汽車?yán)走_(dá)在無人陵園內(nèi)顯示全是人影，這是怎么回事？

2023年3月有一個(gè)熱點(diǎn)事件，有個(gè)人開車到墓地，車內(nèi)屏幕顯示周圍有十幾個(gè)行人，甚至還有一個(gè)騎自行車的，而當(dāng)時(shí)的墓地道路上空無一人。居然在墓地看到了鬼影，這個(gè)消息一下子就火爆全網(wǎng)，說啥的都有。

汽車廠家作出了回應(yīng)，稱采用的是激光雷達(dá)和視覺攝像頭融合感知，受限于當(dāng)前市場傳感器識別能力的局限性，出現(xiàn)了識別偏差，后續(xù)會升級改進(jìn)。

那問題就來了，不同廠家使用的傳感器性能相當(dāng)，是否在同樣情況下是也會出現(xiàn)鬼影呢？還是說不會？鬼影背后的技術(shù)原因是什么？如何才能解決？這些問題都值得深究。

(資料圖)

現(xiàn)在用于輔助駕駛的車載傳感器主要有三種，分別是視覺攝像頭、毫米波雷達(dá)和激光雷達(dá)。視覺攝像頭類似于人的眼睛，善于識別物體的形狀和顏色，但不具備測距能力，夜晚的識別能力會大幅下降。毫米波雷達(dá)對目標(biāo)的位置和速度非常敏感，而且抗干擾能力很強(qiáng)，對煙霧和塵埃穿透能力很好，但它對目標(biāo)的形狀和性質(zhì)卻無能為力。激光雷達(dá)的測距能力強(qiáng)，多線激光雷達(dá)還可以描繪目標(biāo)的輪廓。但它不能區(qū)分顏色，而且受煙霧和塵埃的影響很大。

圖片來自圖蟲網(wǎng)

三種傳感器的原理和能力非常不同，分別適用于不同的場景，各有優(yōu)長和短板。將三種傳感器采集到的信息進(jìn)行整合，取長補(bǔ)短，發(fā)揮1+1+1＞3的優(yōu)勢，這叫做“多傳感器信息融合”，是門非常高深的信息技術(shù)。

白天多依賴視覺傳感器，霧霾天多依賴毫米波雷達(dá)，晚上多依賴激光雷達(dá)，這種定性說法很好理解，但如何對環(huán)境進(jìn)行定量分析，三種信息的置信度和權(quán)值該如何確定，這是很復(fù)雜的系統(tǒng)工程。好比是你戴一塊手表，看時(shí)間沒有問題，讓你戴三塊手表，就不會看時(shí)間了。可有人精通三塊手表的誤差特性，通過補(bǔ)差校準(zhǔn)后，能得出比戴任何一塊表都更精準(zhǔn)的時(shí)間。

但是，如果補(bǔ)差校準(zhǔn)（即多傳感器信息融合）的方法不對，把三塊表的時(shí)間進(jìn)行一番加減乘除，就可能得出一個(gè)遠(yuǎn)離正確時(shí)間的數(shù)據(jù)，這就悲劇了。

筆者曾從事多年的雷達(dá)相關(guān)工作，對“多傳感器信息融合”的感觸很深。用三部雷達(dá)觀測同一批空情目標(biāo)，會得到三個(gè)不同的航跡，這就需要用很復(fù)雜的技術(shù)方法進(jìn)行航跡融合。融合好了，航跡精度會比單部雷達(dá)高，融合不好，航跡精度反而比單部雷達(dá)低。所以說，并不是傳感器越多精度就越高，“多傳感器信息融合”的能力才是關(guān)鍵，如果能力不夠，效果反而更糟。

某國外著名新能源車采用的是“純視覺方案”，其實(shí)就是只戴一塊表，避開了“多傳感器信息融合”的難題，成本低這頭先占上了，而且現(xiàn)階段的識別能力更穩(wěn)定。從長遠(yuǎn)看，汽車的多傳感器信息融合是必然趨勢，但現(xiàn)階段的能力還有待觀察。

回到墓地鬼影事件，廠家的解釋是“采用的是激光雷達(dá)和視覺攝像頭融合感知，受限于當(dāng)前市場傳感器識別能力的局限性，出現(xiàn)了識別偏差”。當(dāng)前市場傳感器的性能是一致的，激光雷達(dá)和視覺攝像頭融合感知也是各廠家的普遍做法，如果其他廠家在相同場景不出現(xiàn)鬼影的話，那問題就出在了“多傳感器信息融合”方面，而不是傳感器性能本身。

通過傳感器識別車外目標(biāo)，并通過車載電腦顯示出來，這需要對車外目標(biāo)進(jìn)行模式識別，“模式識別”是人工智能的重要內(nèi)容，也是近年來很熱門的研究方向。

車外環(huán)境目標(biāo)大體有六種，分別為卡車、大客車、小客車、摩托車、自行車和行人。如果傳感器的探測規(guī)則是：高度1～2.5米，寬度＜1米，速度＜2米/秒，就判定為行人，而不是卡車等其他五種目標(biāo)。這是一個(gè)很合理的模式識別方法，但樣本只有6個(gè)，空間實(shí)在是太小了。如果按照上述的規(guī)則，路邊的垃圾桶、郵筒都會被顯示成行人。好比是一個(gè)人只見過蘋果和香蕉，你給他橘子、鴨梨、石榴，他都會判定為蘋果。

很明顯，墓地墓碑等景物，并沒有被該廠家納入到樣本空間。除了樣本空間要大，還要增加一個(gè)“負(fù)邏輯”。以行人為例，不僅要有符合哪些標(biāo)準(zhǔn)就可以判定為行人的正邏輯，還要有符合哪些標(biāo)準(zhǔn)就可以判定不是行人的負(fù)邏輯。例如，路邊有個(gè)塑料的衣服模特，高度、寬度、速度都符合行人標(biāo)準(zhǔn)，但它沒有頭，就可以判定它不是行人。沒頭的就不是行人，這就是一條很重要的負(fù)邏輯。

那該如何改進(jìn)呢？有簡單和復(fù)雜兩種方法？簡單方法就是提高判決閾值，即在原有基礎(chǔ)上，縮小判定為行人的數(shù)值范圍，墓碑等就不會被顯示成行人了，但有些正常行人就會顯示不出來了。這就是通過提高“漏報(bào)率”的方法來降低“誤報(bào)率”，本質(zhì)就是拆東墻補(bǔ)西墻，這種簡單方法不是正路。

復(fù)雜方法，就是不斷提高“多目標(biāo)信息融合”和“模式識別”的能力，不斷增加樣本空間，不斷充實(shí)正負(fù)邏輯，從而在根本上提升目標(biāo)識別的能力。這是一條艱辛的道路，但它是能獲得真正技術(shù)進(jìn)步的正路。

本文為科普中國·星空計(jì)劃扶持作品

作者：奧卡姆剃刀

審核：劉紅梅（中國傳媒大學(xué)電視學(xué)院副研究員）

出品：中國科協(xié)科普部

標(biāo)簽：