微资讯！墓地无人汽车探测到“鬼影”！真相到底是什么？

最近有一个热点事件，有个人开车到墓地，车内屏幕显示周围有十几个行人，甚至还有一个骑自行车的，而当时的墓地道路上空无一人。

(资料图)

居然在墓地看到了“鬼影”，这个消息一下子就火爆全网了，说啥的都有。

汽车厂家作出了回应，称采用的是激光雷达和视觉摄像头融合感知，受限于当前市场传感器识别能力的局限性，出现了识别偏差，后续会升级改进。

那问题就来了，不同厂家使用的传感器性能相当，是否在同样情况下是也会出现鬼影呢？“鬼影”背后的技术原因是什么？如何才能解决？这些问题都值得深究。

01、不同厂家的传感器有什么不同？

现在用于辅助驾驶的车载传感器主要有三种，分别是视觉摄像头、毫米波雷达和激光雷达。

视觉摄像头类似于人的眼睛，善于识别物体的形状和颜色，但不具备测距能力，夜晚的识别能力会大幅下降。

毫米波雷达对目标的位置和速度非常敏感，而且抗干扰能力很强，对烟雾和尘埃穿透能力很好，但它对目标的形状和性质却无能为力。

激光雷达的测距能力强，多线激光雷达还可以描绘目标的轮廓。但它不能区分颜色，而且受烟雾和尘埃的影响很大。

三种传感器的原理和能力非常不同，分别适用于不同的场景，各有优长和短板。将三种传感器采集到的信息进行整合，取长补短，发挥 1+1+1＞3 的优势，这叫作“多传感器信息融合”，是门非常高深的信息技术。

白天多依赖视觉传感器，雾霾天多依赖毫米波雷达，晚上多依赖激光雷达，这种定性说法很好理解，但如何对环境进行定量分析，三种信息的置信度和权值该如何确定，这是很复杂的系统工程。

好比是你戴一块手表，看时间没有问题，让你戴三块手表，就不会看时间了。可有人精通三块手表的误差特性，通过补差校准后，能得出比戴任何一块表都更精准的时间。

但是，如果补差校准（即多传感器信息融合）的方法不对，把三块表的时间进行一番加减乘除，就可能得出一个远离正确时间的数据，这就悲剧了。

02、为什么车载电脑会显示“鬼影”？

我曾从事多年的雷达相关工作，对“多传感器信息融合”的感触很深。

用三部雷达观测同一批空情目标，会得到三个不同的航迹，这就需要用很复杂的技术方法进行航迹融合。融合好了，航迹精度会比单部雷达高，融合不好，航迹精度反而比单部雷达低。

所以说，并不是传感器越多精度就越高，“多传感器信息融合”的能力才是关键，如果能力不够，效果反而更糟。

某国外著名新能源车采用的是“纯视觉方案”，其实就是只戴一块表，避开了“多传感器信息融合”的难题，成本低这头先占上了，而且现阶段的识别能力更稳定。

从长远看，汽车的多传感器信息融合是必然趋势，但现阶段的能力还有待观察。

回到墓地鬼影事件，厂家的解释是“采用的是激光雷达和视觉摄像头融合感知，受限于当前市场传感器识别能力的局限性，出现了识别偏差”。

当前市场传感器的性能是一致的，激光雷达和视觉摄像头融合感知也是各厂家的普遍做法。如果其他厂家在相同场景不出现鬼影的话，那问题就出在了“多传感器信息融合”方面，而不是传感器性能本身。

通过传感器识别车外目标，并通过车载电脑显示出来，这需要对车外目标进行模式识别，“模式识别”是人工智能的重要内容，也是近年来很热门的研究方向。

车外环境目标大体有六种，分别为卡车、大客车、小客车、摩托车、自行车和行人。

如果传感器的探测规则是：高度 1～2.5 米，宽度 ＜1 米，速度 ＜2 米/秒，就判定为行人，而不是卡车等其他五种目标。

这是一个很合理的模式识别方法，但样本只有 6 个，空间实在是太小了。如果按照上述的规则，路边的垃圾桶、邮筒都会被显示成行人。

好比是一个人只见过苹果和香蕉，你给他橘子、鸭梨、石榴，他都会判定为苹果。很明显，墓地墓碑等景物，并没有被该厂家纳入到样本空间。

除了样本空间要大，还要增加一个“负逻辑”。

以行人为例，不仅要有符合哪些标准就可以判定为行人的正逻辑，还要有符合哪些标准就可以判定不是行人的负逻辑。

例如，路边有个塑料的衣服模特，高度、宽度、速度都符合行人标准，但它没有头，就可以判定它不是行人。没头的就不是行人，这就是一条很重要的负逻辑。

那该如何改进呢？有简单和复杂两种方法。

简单方法就是提高判决阈值，即在原有基础上，缩小判定为行人的数值范围，墓碑等就不会被显示成行人了，但有些正常行人就会显示不出来了。

这就是通过提高“漏报率”的方法来降低“误报率”，本质就是拆东墙补西墙，这种简单方法不是正路。

复杂方法，就是不断提高“多目标信息融合”和“模式识别”的能力，不断增加样本空间，不断充实正负逻辑，从而从根本上提升目标识别的能力。

这是一条艰辛的道路，但它是能获得真正技术进步的正路。

关键词：