智駕的“達摩克利斯之劍”終究還是落下了。
近日，安徽銅陵德上高速一場致命事故讓公眾和媒體關(guān)注的一切焦點都指向了智能駕駛。之后，有網(wǎng)友途經(jīng)安徽高速時發(fā)現(xiàn)警示牌改成了“高速路況復(fù)雜，勿用智能輔助駕駛”。
智駕技術(shù)的迅猛發(fā)展，正在改變?nèi)藗兊某鲂蟹绞健?024年，中國乘用車L2級及以上自動駕駛的滲透率達55.7%,中國電動汽車百人會副理事長兼秘書長張永偉預(yù)計這一數(shù)字到2025年可能會接近65%。
然而，當(dāng)智能汽車駛?cè)肭Ъ胰f戶，技術(shù)的“烏托邦”承諾卻在現(xiàn)實中一次次被擊碎，也給被熱炒的全民智駕澆了一盆冷水。
全球智駕第一命案
很多人或許早已經(jīng)忘了，距離全球智駕第一次命案發(fā)生，已經(jīng)過去了足足9年。
2016年5月7日，在美國佛羅里達州，40歲的Joshua Brown在駕駛特斯拉Model S時啟用了Autopilot系統(tǒng)，但在陽光直射下，Autopilot未能識別到一輛橫穿馬路的白色大貨車，導(dǎo)致車輛以約117公里/小時的速度撞上了卡車，低矮的車身直接鉆到卡車掛車底部，Joshua Brown不幸身亡?。
這是美國首例涉及汽車智能駕駛功能的交通死亡事故，也是全球智駕第一命案。美國國家公路交通安全管理局（NHTSA）的調(diào)查報告顯示，發(fā)生撞擊時，車輛的Autopilot自動駕駛系統(tǒng)正處于開啟狀態(tài)，由于受到強烈光照干擾，系統(tǒng)未能正確識別出白色車身的卡車，誤將卡車判定為路標，剎車功能沒有及時啟動，車主也沒有采取剎車、轉(zhuǎn)向或其他動作避免撞車，從而導(dǎo)致事故發(fā)生。這次事件促使特斯拉對Autopilot系統(tǒng)進行了改進，并加強了相關(guān)功能的測試和驗證?。
而國內(nèi)，由智駕引發(fā)的安全風(fēng)險也不在少數(shù)。今年2月，浙江溫州車主曾發(fā)文稱，在高速上使用智駕時，系統(tǒng)未識別路障桶撞上施工車險些側(cè)翻。3月20日，高速交警高密大隊接到報警稱，駕駛員駕車行駛至青銀高速青島方向84公里處發(fā)生事故。經(jīng)調(diào)查，該車駕駛員開啟了車輛的智駕功能，而車輛智能駕駛功能對于錐桶的識別能力較弱，同時該駕駛員分心駕駛，疏于觀察路面，致使該車輛行駛至該施工路段時撞上施工單位的錐桶。
中國電動汽車百人會副秘書長師建華表示，2024年L2級輔助駕駛滲透率超過了55%，NOA滲透率達到11%，消費者對汽車智能化的需求不僅是“有沒有”，而轉(zhuǎn)向了“好不好用”的階段。從未來看，端到端的智能駕駛（城市NOA）也會加速普及，預(yù)計今年滲透率將達到20%。
智能駕駛的萌芽可以追溯到1920年代，但商業(yè)化始于特斯拉，其于2014年推出了Autopilot系統(tǒng)，這是首款量產(chǎn)車搭載的L2級智能駕駛系統(tǒng)。
智駕系統(tǒng)首先是通過多種傳感器實時收集周圍環(huán)境信息，一般包括激光雷達、毫米級光波雷達、可見光攝像機、加速度傳感器等，以獲取車輛周圍的圖像、聲音、深度和距離等信息。
基于環(huán)境感知結(jié)果，智駕系統(tǒng)運用高級算法進行路徑規(guī)劃，并在不同情境下做出決策，這些決策包括但不限于避障、遵守交通規(guī)則、變換車道、停車或加速等，并最終轉(zhuǎn)化為具體的車輛動作指令，通過電子控制系統(tǒng)，發(fā)送給汽車的動力系統(tǒng)、制動系統(tǒng)、轉(zhuǎn)向系統(tǒng)等，從而完成智能駕駛輔助。
輔助駕駛商業(yè)化至今時間并不長，雖然它正成為很重要的競爭力，但不可否認的是，其智能化程度距離人們的期望還有較大差距，效率與安全的天平仍難平衡，這也是全球各國政策對輔助駕駛?cè)猿直Ｊ貞B(tài)度的重要原因。
智能駕駛的灰區(qū)和死角
當(dāng)智駕技術(shù)被車企賦予“完美”的光環(huán)，人們往往會忽略技術(shù)的本質(zhì)仍然只是操作工具。目前，智駕技術(shù)存在的主要局限包括算法局限、感知局限以及人機交互的響應(yīng)時差等問題?。這些局限導(dǎo)致了智駕系統(tǒng)在復(fù)雜場景下的表現(xiàn)不如預(yù)期，甚至可能引發(fā)安全事故。
首先，算法缺陷?是智駕系統(tǒng)面臨的一個重要問題。當(dāng)前大多數(shù)智駕系統(tǒng)仍處于L2-L3級別的輔助駕駛階段，主要依賴高精地圖和固定規(guī)則進行決策，對于臨時施工、極端天氣等動態(tài)場景的處理能力有限。
此次交通事故正是由于施工修繕，自車道用路障封閉，車輛需改道至逆向車道，由于在施工改道場景下未能識別逆向車道的水泥隔離墩?，導(dǎo)致碰撞事故?。這類非常規(guī)路況的“長尾”場景正是當(dāng)前L2級智駕的短板。
其次，?感知局限?也是一個顯著問題。智駕系統(tǒng)主要依賴攝像頭和雷達進行感知，但在復(fù)雜環(huán)境下可能無法準確識別障礙物。
目前，智駕環(huán)境感知的主要手段是純視覺算法或視覺+激光雷達。
純視覺算法將攝像頭作為主要硬件設(shè)備，相對激光雷達而言成本低廉，這使得搭載純視覺算法的智能駕駛方案在大規(guī)模應(yīng)用時更具成本效益。視覺系統(tǒng)能夠捕捉到豐富的紋理、顏色等信息，對于識別交通標志、車道線、行人面部表情和車輛外觀等具有天然的優(yōu)勢，可以為自動駕駛車輛提供大量的語義信息。
但是，純視覺算法受環(huán)境影響較大，在特定天氣條件下，如暴雨、濃霧、大雪、強光直射、反光等，圖像質(zhì)量會嚴重下降，導(dǎo)致識別精度降低甚至失效，以及在出隧道、地下車庫等光線劇烈變化的場景下需要復(fù)雜的光學(xué)號處理，影響對道路和周圍物體的識別。
有數(shù)據(jù)顯示，智駕系統(tǒng)在雨霧天氣的障礙物識別準確率下降42%，AEB（自動緊急制動）響應(yīng)距離縮短37%。
深度感知能力有限和對遮擋敏感也是純視覺的短板。當(dāng)物體被部分遮擋時，純視覺算法可能無法準確識別整個物體，從而影響對場景的理解和判斷。
激光雷達是一種用于精確獲得三維位置信息的傳感器，通過發(fā)射和接收激光束，獲 取空間的位置點信息（即點云），并根據(jù)這些信息進行三維建模，可以確定目標的位置、 大小、外部輪廓等。
它與其它傳感器互為補充，可以很好地彌補純視覺方案下的缺點，直接獲取三維信息，同時純視覺方案仍具有瓶頸，且需要大量數(shù)據(jù)積累和處理，以及強大的算力算法支持，激光雷達則可以大幅提升車輛對于周圍環(huán)境感知的準確度，降低高等級智能駕駛對算法的要求，是智能駕駛?cè)诤细兄桨覆豢扇鄙俚囊画h(huán)。
不過，常規(guī)激光雷達在側(cè)向感知方面仍然存在不足。以常規(guī)激光雷達水平視場角為120°計算，相鄰車道車輛超車切入在車頭超過3.5m時才能探測到，極易發(fā)生剮蹭。
其次，激光雷達對低矮物的探測感知不足，由于主激光雷達垂直視場角的限制，存在著前向3m~7m的視覺盲區(qū)，對于側(cè)面矮小障礙物和移動物體，智駕系統(tǒng)無法感知。此外，激光雷達對道路周邊靜態(tài)物識別不足，在車道線模糊的路段，容易規(guī)劃出波動較大的軌跡線，影響駕駛體驗。
此次事故中的車型采用雙目純視覺智駕方案，目前業(yè)界主流的雙目視覺智駕方案最大可探測距離約在200米左右，顯著低于三目攝像頭視覺方案（約300米-350米）或激光雷達（約250米-500米）的有效探測距離，這也導(dǎo)致事故中從智駕報警提示駕駛員接管到車輛僅有短短2秒。
異形障礙物識別缺陷也是智駕的一大挑戰(zhàn)。對于臨時路障、水馬、消防栓等非標準物體的識別，智駕系統(tǒng)容易存在盲區(qū)。純視覺方案依賴圖像語義分割，對不規(guī)則物體的特征提取存在誤差；而多傳感器融合則可能因數(shù)據(jù)時空對齊問題導(dǎo)致誤判。
?人機交互的響應(yīng)時差?也是一個重要問題。德國全德汽車俱樂部的測試結(jié)果表明，駕駛員平均需2.3 秒才能完成有效接管，高速公路場景下這一時間甚至延長至2.6秒。不同駕駛?cè)藛T情況也不相同，部分駕駛員可能因疲勞、分心或注意力不集中而導(dǎo)致接管延遲。
清華大學(xué)車輛學(xué)院教授李升波也指出，駕駛員從“感知異?！钡健巴瓿赊D(zhuǎn)向+制動”的平均反應(yīng)時間為2.6秒，而當(dāng)前主流L2級自動駕駛在突發(fā)場景下留給用戶的接管時間僅有1.5秒-2秒。
現(xiàn)在有針對L3級自動駕駛的TTC（碰撞時間，計算車輛與前方障礙物發(fā)生碰撞所需的時間）國際標準，要求智駕系統(tǒng)從發(fā)出預(yù)警到駕駛員成功接管應(yīng)有10秒的TTC時間。但對于L2+輔助駕駛沒有強制性要求。
不過，要在高速場景實現(xiàn)10秒的TTC時間相當(dāng)困難，這意味著智駕系統(tǒng)需要提前10秒就檢測到障礙物并告知駕駛?cè)耍挚简炣嚻蟮母兄芰?。假如時速達到100km/h以上，智駕系統(tǒng)要提前300到400米識別到障礙物才能滿足要求，目前只有高線束激光雷達能實現(xiàn)300米以上的探測距離，普通乘用車一般不會搭載。
同時，田豐指出，目前大多數(shù)車企的智駕系統(tǒng)都未能達標——以120km/小時的時速計算，僅依賴毫米波雷達的系統(tǒng)從識別到剎停的理論極限時間僅6秒，存在4秒的安全缺口。
從智能駕駛主要的兩種技術(shù)路線看，一些技術(shù)缺陷目前仍然難以有效根除。
一種是“規(guī)則派”。汽車的感知、決策、執(zhí)行都依賴人類工程師預(yù)先編寫好的規(guī)則，這些規(guī)則存在于一行行代碼中，代碼數(shù)量會多達數(shù)十萬行。
這個流派的主要缺陷有兩種。一是會面臨無窮無盡的“長尾問題”。在現(xiàn)實環(huán)境中開車，會面對各種各樣的場景，就算模型中預(yù)設(shè)好了99.9%的規(guī)則，剩下的0.1%罕見場景還是無法合理應(yīng)對，導(dǎo)致智駕仍有大量潛在風(fēng)險。
二是代碼錯誤。人類工程師編寫代碼難免出錯，在幾十萬行的代碼中不可能沒有錯誤代碼，你不知道那些隱藏著的錯誤代碼什么時候會“爆雷”，引發(fā)車輛失控等嚴重后果。
另一個流派是Transformer。在過去5年中，Transformer深度學(xué)習(xí)構(gòu)架徹底改變了人工智能。Transformer開啟了生成式AI新時代，現(xiàn)在那些備受推崇的AI模型和產(chǎn)品——聊天機器人ChatGPT、圖像生成工具Midjourney、視頻生成工具Sora等等，都是基于Transformer構(gòu)建的。
在智能駕駛領(lǐng)域，視覺Transformer也公認是最有前途的研究方向，特斯拉2021年發(fā)布的FSD應(yīng)用了Transformer架構(gòu)，國內(nèi)很多廠商也隨后加入這一賽道。
Transformer看上去前途無量，但也遠談不上完美。它效率更高，擴展性和通用性更好，但訓(xùn)練模型需要消耗巨量的算力，特斯拉擁有的算力已經(jīng)是其它車企的數(shù)倍，但這遠遠不夠，成為智能駕駛一道難以逾越的門檻。
另一個障礙是“黑盒問題”?；赥ransformer的模型都是“黑盒”，它們的內(nèi)部運作過于復(fù)雜和不透明，人類無法準確理解它們的行為方式。這也就意味著，如果模型偶爾輸出了一個異常結(jié)果，人類也束手無策。
“黑盒問題”可能會讓ChatGPT說出一句不著四六的話，也可能讓Midjourney輸出一張古怪的圖像，你可以對這個結(jié)果付之一笑。但如果汽車智駕系統(tǒng)突然出現(xiàn)幽靈剎車、意外加速、錯誤轉(zhuǎn)向，誰能笑得出來？
Transformer也許能把汽車自動駕駛帶上金光大道，也許它也只是個過渡性技術(shù)，一切尚未明了。
這些現(xiàn)實技術(shù)缺陷折射出當(dāng)前智駕落地的共性風(fēng)險——系統(tǒng)和算法在99%常規(guī)場景表現(xiàn)穩(wěn)定，卻在1%的邊緣場景突然失效，而這1%的系統(tǒng)誤判或功能失效可能導(dǎo)致100%的風(fēng)險。
技術(shù)神話的祛魅與反思
為了強化智能駕駛的科技感，很多車企拋棄了國際標準中的級別宣傳，故意模糊或混淆了“智能駕駛”“自動駕駛”“輔助駕駛”的概念邊界，另辟蹊徑找到了諸如NOA（導(dǎo)航輔助駕駛）、NOP（領(lǐng)航輔助）、NGP（自動導(dǎo)航駕駛）、NCA（城市智能駕駛）等花樣繁多的智駕系統(tǒng)名稱。
更有甚者，不少車企為了彰顯自家品牌產(chǎn)品應(yīng)對復(fù)雜路況的能力，創(chuàng)造了“車位到車位”“L2.999/L2++”等技術(shù)賣點營銷詞語，并刻意營造出“全程零接管”“解放雙手”等假象，以塑造品牌在智駕技術(shù)上的領(lǐng)先形象。
事實上，這類宣傳本質(zhì)上是在規(guī)避智駕級別的嚴格定義。包括特斯拉FSD在內(nèi)的諸多系統(tǒng)命名，實際上既不符合國際慣例，也不符合行業(yè)標準，本質(zhì)上都是車企的市場營銷手段。
根據(jù)國際汽車工程師協(xié)會（SAE）的自動駕駛分級標準，L2級屬于“人機共駕、駕駛員全程主導(dǎo)”。也就是說，L2級系統(tǒng)借助全速自適應(yīng)巡航、車道保持、自動泊車等功能輔助駕駛，但駕駛員需全程監(jiān)控路況，雙手不能長時間離開方向盤，屬于部分自動駕駛。
而L3級是“系統(tǒng)主導(dǎo)，駕駛員有限脫離”。在特定環(huán)境（如封閉的高速公路）下，L3級系統(tǒng)可完全接管駕駛?cè)蝿?wù)，不過一旦系統(tǒng)發(fā)出接管請求，駕駛員必須立即響應(yīng)?？梢姡琇3級自動駕駛并非完全自動駕駛，而是“有條件的自動駕駛”，它與L2級的核心差異體現(xiàn)在駕駛?cè)蝿?wù)的主導(dǎo)權(quán)上。
值得注意的是，在自動駕駛各級別中，L3正是車輛駕駛權(quán)變更的關(guān)鍵分水嶺。根據(jù)工信部《汽車駕駛自動化分級》，L3級僅允許在特定場景下由系統(tǒng)接管，駕駛員仍需隨時準備接管。北京等地通過立法明確，未配備駕駛員或安全員的L4級車輛，事故責(zé)任由車輛管理者承擔(dān)，但L3級仍以駕駛員為主責(zé)。
從人類駕駛到智能駕駛是一個漸進的過程，而我們現(xiàn)在正處于這個過渡期。這種過渡期的特殊性，導(dǎo)致了嚴重的認知錯位——技術(shù)尚未成熟，消費者卻誤以為已經(jīng)實現(xiàn)；個別企業(yè)的突破，被誤解為行業(yè)的普遍水平。此次事故正是這種認知混亂的典型寫照。
對于智駕技術(shù)，各家車企只重點強調(diào)它的正面功能，而不談其邊界在哪里，以及在什么場景下不推薦使用智駕。比如這次事故，純視覺方案加上時間在半夜，還是高速上，這種情況下不太適合使用智駕，如果要用的話就要一直盯著前方，雙手也不能離開方向盤。但是對于普通消費者來講，可能并不知道這些使用細則。
值得注意的是，德上高速的道路修繕改道，并非突發(fā)狀況。倘若能將這類路側(cè)信息傳遞給車輛，讓車輛提前了解前方路況，而非等到傳感器探知后在緊迫環(huán)境下才做出反應(yīng)，那么這類悲劇或可避免。
對于如何優(yōu)化接管時間，當(dāng)前智駕對于障礙物的響應(yīng)速度一方面取決于更好的硬件（如更高清的攝像頭、更好的激光雷達）以及算法迭代，例如占用網(wǎng)絡(luò)等技術(shù)使用，從而提升對異形障礙物識別能力。
另一方面，探索物理AI、感知大模型、多傳感器融合等技術(shù)的綜合應(yīng)用，以及有效的路側(cè)信息發(fā)送機制意義重大。通過將路側(cè)攝像頭、車載雷達、激光雷達等多種傳感器的數(shù)據(jù)進行整合，并對交通環(huán)境動態(tài)數(shù)據(jù)進行實時分析，從而提供更全面、更精準的交通環(huán)境感知，有助于車輛根據(jù)當(dāng)前交通態(tài)勢做出合理決策。同時，通過把路障位置、作業(yè)改道等信息上傳至云端平臺，并推送至車輛，實現(xiàn)車輛、路側(cè)與云端的三端聯(lián)動，可以大幅降低交通事故發(fā)生概率 。
過去9年間，隨著智駕技術(shù)越來越先進，不僅能夠適應(yīng)更多路況，也能夠展現(xiàn)出更類似于真人的駕駛能力。但我們要清楚的是，智駕系統(tǒng)只是看到了龐雜交通體系中的“局部真相”，難以覆蓋所有長尾場景，不時也會發(fā)生誤判、失效等風(fēng)險。作為一個理性駕駛者，應(yīng)該懂得如何把握技術(shù)便利性與安全性之間的尺度。
這場悲劇讓人想起《流浪地球》里的一句臺詞：“沒有人類的文明毫無意義”。如今，再回看王傳福的那句：“安全是電動車最大的豪華，智駕是安全出行最強的守護”，或許有了更多的意味。汽車的根本屬性是交通工具，把乘客安全送達目的地是終極目標。當(dāng)安全這個“1”蕩然無存，后面再智能的系統(tǒng)也將變得毫無價值。
真正的智能駕駛革命，不在于參數(shù)競賽與資本游戲，而在于對生命的敬畏，唯有將生命權(quán)置于技術(shù)敘事之上，智駕才能真正從營銷噱頭進化為社會福祉。否則，每一次事故，都在擊穿公眾對智駕的信任底線，最終將演變成壓垮行業(yè)的最后一根稻草。
熱門跟貼