从自动驾驶事故中探索有效的性能提升及判责策略

作者 | Jessie

出品 | 焉知 

知圈 | 进“域控制器群”请加微13636581676,备注域

蔚来汽车去年那场自动驾驶撞车事故再一次刷新了人们对智能汽车的认知，事故的责任方究竟是车主，还是汽车制造商，这恐怕不是能由调查结果直接得出的结论，其实，就当前智能汽车的等级现状来说，安全性高低已经不是最重要的，最关键的是出了事故怎么明确责任。然而，即使责任认定清晰，这件事的影响也远不止于此。因为即便是驾驶员的误操作也可能归咎于系统使用宣传不到位，亦或者系统在其设计边界上没有进行有效的接管提醒。

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。

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。

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：

其一，当车辆识别到目标后为了避撞，则会以平均减速度为2.77m/s2左右做急刹车，容易造成车内驾驶员或乘客较大不舒适性；

其二，当车辆无法及时识别到静止目标，或者识别到该静止目标的时间过晚时，则会造成与前方环境目标的碰撞；

基于此，加入车路协同能力建设就显得尤为关键了。我们的目地视预判前方危险目标，可以很大程度的提升识别距离为及时有效的制动提供保障。当然，当前这代产品的自动驾驶还无法真正意义上的实现车路或车车信息通信。

后面一种由于晚上光线不足导致无法准确的目标探测问题，则有两种解决方案，当前采用的是自车激活自动大灯的方式进行缓解，实话讲这只能解决较近距离下的车道信息探测，通常情况下，这种距离的探测不会超过150m，这种大灯状态对于车道信息的探测能力也只是杯水车薪。为了根治这类型的问题，可能只能采用搭载夜视系统的方式进行性能提升了。

车辆数据采集训练系统

部分主机厂、供应商为了应对当前自动驾驶系统在环境认知和数据训练中的不足，往往倾向于采用装备更多的采集设备，开发有效的环境采集分析算法来获得场景训练库中的数据模型。目前绝大多数研发机构在测试自动驾驶系统的过程中，一方面，发现自动驾驶算法无法覆盖当前工况，测试人员靠手工记录问题；另一方面，随着自动驾驶数据采集方案的部署，以Tesla为例开始分析真实用户在驾驶过程中的特征数据来改善和升级当前的自动驾驶算法。

1、影子模式运行原理

自动驾驶系统的开发、测试数据集的建立需要依赖众多数据源和数据域，从而确保自动驾驶可以达到必要的安全水平。同时，通过映射到模拟驾驶员驾驶风格的仿真系统，可以实现自动驾驶系统的仿生优化。

影子模式的整个系统架构表示如下，包含搜集大数据、车端数据模拟分析、触发记录、云端管理、仿真重构和算法快速测试。其中涉及大量的场景分析建立特征级数据语义表达；采集驾驶员操控信号进行驾驶员行为合理性分析；采集车身反馈的行驶数据实现控制指令差异性分析；基于该行为差异性数据-机理分析来实现学习型网络的分类触发和控制；最终以一定的模拟训练算法来定位是环境感知问题和决策规划问题。

那么真正的影子模式真的能够解决大部分数据搜集、标注及算法的训练问题么？笔者认为还是存在一定的不确定性。

2、影子模式的短板

“影子模式”的核心在于，在有人驾驶状态下，系统包括传感器仍然运行但并不参与车辆控制，只是对决策算法进行验证。且过程要求影子模式可以提供更多更大范围的极端工况，包含标注的和非标注的训练数据。而影子模式都是依赖人类司机的驾驶决策来标注和触发数据回传的。因此，影子模式算法跑起来的整个过程仍旧是需要确保自动驾驶芯片具备较高的算力能力的。同时，触发机制是以驾驶员操控为合理性的标准来触发系统的记录行为的，而这种判断标准并非一定是正确的，比如该减速的场景，驾驶员确大踩油门或大打转向等。另外，对于影子模式的评价机制并不科学，因为自动驾驶的算法是否精准是需要定位到具体的感知、规划、决策、控制这四个子模块中，而最终表现形式往往只有一种。这就使得在后续数据分析中并无法准确定位出具体是哪一个子模块出了问题。且影子模式采集车辆不一定都是自动驾驶车辆，有可能是辅助驾驶车辆，面向是L2级，这类辅助驾驶车辆能否用于L3级是不确定的。因为数据采集的传感器，规控模块所触发的记录端算法都不一致。

基于此，即便是像很多开发者所倡导的在自动驾驶车型上装备整套影子模式套餐，可能也没办法真正做到弥补车型对几乎所有场景的标注和探测学习需求。

自动驾驶车辆监控及追责系统

搞自动驾驶，其实没有人愿意牺牲，更不愿意给机器或者算法给牺牲掉了。那这个核心问题就变成了，一旦出了事故，整个过程中发生了什么，为什么会导致事故，需要有个清晰的记录和回放的过程，在测试验证乃至后续路试的过程中，出现的每个事都可以在一定范围内回溯。当前比较中肯的是自动驾驶数据记录系统，该系统也是国家标准委员会要求下一代自动驾驶功能车辆进行强标的系统。然而，值得提及的是，自动驾驶数据记录只是从车端角度记录发生安全事故的整个过程中车辆本身、驾驶员操作、周边车辆的相关信息。我们做开发的人员需要了解的更多才能更好的分析车辆数据，不仅是面向事故场景，更多的用于开发场景中的场景建模、数据标定的情况。

特别是在2021年4月7日，工信部发布《智能网联汽车生产部门及产品准入管理指南（试行）》（征求意见稿），对L3 级以上自动驾驶功能车型准入上市提出如下要求：

“要求建立健全企业安全监测服务平台，保证产品质量和生产一致性，对（每一辆试验）车辆运行状态进行监控，记录测试车辆行驶轨迹、控制模式、车辆运动状态参数、驾驶员及人机交互状态、行车环境信息、车辆执行机构控制信息、接管信息等数据。”

对于汽车生产企业，同时也希望通过监测平台，实现对自动驾驶车辆运行状态的监测，通过对自动驾驶车辆数据的记录、用户行为分析、车辆故障分析及自动驾驶系统的运行状态的统计分析，支持产品持续迭代优化、故障分析、事故定责等。

目前在自动驾驶车辆运行中已有相当的企业已经建立了对车辆运行监控的能力平台。如长安、广汽、中汽研等企业正在开发对于新能源汽车的监控平台：包括车辆状态、轨迹、电池电源等的实时监控；对车队运行进行统计分析，历史轨迹回放等；同时包括对电池电驱系统实时告警分析等功能。不管是新能源监控还是自动驾驶车辆监控，本质上是利用车联网数据进行深入价值挖掘，从车辆运行监控、分析及故障告警等维度，提升企业对车辆的管理和车辆网数据利用。

下面来说说整个监控平台的功能划分，如下图所示，监控平台是主要用于针对自动驾驶车辆运行功能及状态分析的业务层级，同时对自动驾驶车辆运行状态或使用频次的统计分析。其中从下至上包含6大业务链，依次为底层功能管理、基础功能管理、统计分析管理、数据分析管理、平台对接管理、顶层监控管理。从事故分析角度出发，整个过程完全可以做到无缝的监控车辆中对自动驾驶信息状态的搜集，用于后期的责任划分看来是不可或缺的。

总结

目前，无论从国家规划、企业能力建设，都希望在2025年能够从一定意义上实现真正意义下的自动驾驶，至少在其所规定的ODD范围内，能否让驾驶员可以完全不用接管车辆，甚至不用关注车辆的驾驶情况，但是真的行么？笔者是持保守态度的。究竟是单车智能还是车路协同，还是两者都要？传感端是走高成本的激光雷达还是纯视觉技术，还是混合感知？这些都尚在探讨过程中。

当前无论是特斯拉还是蔚来在自动驾驶道路上踩的坑都足以让我们警醒，自动驾驶还有很长的路要走，当然也有一些主机厂在打擦边球，比如提出首先实现自动辅助驾驶功能，但是这也需要提供较好的用户说明须知以及人机交互说明，避免误用滥用。本文所提及的对自动驾驶车辆行驶可能出现故障的一系列措施可以从一定程度上提升对于自动驾驶开发和应用的信心，希望自动驾驶之路仍旧是一条被人们所认可和信赖的道路。