲回波信号中若能携带目标波形，并通过波形的唯一性来判断检测到的是雨、雪、雾还是我们关心的物体，这可能是未来研究的主攻方向。

二、感知相机

所见即所得，这是对人眼和感知相机最形象的描述。如果再为其插上事件触发和ROI（Region of Interest）的翅膀，其在感知世界的江山将更加稳固。

雨、雪、雾等“恶劣天气”对相机成像的影响相似，都将影响成像的清晰度、分辨率、饱和度等参数。因此，算法上的去雨、去雪、去雾，成为相机在“恶劣天气”下提升感知能力的重点突破方向。各种深度学习算法层出不穷，都在一定限制条件下起到一定的作用，但离上路还有漫长的一条路要走。除了相似的影响，雨、雪等还会产生一些特殊的影响。

（1）雨

但是一滴粘在相机镜头上的雨滴，会如一颗老鼠屎，无论你是200万像素的“粥”，还是800万像素的“粥”，都将难以食用。镜头上的物理除雨技术，已经引起各企业足够关注，相机镜头的“洗烘”套餐更是五花八门。

（2）雪

对于附着在镜头上的雪花来说，可能比附着在镜头上的雨滴产生更严重的影响。雪花沾上镜头后，部分融化成水，产生和雨滴遮挡类似的效果。但在寒冷的冬天，融化后的水可能会迅速在镜头上结成冰，从而相机视线上形成一个长久的不透明的障碍物。除雨的“洗烘”套装上加上一个“热吹风”功能，可能更适合雪天。

此外，当雪开始在路面积聚遮挡车道线时，基于车道线的的定位、可通行区域判断将会失效。

三、毫米波雷达

毫米波雷达采用毫米波（波长在1~10mm区间，频率在 24~300GHz区间，常用24GHz和77GHz频段）作为探测媒介，而毫米波在传播过程受环境影响较小，具有天生的雨、雪、雾等穿透能力，使其成为辅助驾驶功能不可或缺的核心传感器之一。而其饱受批评的分辨率低的缺陷，正在由一种叫做4D毫米波雷达的产品改善。

小结

对人类驾驶员来说，平均1亿公里会发生一起致命性的事故。自动驾驶系统要想达到人类的安全性水平，大概需要100亿公里的数据。如果自动驾驶安全性想要超过人类驾驶安全性一个量级，则需要1000亿公里的数据。为了早日实现100/1000亿公里的数据，各家自动驾驶公司无论是通过单独采购测试车辆还是数据众包方式，都开始了艰苦卓绝的道路测试。

而真正易发事故的复杂工况和“恶劣天气”均有详细的历史记录，基于这些信息去做专项测试，得出一些更有质量的数据，可能比阳光明媚下日复一日的重复测试更有价值。

转载自十一号组织，文中观点仅供分享交流，不代表本号立场，如涉及版权等问题，请您告知，我们将及时处理。