特斯拉AP最“恨”哪些场景？

作者/ 于雷

美国国家公路交通安全与管理局 (NHTSA) 昨日宣布，正式启动对特斯拉自动驾驶系统的调查，包括Autopilot（自动辅助驾驶）和Traffic-Aware Cruise Control（交通感知巡航控制）功能。在调查所涉及的11起事故中，虽然存在驾驶员注意力不集中、酒驾等问题，但这也暴露出来了特斯拉对于静止物体的探测方面存在不足和缺陷。

不过，随着社交媒体上暴露的信息越来越多，「静止物体」还不是特斯拉AP面临的唯一问题。

多起事故场景接近

NHTSA指出，2018年1月至2021年7月期间，美国境内已发生11起相关事故，共造成17人受伤1人身亡。事故中的特斯拉均被确认开启了Autopilot或Traffic-Aware Cruise Control功能。

这些事故大多发生于夜晚，而且基本都是撞击了静止物体，其中被撞击的静止车辆还采取了灯光示警、摆放发光箭头标志或锥形桶等提示措施，但特斯拉均未做出有效识别。

虽然在这些事故中的驾驶员普遍过度依赖驾驶辅助系统，在开启相应的驾驶辅助功能后，就脱离了对车辆的监管，去后排休息、睡觉或用手机看电影，但是驾驶辅助系统也确实存在对静态障碍物识别能力不足的问题。

NHTSA将在调查中评估Autopilot和Traffic-Aware Cruise Control在启用期间，用于监测、辅助或者强制驾驶员参与动态驾驶任务的技术和方法。此次调查共涉及2014年至今在美国境内销售的Model Y、Model X、Model S和Model 3四款车型，累计约76.5万辆。

同一地点5次失灵撞车

除了对静止物体的感知，特斯拉AP也被指出对岔路场景也存在处理不当问题。

前不久，一位网名为BBFLG的特斯拉Model X车主，在Reddit论坛上发布了自己的经历。他表示在约塞米蒂的一条岔道上，特斯拉Autopilot系统在一条车道变成两条车道的路口丢失路线，无法转向相应岔路，导致车辆径直撞向一块巨石。

事故发生前，BBFLG保持着对车辆的监管，双手一直握着方向盘，并提前从自动驾驶系统中拿回了控制权，但当汽车撞到道边的砾石路肩时，他也无法转动方向盘。

尽管他的特斯拉没在事故中弹出安全气囊，撞击时的速度也只有25英里/小时（约40.2公里/小时），但车辆仍无法继续驾驶。BBFLG表示，仅仅把车辆从事故现场转移到亚利桑那州的特斯拉中心，就花费了1000多美元。

这次事故被特斯拉Model X自带的摄像头记录了下来，BBFLG随后将其发布在网络上。他在Reddit上表示，事故发生地的公园管理员告诉他，这是第四辆在该处撞车的特斯拉。

同时提到，他已经收到了第五个特斯拉事故的照片，在他7月25日事故发生后的不久，也在同一地点撞车。

该处国家公园警方没有回应BBFLG的确认请求，但BBFLG在社交媒体上表示，几名当地人告诉他，他们的特斯拉在道路上行驶时也遇到了困难。

Autopilot的技术难题

不管NHTSA调查中的事故，还是BBFLG在岔路口遇到的丢失路线问题，归根结底还是技术限制。Autopilot的水平只是L2级别，主要实现车辆在车道内的自动辅助转向、自动辅助加速和自动辅助制动，尚达不具备自动驾驶的能力。

Autopilot在岔路口遇到的丢失路线，一方面出在缺乏有对转换道路场景的图形计算能力，无法实现超过L2功能的辅助驾驶任务，另一方面也存在Autopilot权限过高引起的误导。

大多数L2级驾驶辅助系统，在遇到系统难以判断的情况时，都倾向于提示驾驶员接管操作，但Autopilot却愿意让系统尽可能完成所有操作，容易引起驾驶员的过度信任。

另外，特斯拉Autopilot摄像头+毫米波雷达+微波雷达的解决方案，也存在信息融合时的决策难题。这也是出现幽灵刹车、无法识别白色静止车辆、无法识别特殊结构障碍物的根本原因。

这里要先提到自动驾驶的多传感器融合技术。受到算法和算力限制，现在主流采用的是后融合松耦合方案，也就是先把各个传感器的信号独立计算出结果，再进行结果上的融合。

但是，摄像头数据和毫米波雷达往往存在很多矛盾。毫米波雷达的空间分辨率很差，无法识别障碍物的高度信息，同时还有对金属障碍物的敏感，对橡胶障碍物难感知的特性。

所以，毫米波雷达几乎无法区分物体的类型，金属的井盖、龙门架都是明显的障碍物，甚至敏感度要超过静止的车辆。

在毫米波雷达与摄像头数据融合时，更多是以摄像头信息为主，把毫米波雷达的结果当做安全冗余。至于毫米波雷达识别到的静止障碍物，几乎要完全忽略，否则因为对金属物体敏感的特性，可能每次遇到井盖、龙门架，都会幽灵刹车。

不过要是过度忽略毫米波雷达的信息，就需要摄像头的计算结果足够可靠，但是摄像头需要通过机器学习才能识别物体，没有经过样本训练的无法识别。特斯拉早期事故，很多都是由于摄像头缺乏机器训练，但选择相信其判断出来的错误结果导致的。

例如，Autopilot初期主要集中训练车头和车尾的数据，对于正在转弯的货车侧面无法识别，进而忽略信息导致了撞车事故；遇到特殊结构的障碍物、或者如公园岔路这类低频遇到的路况，也难以做出正确判断；另外还有摄像头本身的弊端，容易把高亮背景下的静止白色卡车，识别为天空。

Autopilot如今相对频繁的出现幽灵刹车问题，或许就是提高了毫米波雷达结果的参考度，但是在图形算法大幅进步前，仅靠这两种主要传感器还存在误判可能。国内高阶辅助驾驶增加的激光雷达，以及增加高度识别能力的4D毫米波雷达，就是为了弥补这部分信息缺陷而选择的方案。

从技术角度看，特斯拉Autopilot和Traffic-Aware Cruise Control都只是功能相对基础的驾驶辅助系统，主要是用于帮助驾驶员提供更多的信息冗余，而非来替代驾驶。

即使是被特斯拉称为全自动驾驶的FSD系统，车主在使用时也发现了诸多问题，就算是包括FSD等在内的更高阶驾驶辅助系统，也无法做到全自动驾驶。例如它曾被指出将月亮、广告牌等物体误识别为黄灯、停车标志等。车主不但需要实时保持警惕，还要为事故负起全部责任。

关于Auto Byte

Auto Byte 为机器之心推出的汽车技术垂直媒体，关注自动驾驶、新能源、芯片、软件、汽车制造和智能交通等方向的前沿研究与技术应用，透过技术以洞察产品、公司和行业，帮助汽车领域专业从业者和相关用户了解技术发展与产业趋势。

欢迎关注标星，并点击右下角点赞和在看。