2016年特斯拉的致命事故讓人們意識到了精準感知的重要性。一個關(guān)鍵目標未識別，就會導(dǎo)致車毀人亡。

中國駕駛場景的特殊性，決定了必須有本土化的感知解決方案，才能滿足自動駕駛的高可靠性要求。提供專門針對中國駕駛場景開發(fā)的視覺感知算法成為中國創(chuàng)業(yè)公司打造ADAS方案差異化競爭力的一個重要切入點。通過全面掌握國內(nèi)駕駛場景，并建立最符合國情的數(shù)據(jù)樣本庫，用更懂中國駕駛場景的感知算法幫助自動駕駛在國內(nèi)的落地。

自動駕駛致命事故的啟示：可靠的感知是自動駕駛安全性的基石

2018年3月， Uber自動駕駛測試車在亞利桑那州測試時造成一名女子死亡（圖1）， 這是全球首起自動駕駛致命事故。

圖1 Uber自動駕駛測試車事故現(xiàn)場

美國國家運輸安全委員會近日披露，導(dǎo)致事故的主要原因是Uber自動駕駛系統(tǒng)無法準確識別在人行橫道以外出現(xiàn)的行人。自動駕駛系統(tǒng)數(shù)據(jù)顯示，車輛雷達在碰撞發(fā)生前大約6秒時觀測到這名推著自行車穿過馬路的行人，當時汽車時速69公里，系統(tǒng)反復(fù)將其識別為不明物體、車輛、自行車等（圖2）。

圖2 Uber的系統(tǒng)沒有準確識別到在人行橫道外的行人

特斯拉Autopilot致命事故分析

2016年，美國一輛特斯拉Model S電動汽車在途徑十字路口的時候，撞上了一輛正在左轉(zhuǎn)的卡車，這是特斯拉Autopilot系統(tǒng)發(fā)布以來的第一起致命事故。

圖3 特斯拉Autopilot系統(tǒng)未能檢測到側(cè)面行駛過來的卡車

特斯拉指出：“在強烈的日照條件下，駕駛員和Autopilot系統(tǒng)都未能檢測到拖掛車的白色車身，因此未能及時啟動剎車系統(tǒng)。由于拖掛車正在橫穿公路，且車身較高，這一特殊情況導(dǎo)致Model S從掛車底部通過時，其前擋風(fēng)玻璃與掛車底部發(fā)生撞擊?！?/p>

一個關(guān)鍵目標未識別，就會導(dǎo)致車毀人亡。慘痛的教訓(xùn)讓人們意識到了精準感知的重要性。

來自中國特色駕駛場景的挑戰(zhàn)

國內(nèi)的道路交通狀況，跟國外相比，有很大區(qū)別。

一方面，道路更加復(fù)雜且不規(guī)范，因此國外開發(fā)的視覺感知算法，需要針對國內(nèi)道路進行專項的訓(xùn)練和加強，才能獲得較為理想的感知結(jié)果。

另一方面，關(guān)于交通參與者（車輛、行人、騎行者）方面，目標類型更加“中國化”（比如馱著奇形怪狀貨物的快遞電動車），且在規(guī)則的遵循上也缺乏共識化的路權(quán)意識，因此既要針對國內(nèi)特色的異形目標進行專項識別，也需要加強“提前”感知的能力，比如在車輛或行人目標只暴露出一部分時就能夠識別，否則在其他司機進行強行加塞等侵略性駕駛時，自車容易與不守規(guī)矩的目標車輛發(fā)生碰撞。

下面我們將從道路設(shè)施和交通參與者兩個維度，分析中國駕駛場景的特殊性。

國內(nèi)道路設(shè)施的特殊性

在國內(nèi)，雖然現(xiàn)代化的高速路、城市高架路越來越普及，但是也存在很多老舊的、非結(jié)構(gòu)化（圖1）的甚至不合理的道路設(shè)計（圖2），這些場景已經(jīng)大大增加了視覺感知的復(fù)雜度。

圖1 城市中大量存在的非結(jié)構(gòu)化道路

上圖展示的非結(jié)構(gòu)化路段，再加上交通參與者頻繁地進行道路穿插，對自動駕駛系統(tǒng)視覺感知算法目標識別的全面性、實時性和準確率都提出更高的要求。

圖2不合理的十字路口設(shè)計及混亂的交通導(dǎo)流標志

另外，如圖2所展示的，國內(nèi)有不少的十字路口直行道有錯位設(shè)計，比如進入路口時會多出一條車道（為了增加路口車流量，疏通交通）;或者車道在進入十字路口時為直行道，在出十字路口時對應(yīng)的竟是左拐車道。這種流行的錯位設(shè)計，會徒增許多并道匯流需求。這就更加容易導(dǎo)致車輛在十字路口進行變道，人為加劇國內(nèi)變道頻繁的現(xiàn)象，給感知能力帶來挑戰(zhàn)。

相比于國內(nèi)的道路交通狀況，我們再對比一下歐美在“城鄉(xiāng)結(jié)合部”、繁忙十字交通路況、高速公路以及普通城市道路上的場景復(fù)雜度（圖3）。

圖3 歐美相對簡單的道路場景

從上圖可以感受到，國外的所謂復(fù)雜道路場景，相比于國內(nèi)來講，還是相對簡潔明了的。這歸功于良好的道路規(guī)劃和清晰的路權(quán)意識。如果基于這種“簡化”場景進行感知算法的開發(fā)，很難覆蓋國內(nèi)的極端情況。然而事實情況是，目前國內(nèi)主流的視覺感知算法，都是來自Mobileye等國外公司，且開發(fā)場景也基于國外駕駛場景。

除此之外，國內(nèi)還存在不少國外較為少見的交通信號燈和交通標志。上文提到國內(nèi)道路設(shè)計的問題，事實上，正是由于道路問題導(dǎo)致交通疏導(dǎo)非常依賴于紅綠燈及交通標志的支持。而為了滿足各種道路指引需求，國內(nèi)的紅綠燈設(shè)計可謂五花八門，如下圖。

圖4 多樣的紅綠燈類型是對非本土感知算法的挑戰(zhàn)

除了紅綠燈和交通標志，國內(nèi)還常用漢字注釋來的引導(dǎo)交通秩序，比如道路旁的漢字立牌、車道中的漢字指示等。這些場景的攻克很難依靠國外企業(yè)，只能依靠本土企業(yè)，立足國內(nèi)場景，解決本土需求。

國內(nèi)交通參與者的特殊性

國內(nèi)的一些交通參與者，在國外非常少見。典型的如城市道路中騎電動車頻繁穿插的快遞小哥，以及城鄉(xiāng)結(jié)合部存在的各種“異形”交通工具，在識別上有一定難度，有漏檢現(xiàn)象產(chǎn)生，需針對性的訓(xùn)練。而類似的情況在國內(nèi)很多，如果能夠立足國內(nèi)場景，及時補數(shù)據(jù)，就能夠更快地覆蓋并提升感知性能。

圖5 市中心和城鄉(xiāng)結(jié)合部區(qū)域的常見“異形”交通工具

另外，國內(nèi)的高速公路及城市高架路等封閉道路常有行人等非機動車目標出現(xiàn)，這對行人的遠距離準確檢測提出了非常高的要求。如果算法在國外沒有針對這種少見的場景進行專項訓(xùn)練，一旦實際運行過程中出現(xiàn)，是很危險的。

圖6 封閉道路上的行人和騎行者

如何打造更懂中國場景的視覺感知算法？

地平線自2015年成立以來，便積極扎根國內(nèi)，基于國內(nèi)道路視覺數(shù)據(jù)構(gòu)建自己的圖像樣本庫;且針對典型中國場景進行擴充和訓(xùn)練，有針對性地優(yōu)化了視覺目標感知的全面性、實時性，同時提高了關(guān)鍵特色目標的準確率。其中，全面性方面，地平線感知算法可支持10類動態(tài)目標感知、53類靜態(tài)目標感知、23類語義分割;實時性方面，支持1080P @ 30 FPS;準確率方面，關(guān)鍵區(qū)域車輛檢測率大于99.6%，尤其是行人檢測方面，檢測距離達到70米，檢測率超過99.1%，誤報率小于1次/百公里。除此之外，地平線也建立了長效機制，保證及時升級對新挑戰(zhàn)場景的感知能力。從技術(shù)角度看，依靠對國內(nèi)交通更理解的本土開發(fā)人員，再加上對本土場景庫進行持續(xù)擴充迭代，才能開發(fā)出更匹配中國國情的算法。具體來說，包括：

針對國內(nèi)交通工具的特點，地平線擴大（或本土化）道路目標識別種類，加入類似老人代步車、裝滿快遞包裹的快遞電動車/三輪車等中國特色交通工具，有效幫助城市領(lǐng)航等高級別自動駕駛功能，以及城鄉(xiāng)結(jié)合部的十字路口預(yù)警等功能在國內(nèi)的落地;同時針對中國行人和騎行者特有的行走、騎行特點，有效增加了對行人的感知準確率;

圖7 地平線Matrix-Mono對行人的感知結(jié)果

針對國內(nèi)非結(jié)構(gòu)化道路較多以及道路設(shè)計不合理、十字路口車道線復(fù)雜的特點，地平線進行了本土化優(yōu)化，提高了車道線的感知能力，并擴大了感知范圍;針對中國特色的交通信號燈和交通標志方面，地平線擴大（或本土化）對國內(nèi)道路和車道特點的感知識別能力。例如，增加對帶箭頭等非標準紅綠燈的感知識別;考慮地面失效箭頭仍舊由痕跡的問題，避免誤報;逐步加強對臨時交通標志安裝位置歪斜、角度畸形等國內(nèi)實際場景的識別能力，避免關(guān)鍵信息的漏檢。再加上國內(nèi)道路設(shè)計不合理，交通參與者嚴重依賴交通標志的引導(dǎo)，因此對于國內(nèi)特色交通標志的感知能力，是地平線重要努力方向，以獲取更多有價值、置信度高的交通信息，助力自動駕駛在國內(nèi)的落地進程;

圖8 地平線感知算法對交通標志的檢測結(jié)果

針對國內(nèi)交通參與者缺乏交通共識導(dǎo)致的道路混亂、目標運行軌跡難以預(yù)判的情況，地平線算法加強了對“鬼探頭”等目標未露出全貌時的目標識別能力，力爭提前檢出危險關(guān)鍵目標，給車控算法（AEB-P、AEB-C等features）提供更加及時的目標信息。同時增強對任意角度目標（機動車、非機動車等）的識別。