一、背景
几乎从事自动驾驶或辅助驾驶制动场景的算法工程师都有被“逼疯”的经历，事实上，对于现阶段的辅助驾驶系统来说，准确识别出一个非规则的静止物体，并且及时做出正确反应绝对是一道地狱级的难题。
以下从行业主机厂新势力，法规标准定义，各模块算法层原理，用户考虑因素，以及展开的几点思考进行说明。
二、行业现状
特斯拉和新势力制动为例，在不同车速下对于避免碰撞进行说明，高速行驶时避免碰撞则为有效减轻碰撞。
特斯拉
小鹏
蔚来
三、法规标准
一、国外
二、国内
AEBS需要包括碰撞预警和紧急制动两个阶段。
AEBS检测到TTC（time to collision 预计碰撞时间）/ETTC（advanced time to collision 强化距离碰撞时间）大于预警设定值时首先对驾驶员进行提醒，若驾驶员没有意识到风险存在并进行变道或刹车减速，AEBS检测的TTC/ETTC大于制动设定值时，激活紧急制动功能。即高速时速度能降下来，低速时不碰撞。如在60km/h以上的急停很危险，会对跟车有影响。
四、算法原理
举个例子： 车主曝理想L9辅助驾驶高速“失灵”
理想L9车主发文称，1月20日，他从福建出发开往湖北，一路在高速上，前方有车辆减速，或者变道都会有预警提醒，也能够帮助车主去主动刹车。但是1月21日上午5点42分，车速113km/h的时候，右前方有车辆缓慢变道，车机没有任何预警和主动刹停的动作，直到车主反应过来，踩下刹车，但还是以100km/h左右的时速撞到了前车的左后方。从网上曝光的视频来看，前方白车打了转向灯向最左侧变道，不过车速很慢，理想L9在碰撞前1秒才踩下刹车，已经避让不及。
该场景涉及至少以下几个基本自动驾驶功能： 参考：辅助驾驶高速失灵，问题究竟出在哪？
系统层的预警和接管，感知层的视觉障碍物检测/毫米波障碍物检测/车道线检测，融合层的障碍物融合，决策层的前方车辆行为或轨迹预测，规控层的纵向及横向运动规划与控制，整车层的延迟叠加时间，以及光线、雨雪雾天气桥隧等场景，做好一个cut-in判断并非易事。
4.1 系统层：
基于上述例子，可以看出决策规划端前期是可以做到减速主动刹停的，但21号夜间出现前车cutin切入，车机没有任何预警和主动刹停的动作。即：
1、系统层没产生碰撞预警，一级二级报警或收紧安全带，而且车主踩下刹车，车速没降下来，说明并没有退出自动驾驶模式。
参考：理想 L9 车主称 NOA 辅助驾驶高速失灵
辅助驾驶只是辅助功能，让驾驶者在走神的时候帮助你挽回事故，减轻事故的可能性或者减少事故的严重性，在长途驾驶中能够让你身体得到休息，不用频繁操作。
比如，在高速上开车，开了辅助驾驶，能够自动跟车、刹车、居中的时候，一定是双手把方向盘，右脚会提前做几个虚踩刹车的动作帮助激活下肌肉记忆。而如果是没开辅助驾驶的话，可以单手把方向，脚放在油门/电门上。（辅助驾驶如果能自动变化车道，自动下匝道的情况下我会更加警惕。因为碰到过匝道的路面标志线画错，白线导向栏杆，而车的辅助驾驶就直接往栏杆上撞的）
因此，开车时绝对不能放弃对路况的注意力，做好紧急接手的准备，甚至要做好关键时刻和辅助驾驶“对抗”的心理准备……
2、而感知融合层在该时刻，相当于啥也没看到，规控端自然继续保持高速行驶。这就是下面要说的感知层漏检。
当下所有拥有辅助驾驶功能的车型，都会标配AEB功能，目的是防止追尾，减轻碰撞。
但问题在于，AEB生效的条件比较严苛，应对加塞容易失效，对静止物体也容易失效，车速超过一定范围（通常是60km/h-80km/h）也可能失效。
为何如此矫情？一般认为，感知系统能力的孱弱要背大锅。
4.2 感知层：
3D毫米波雷达特性：
参考：自适应巡航为什么不能识别静止物体？
由于毫米波雷达还是靠发射波到接受波，利用多普勒现象来感知物体的相对速度和角度。如果物体的反射能量较弱或者因为其他原因导致回波能量较弱就可能会产生对于障碍物的误检或者漏检，如：
1）毫米波雷达安装在车身上，若车身在颠簸不平的道路上行驶会导致毫米波雷达系统工作不稳定，其回波能量也会出现不均匀的情况，最终会出现闪烁的虚假障碍物信号。结果就是产生幽灵刹车。
2）道路两旁的植物以及交通牌标示，甚至金属栅栏都会影响到毫米波雷达的回波接收，也会产生虚假的预警信号。这时候是误识别。
3）若雷达的分辨率不是很高，两个反射体靠得很近，雷达会认为是同一个目标，或者发生跟踪错误。例如，以色列攻击伊拉克核电站，多架战机靠近飞行，伊拉克雷达误以为是民航客机。在民用车载场合，“鬼探头”目标分裂场景容易出这种问题。
Camera特性：
1）毫米波雷达能够直接检出回波的速度信息，但是分辨能力差，不能区分目标类型：比如前面是停着的车，是井盖，还是挂在上面的路牌。
2）摄像头相反，能够清晰的辨认目标方位类型，但是并不能直接获得目标距离与纵向速度。
参考：有多少司机开着辅助驾驶玩手机？
某种程度上，现有辅助驾驶大多数时候都在依靠单目摄像头加传统毫米波雷达两个“二维生物”认识世界——摄像头看不到深度，毫米波雷达测不到高度。但问题在于，现实是复杂的三维，辅助驾驶需要人类这个智慧的三维生物来兜底。
对比
误检or漏检？
参考：为什么毫米波雷达无法识别静态物体？
由于3D毫米波雷达在高度上没有足够分辨率，当前车经过桥洞下时候，这时候分别属于前车和前方静止桥洞的毫米波检测和相机视觉目标发生错误的匹配。由于毫米波雷达能够给出前车相对速度，这种情况下错误匹配成前车的桥洞点就会告知自车“前车是突然刹停”，这时决策层最合理的动作就是开始减速，这就造成所谓的“误检-幽灵刹车”。
▲隧道误检，突然异常减速
上面场景实际非常普遍，高速上有很多静止物体会触发毫米波回波形成检测点，比如桥洞，龙门架，地面的井盖，在前车经过这些静止物体的时候就很容易触发误匹配，从而造成幽灵刹车，严重甚至造成后车追尾。
▲静止桥洞和车，误匹配
那么，为了减少幽灵刹车，只能选择降低对完全静止物体毫米波量测的置信度，因为毕竟是L2辅助驾驶，要求驾驶员时刻关注路况。这样当前方真的出现静止障碍物的时候，辅助驾驶就有可能忽略这一毫米波雷达检测，导致自车刹不住了，这就是所谓的“漏检”（下图行走的大爷）。
▲真实高速上，遇到低矮桥梁和行走的大爷。。。
因此，感知要解决误检和漏检，对现有传感器提出了更高要求。谈谈自动驾驶必须解决的感知问题
1、如何确保小目标物体不会漏检？（交通标志、锥桶识别）Apollo问答
2、可行驶区域如何语义分割？
3、车道线形态检测（如下图中的被遮挡，磨损，以及道路变化时本身的不连续性）
4、基于上图中3D毫米波雷达问题，特斯拉从放弃3D-Radar，到采用4D毫米波雷达。
▲Apollo交通锥为小目标，可能出现模型无法识别
▲左图隧道内实线不清晰发生变道、右图岔道口车道线交叉
▲左图车道线磨损、右图车道线不贴合
单目还是多目识别？
单目摄像头则难以精确测距，其感知环境依赖深度学习驱动的视觉识别，需要大规模的数据训练。如果某个场景或物体的训练数据不够，摄像头可能会当做物体不存在，或将其误识别为路面、天空等背景。
视觉算法延迟
除此之外，视觉识别算法通常需要运行一段时间得出结果，耗时长的需要数百毫秒。而面对静止物体，识别时间可能会进一步延长至2-4秒多。在80km/h车速下，车辆在此时间可开出44-88米，系统容错率被进一步降低。参考：辅助驾驶？
4.3 融合层：
AD系统常见配置是1V1R的毫米波雷达+摄像头：“该组合像青蛙的眼睛，对于动态物体判断还好，对于非标准的静态物体几乎无能。”
误检：其中，毫米波雷达能够测量与前方物体的距离，但探测不到物体高度，信息密度低。若对其过于信任，则会造成辅助驾驶误检——“草木皆兵”、“幽灵刹车”的现象频发。
漏检：为降低误触发率，如今毫米波雷达通常会在高速上设置为自动过滤静止目标。因此，毫米波雷达即使发现了前方的静止物体，要么会视而不见，要么很难及时做出反应，就刹不住车。
▲右为传统毫米波雷达探测点云，依靠这样的数据做精确识别不现实
因此，融合层需要从“看得清”，变为“看得懂”
▲是车or是人？
还有，作为一个人类会觉得这很荒谬，但其实类似的案例并不鲜见——贴在车上的广告人像，会被辅助驾驶系统识别成奔跑时速60公里的真人。
▲右图为60km/h奔跑的真人。。。
参考：自适应巡航为什么不能识别静止物体？
毫米波雷达基于多普勒效应做静止目标剔除，然后结合摄像头提供的目标方位信息，做出目标判断以及后续的操控决策。那么此时所有的静目标都已经剔除了。 想要良好地判断静止目标，我估计只有两条路：要么不去简单地剔除雷达的静止目标回波，而是全部雷达信号都与摄像头信息做融合分析，这处理量就很大；要么依赖视觉提供的深度信息（双目视差、单目深度学习推断），并以此处理静止物体，这就需要融合算法了！
4.4 决策层：
cut-in处理需要更好的预测和规划控制：传统做cut-in通常是判断前方车辆成为CIPV（close in path vehcile）的概率可以用车辆的横向速度和车身与车道线的位置结合进行判断，规划控制上基本是纵向控制为主，实际场景中预测可能需要做的更精细（本次事故中缓行的前车加上缓慢的变道应该作为一个risk级别很高的场景或者实例被甄别），前车行为分析可以从驾驶数据中学习得来，对于前方车辆的行为分类不仅仅是自车的道内和道外，而应该是更普适的场景分类的决策再做纵横向的规划或者用轻决策重规划的方法精细化轨迹去做到安全。前者场景分类应该是以risk为基础。 参考：一理想 L9 车主称 NOA 辅助驾驶高速失灵，问题究竟出在哪？
4.5 规划层：
如下图所示，假设自车以V0匀速行驶，目标车辆以V1匀速行驶，D为车距，求解自车追上前车的时间，即是所求的TTC，数学上典型的“追赶”问题，对于规划层而言，为数值计算问题。
这里分3种场景讨论：
（a）前车禁止；
（b）前车速度小于主车；
（c）前车速度大于等于主车。
对于场景（a）和（b）主车都将在一个时间追上前车，而对于场景（c）从直观上理解也可以判断，主车将永远无法追上前车，此时两车的车距D即使小于安全距离S，也都不应触发AEB功能。这种场景多发生在旁边车道车辆以较大车速进行Cut in及辅路汇流的时候。
4.6 整车层：
小车的刹车一般是通过诸如ESP/ESC等刹车执行机构来执行的。 即当判断即将撞车时，ESP快速建压制动液，通过制动液压传导到刹车片执行刹车。这个反应和建压时间是在毫秒级的。
但是，自动驾驶卡车是气刹，整套系统和乘用车的模式不完全一致。
卡车有时拉货，有时空车，整车质量的变化特别大，这又增大了对于刹车距离的判断。
整车质量-刹车距离-建压时间-刹车制动力反馈的数据模型和乘用车是完全不一样的，这也是需要长时间的调试，这又给开发增加了些许的难度。
参考1：为什么大货车不配备自动驾驶自动刹车？
对于商用车的制动，大家有个普遍认识，“大货车不是不刹车，而是刹不住”。
参考2：为什么大货车不配备自动驾驶自动刹车？
1、卡车一般采用双回路气压制动，与轿车的液压制动完全相同，其建压时间及响应速度远不如小车的液压制动；
2、缓速器可能会减缓制动力，机械延迟；
3、同时，鼓式制动器虽然可提供更大的制动力，但是其热衰退效应更加明显。对于紧急制动情况下的商用车的稳定性控制技术，开发制动器与液力缓速器协同制动的策略。
大货车目前普遍都用鼓式刹车，因为鼓式刹车能提供更强力的制动力。散热差怎么办？就要靠司机的经验技术了。所以我们经常看到货车在刹车失灵，在高速公路长距离下坡的右侧会有紧急避险车道，就是给那些刹车失灵的货车使用的。盘式制动器，鼓式制动器各有什么特点？
对于底盘制动：卡车主要满足AEB法规，即使知道前车急刹，EBS达到75%目标气压需要0.4s（不同车型也不同）
五、考虑因素
5.1 安全性：
针对高速道路场景，自动驾驶缓刹责任在主车，高速急刹责任在前车。静态刹停更重要。
目前业界有多种方法可用于评估ADS的预期功能安全，如图所示。包括Real world test，Scenario based test，Formal verification，Shadow mode，Function based test，Function based testing。这些方法可用来评估自动驾驶系统，但各自有其优缺点。
安全评估方法概览
举个例子，比如我们要评估ADS功能导致追尾这类危害场景的事故率，使用TTC作为风险评估的MiR危险度量（critical metric），通过对场景数据的采集，分层，泛化得到具体场景，然后对ADS算法进行仿真测试，可以得到各参数（距离，速度等）概率分布下具体场景的危急指标（critical metric）。然后基于场景的概率以及critical metric，推导出ADS功能引起追尾的总体事故率MaR。参考：特约专栏 | 浅谈自动驾驶安全评估
形式验证为系统提供了抽象数学模型的形式证明，换句话说，如果系统表现能满足设计的数学模型，则认为其是安全可靠的。比较有代表性的是 Mobileye的RSS模型与英伟Safety Force Field（安全力场理论）。
参考：【自动驾驶】决策规划丨知识分享丨Mobileye 责任敏感安全(RSS)模型
RSS定义了自动驾驶汽车应遵循的五大准则，这些准则参照主流交通规则和驾驶常识，同时形式化定义了自动驾驶的危险场景，形式化定义了自动驾驶汽车在危险场景下应做出的合理行为，并声称如果所有车辆（包括人类驾驶的车）都遵循RSS模型，则不会出现任何事故。
高速行驶过程中，若传感器、感知融合端存在误检，触发紧急制动，安全风险会变高。若最大减速度放开，导致频繁制动（盘山路、桥、隧、坡道的甩尾危险）不能保证驾驶的舒适性和安全性。
考虑因素有：光线天气、隧道桥梁、山区连续陡坡、道路限速牌、车辆载荷、挂车、地面摩擦、机械摩擦阻力
如下表，高速跟车行驶中前车急刹，前车（小车）减速度至少-6m/s2以上了，满载卡车即便按最理想的计算也完全刹不住车。
纯理想计算值针对前车重刹等极端场景下，AD自动驾驶系统先主动介入，通过降低车速，提高减速量。然后，通过声光震（拉紧安全带等）提醒司机及时接管，将安全控制在自己手里。
5.2 舒适性：
缩小最大减速度，即使因误检触发制动，避免重载在陡坡急弯上的甩尾（挂车对主车）等风险，以及避免障碍物误检，带挂重载下频繁刹车，影响舒适性。
5.3 经济性：
高速行驶过程中，若自车出现频繁制动，对驾驶感受舒适性和安全性都有影响，对自车及周围车辆都存在碰撞风险。同时，频繁的加减速策略，对燃油经济性也不友好。
发动机效率理想分布
5.4 时效性：
不用多说，对于自动驾驶卡车，尤其对于高速干线物流自动驾驶，双十一等节日期间运输效率也是重要考虑点。
参考：为什么自动驾驶卡车将会比自动驾驶汽车先行一步？
六、几点思考：
Q:为什么规划最大减速度尽量在-4m/s2左右？
1、如果最大减速度放大到-6m/s2，会在巡航中因误检急刹，导致后车碰撞。即便偶发误检，避免过重减速；
2、如果不考虑巡航误检，在跟车过程中会顿挫明显，体验感很差；
3、由于前车突然急刹，需要传感器端能精确感知前车瞬时减速度；
Q:如果能区分开急刹场景，只在急刹场景下把最大减速度放开到-6m/s2以上，存在的风险？
1、预测端，即便能获取前车减速度，需要实时预测模块，大量训练集和较大算力；
2、规划端，如果高速下前车是突然切入急刹（实际很难遇到），通过目标减速度做急停判断，中后段放大是否来得及？
3、法规端，定义TTC在3s开始触发AEB，但一般设定跟车时距3s左右，急刹时时距偏低，刹车反应时间不够；
4、整车端，如果AD车是卡车，而且是带挂满载，在高速、下坡、弯道等，极限最大减速度也就-6m/s2左右；
5、系统端，如隧道内误识别障碍物产生较大减速，系统需要保证方向盘接管或踩油门能退出自动驾驶（隧道内急刹无法接管，危险系数大），第一脚的最大影响；
6、 感知端，目标点进行3~5帧滤波平滑，但会滞后，导致鬼探头刹不住。因此，要求布置更多传感器（环视相机等），成本也相应的增加；
7、底盘端，提出更高要求，制动响应时间，还需要考虑缓速器。
Q：静止目标的识别没有问题，但为什么都被过滤掉了？ 参考：巡航为什么不能识别静止物体？
自适应巡航系统是依赖毫米波雷达和视觉传感器来进行目标物识别的，系统并不是不能识别静止的物体，而是不能准确的将对本车行驶有影响和干扰的静止物体筛选出来。 毫米波雷达的“世界”和人眼看到的世界是不一样的，人眼可以清晰的看到前方道路的交通参与者和道路基础设施，并将其分类，但毫米波雷达“看到”的都是点，也就是说的点云。
静止目标的筛选就变得非常难，但移动的目标“点”一直在变化，相对来说比较容易判断，这也就出现了大部分ACC功能的手册中都会说明“系统无法识别静止目标物”，这是为了ACC能够可用，不频繁的对道路基础设施做出“误响应”，毫米波雷达自我“封印”了静止目标物的识别能力。
Q:特斯拉抛掉毫米波雷达还不到两年，怎么又装回去了？ 参考： 激光雷达的饭碗要被端了？
随着智能驾驶对汽车感知能力的要求越来越高，3D毫米波雷达的短板愈发明显：分辨率太低，对物体看不清；没有测高能力，无法对环境形成立体的感知。这导致的直接结果是，感知能力日新月异的摄像头和原地踏步的毫米波雷达不时相互打架，带来幽灵刹车等问题。按马斯克的话说，毫米波雷达在智能驾驶的数据流里已经成了一个污染源——让一个弱视来当领航员，当然不太明智。因此，依托算法优势让高分辨率的摄像头拥有了立体感知能力后，特斯拉果断砍掉了车型上的毫米波雷达。在那之后，马斯克也在推特上留下了一句伏笔：只有高分辨率的雷达才行。特斯拉通过基于大量数据不断迭代算法，在数年时间内开发出HydronNet、BEV以及Occupancy Network等算法，仍然引领了纯视觉自动驾驶路线。不过，目前仅依靠摄像头的智能驾驶还是有难以克服的Corner Case。
毫米波雷达点云仍有进步空间
4D毫米波雷达的加入，可以提供带有距离信息的三维点云，弥补纯视觉算法的不足，提升智能驾驶算法上限。国内毫米波雷达创业公司行易道总裁江军安认为，特斯拉引入4D毫米波雷达最直接的作用是，通过增加测高和更高的角分辨率进一步提升AEB（自动紧急制动）功能的表现和适用场景，更好地保证智能驾驶的安全性。那么，这需要尽力压榨4D毫米波雷达的潜力，并与其他传感器妥善地融合——软件算法是这一过程的关键因素。
Q： 特斯拉之前为什么取消雷达，现在又加入？参考：特斯拉传言带火4D毫米波雷达
当车辆即将驶入桥下的时候，毫米波雷达已经检测到了“桥”这个静态物体的存在，但是因为没有足够的分辨率，毫米波雷达分不清楚这个物体是桥梁还是汽车。这个时候就需要视觉感知来告诉系统这个静态的物体到底是什么？
但由于关联了毫米波雷达，摄像头在对前方物体各项参数的测量中都没有发挥足够的精度。如果前方恰好有一辆缓慢减速的汽车（但不足以造成刹车），系统就会将视觉系统报告的“减速车辆”和雷达报告的“静态物体”相关联，从而导致了幽灵刹车。所以，前期幽灵刹车，特斯拉认为锅在毫米波雷达。这也是为何去年5月北美市场特斯拉取消了毫米波，转向纯视觉路线。
取消的主要原因是3D毫米波雷达的缺陷：
1）静态物感知度低：当有静止车辆，目标信息容易和地杂波等掺杂在一起，传统毫米波雷达识别难度较大。
2）没有高度测试能力：没有高度信息，因此高处物体如桥梁路牌和地面的车辆一样区分不开，容易造成误刹。
3）角度分辨率低：当两个距离很近的物体，其回波会被混在一起，难以获知有几个目标。同时，其最远探测距离不超过200 m，探测距离范围有限。
而重新加入雷达是因为4D毫米波雷达突破了传统车载雷达的局限性，4D毫米波雷达的4D分别是目标距离、目标速度、目标水平角度和目标高度信息。4D毫米波雷达最远探测距离可达300多米，而且4D毫米波雷达系统水平角度分辨率较高，通常可以达到1°的角度分辨率，可区分300米处的两辆近车。
▲4D毫米波雷达探测距离
Q：关于DMS
车上配置了DMS（全称Driver Monitor System，可在驾驶员疲劳、分神时予以提醒或退出辅助驾驶），引导车主正确使用功能。但由于竞争策略、成本、用户隐私、体验等方面考虑，绝大多数车企对驾驶员滥/误用辅助驾驶的约束都是软性的，DMS主要提供声音或震动警告，且可关闭。
对于卡车，长途运输可能更需要。
Q：用户有哪些方法保证安全？
1、保持安全车速：高速车距、低速车距、不要扎进密集车群里、当心左右车距、后车车距（ 前方拥堵，停下来时，可打开双闪灯提醒后方车辆提前减速）要注意大货车。 参考：周末出游跑高速时，如何保持安全车距？
2、紧急情况下的转向避障
3、麋鹿测试性能 高阶自动换道系统的设计方法
Q：现在用户是否愿意买单？
行业追逐谁先落地，谁先跨到城市的大背景下或者交给物流用户这种，整个行业是急躁的，消费者角度是否认同，需要在常规场景下车企的宣传和用户使用后形成习惯。这种状态下引导用户的产品设计显得尤为重要，互相精进自主自动驾驶技术，推动落地。
发表回复