侵权投诉
当前位置:

OFweek新能源汽车网

汽车电控

正文

特斯拉自动驾驶事故频出 车主怒斥拿命跑数据

导读: 曾经广受推崇的特斯拉,正在走下神坛。因为该减速时突然加速、莫名其妙地急刹车、追尾、“撞墙”、死机、断轴等问题频发,一些被“伤透了心”的特斯拉老车主开始“粉转黑”。

专家解读

针对调查中遇到的问题,《建约车评》还请教了清华大学计算机系教授邓志东、360车联网安全实验室主任刘健皓、地平线创始人余凯、主线科技创始人张天雷、Innovusion创始人鲍君威及禾赛科技创始人李一帆等多位业内专家,得出的结论如下:

1.静态障碍物无法识别

对车主及“用户手册”里面提到的特斯拉经常无法识别静态障碍物的问题,余凯、李一帆等业内人士的解释是,毫米波雷达是基于多普勒效应(当发射源与接收体之间存在相对运动时,接收体接收的发射源发射信息的频率与发射源发射信息频率不相同),如果没有相对速度,检测是比较难的。

但邓志东教授的解释则与此不同。“所谓静态障碍物只是相对于路面是静止的,相对于后面的自动驾驶汽车,它仍然是相对运动的。不管使用摄像头、激光雷达还是毫米波雷达,任何传感器的测量都有噪声,更何况自动驾驶汽车本身还存在着导航误差。靠这些去实时估计前方障碍物的速度是否为零或是否静止,实际是不可能完全准确的。“

邓志东认为,与人类驾驶员、激光雷达相比,毫米波雷达的测量噪声最大,对运动参数的估计最不准确。“由于动、静态障碍物判断不准确,当运动参数估计出现较大误差时,就很有可能触发非正常的‘在该减速时突然加速’现象。障碍物检测与运动参数估计算法目前还不成熟。”

李一帆、鲍君威和张天雷均认为,如果加上激光雷达,“探测失灵”的概率将会大幅度下降。

根据李一帆的解释,雷达/激光雷达的探测能力受波长影响很大,波长太长的话,探测性能就会受到制约。通常,激光雷达的波长是nm级,而毫米波雷达的波长则是mm级。

鲍君威说,根据他们做的多次试验,“可以确定的是用激光雷达,尤其是Innovusion图像级的激光雷达Hi Def,静态动态我们都能探测到障碍物在那,即使不能认出具体是什么东西,但也知道它在那,不会让车撞上去。”

张天雷认为,特斯拉要从L2过渡到L4,激光雷达是必不可少的。“在L4的整体架构下,高精地图、多传感器融合、智能决策等等模块结合在一起,就会避免很多这些问题。”

事实上,特斯拉应该也早已意识到了这个问题。尽管马斯克曾经口口声声说不会用激光雷达,但在2016年5月份的那次致命事故后不久,特斯拉就被爆出正在“偷偷摸摸地”在自己的车上装上Velodyne激光雷达搞测试呢。也有可能,用激光雷达测速,早在事故发生前就开始而已,只是当时没被发现而已。

还有一个不太引入注目的消息是,马斯克于2014年参与了固态激光雷达公司Quanergy的天使轮融资。不要以为这只是“财务型投资”。据 Quanergy 公司中国区负责人在一次论坛上透露,Elon Musk 本人经常会到访 Quanergy 位于美国硅谷的总部,并和他们一起聊自动驾驶未来的发展。

可以断定,马斯克就是在等机会,一旦固态激光雷达技术成熟并且价格也可承受,特斯拉应该就会采用。

2.无法识别石墩

至于石墩无法被识别出来,就不仅仅是因为它“静止”了,而且,还因为数据库里没有这个模型。

360车联网安全实验室主任刘健皓说:“首先要明确静态障碍物是什么,毫米波雷达对不同的障碍物的感知能力是存在差异的。检测汽车比较容易,但对石墩、锥桶这种形状不规则的障碍物,即便检测到了,由于算法的数据库中没有对应的模型,也无法显示在HMI(人机交互界面)中。“

刘健皓认为,做自动驾驶算法的多是高校和研究机构的专家,真正来自产业界的人很少。这些高校里的人虽然能做出很优秀的算法,但由于对具体的驾驶场景了解不够,导致在实际环境下的“障碍物数据库”还不够丰富。

对无法识别石墩、石柱子这种问题,刘健皓给出的对策是:完善模型数据库,改进算法。

实际上,数据库里没有石墩子的模型,这可能是“不了解中国国情”的车企才会遇到的问题。出事车辆Model S上用的处理器是Mobileye的EyeQ 3,但EyeQ3的模型训练多主要针对欧美路况,所以对于中国的道路检测准确度会下降也是正常。

相比之下,地平线、小鹏汽车等公司都强调,自动驾驶的算法设计“特别针对中国的道路场景”。在中国的道路上,石墩是很常见的,我们可以预测,待地平线的芯片应用在量产车上时、待小鹏汽车批量上路时,石墩检测将不再成为一个问题。

3.自动刹车

关于自动刹车,刘健皓和邓志东都认为,系统并不会无缘无故地自动刹车,肯定是传感器把它“看到”的什么东西误读为障碍物了。业界将这种现象称为“误检”。所有的自动刹车,都是由“误检”引起的。

为了对特斯拉的自动驾驶安全系统进行研究,刘健皓的团队曾经在2016年“黑进”其系统,干扰传感器的工作。当时,他们远程蔽掉一个超声波传感器,导致车上的其余11个超声波传感器也停止工作。

结果,前面明明没有车,但传感器却检测到有一辆车,强制车辆停下,急刹车;或者,在倒车时,明明后面没人,但传感器检测到后面有人,让倒车无法进行。这就是发生了“误判”。

通过这项研究,360汽车安全团队给特斯拉提交漏洞,证明了其传感器不可靠,这就有了后来的Autopilot 2.0版——计算平台从EyeQ 3改为PX 2,摄像头也由1个前置摄像头改成8个环视摄像头。

当然,即便是没有黑客入侵,误检的问题也会经常出现——被探测物体的材质特殊、形状不规则,或者是传感器的“噪声”等原因所致。

特斯拉(中国)官网上在2016年9月发的一篇文章中说,任何凹型的金属表面不仅仅会反光,更会将反射信号放大数倍,进而导致误检。“比如,一个丢弃在公路上的易拉罐,如果凹状瓶底朝向车头,就会被显示成为一个大型的危险障碍物”。

邓志东举例说,“比如,高速行驶的时候,在上下桥梁处偶尔会因路面出现的“噪声”等造成误检,以为前方出现了“障碍物”,于是就开始自主刹车。这种错误,毫米波雷达相对会更经常出现。”

与误检现象相对应的另一个问题是漏检。将漏检做到0,是自动驾驶汽车上路时所必须满足的基本指标;但同时还要将误检做到0,就相当于障碍物检测100%可靠,这是不太可能实现的。

偶尔刹刹车,虽然会让人感到不舒服,但也不至于有灾难性后果——因此,无人车就遵循“宁可枉杀千人,不可使一人漏网”的策略,可以允许误检,但决不能漏检。

误检的危害性:1.会出现一些莫名其妙的急刹车,影响乘坐体验;2.自动驾驶汽车由于误检自动刹车,如果后面是人类驾驶的汽车,而且没有及时刹住车,则前面的自动驾驶汽车便可能被追尾。

如何降低误检率?

特斯拉官网那篇文章中提到的做法是——拥有更为详细的点云数据。为了获取更详细的点云数据,特斯拉采取了以下几招:

1.)在2016年9月将Autopilot的软件系统升级到8.0版,对现有硬件进一步挖掘,让雷达可以探测到的周边物体(数量)达到以前的六倍,并且有能力在每一个物体上获得更多细节信息。

2.)整合每隔0.1秒获取的雷达快照,汇编成为现实场景的"3D"影像。(通常)通过单一影像帧,很难知道物体是移动的,静止的,或者只是反光造成的虚像;而通过比较包含车辆速度、预期轨迹信息的连续影像帧,则可以分辨前方物体是否是真实的,同时预估发生碰撞的概率。

3.)通过机器学习功能标定出那些容易误导传感器(雷达)的场景,将其添加进“白名单”。

邓志东给出的两条建议是:

1.)建立数据库  把容易出现误检的场景列举出来形成白名单,以后直接“放行”。这条跟特斯拉目前的做法是一样的。

2.)多传感器融合  误检的问题,采用单一传感器是不可能彻底消除的。但采用噪声水平更低的激光雷达和摄像头进行多传感器融合,误检率会降低。

<上一页  1  2  3  4  5  6  下一页>  余下全文
声明: 本文系OFweek根据授权转载自其它媒体或授权刊载,目的在于信息传递,并不代表本站赞同其观点和对其真实性负责,如有新闻稿件和图片作品的内容、版权以及其它问题的,请联系我们。

我来说两句

(共0条评论,0人参与)

请输入评论

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号