蘑菇說：人類駕駛員可以輕輕松松辨別前方的白色大貨車和遠方的云朵，但這一簡單的場景或許會難倒一輛“武裝到牙齒”的自動駕駛汽車。判斷錯誤的后果很可能是一場車禍。

迄今為止，沒有人造系統可以媲美人類眼睛及大腦的圖像處理能力。工程師們嘗試在自動駕駛車輛上安裝多種配置，盡可能地讓車輛準確感知外部環境。

在自動駕駛車輛的傳感系統中，攝像頭、超聲波探測器（即俗稱的“倒車雷達”）、毫米波雷達是最常見的幾個配置。

只采用攝像頭等幾種常見傳感器可能并不那么靠譜，起碼現階段是這樣。智能網聯車輛通過攝像頭拍攝的二維圖片來識別周圍的環境，這背后需要算法支撐，算法像是人類的大腦。

這套系統不能保證100%正確識別，比如對于各種“沒見過”的事物，車輛可能會“大腦一片空白”。如果車輛所處的環境太亮、太暗、太復雜，系統同樣可能會識別錯誤。

一個穿著布偶服裝的行人，一輛夸張的改裝車，甚至一輛普普通通的白色大卡車都可能讓車輛產生錯誤判斷。

據不完全統計，全球范圍內已經發生過多起智能網聯汽車撞上白色大卡車的事故，其中一些案例中車輛開啟了L2級自動駕駛輔助系統，但其并沒能拯救走神的司機。

曾經有網友做過一個有意思的實驗，把一張白色卡車的圖片導入Photoshop，采用快速選擇工具，把白色卡車的輪廓勾選出來，得到的結果是，有一大片白云也被劃入了勾選框。在Photoshop看來，白色貨廂和天空是一樣的。

你當然可以手動把白色卡車從選區中除去，就像在自動駕駛通用算法的基礎上疊加一層更復雜的算法，但過程非常繁瑣。在自動駕駛感知系統時時刻刻被高頻大量的圖像識別需求“轟炸”下，算法大概率只能將圖像中若隱若現的白色卡車過濾掉了。

目前業內正在通過持續優化算法、布置更多攝像頭形成立體視覺等措施幫助算法認識白色卡車。目前這些技術仍處試驗階段。

與攝像頭共擔大任的雷達傳感器們也有各自的“苦衷”。

首先，用于倒車測距的超聲波雷達對于中遠距離檢測相當無力。

毫米波雷達倒是適用于長距離探測，理應能探測到遠處的白色卡車。但卡車的底盤常常離地間隙非常大，尤其是半掛式卡車。一部分毫米波很容易直接從箱底穿過，形成漏檢。

毫米波雷達對于緩行過馬路的卡車也缺少敏感性。這是由于毫米波雷達需要排除路面橋墩、隔離欄等靜止物體造成的干擾，這被稱為“靜態雜波濾除”。這個過程中，它很可能將停在遠處或緩慢過馬路的白色卡車也過濾掉了。

事實上，多數由白色卡車造成的自動駕駛事故中，確實有不少卡車在事故前處于側翻靜止狀態。

圖像傳感器和依賴電磁波的傳感器不擅長的，卻難不倒激光雷達。激光雷達采用激光探測及測距技術來構建車輛所處的三維圖像。這意味著激光雷達對于障礙物的距離和3D輪廓感知更精準。

但激光雷達擺脫不了天然的物理感知距離極限。

假設一個激光雷達垂直角分辨率是0.3度（雷達發射光束相鄰兩個點之間的夾角），它對百米外一位身高1.7米左右的成年人的識別點不超過6個。這就很難準確勾勒出物體的輪廓。更不用說體型龐大、奇異的各種半掛卡車了。

“攝像頭+電磁波傳感器+激光雷達傳感器”互補確實能滿足99.99%的駕駛場景，但總會有白色卡車（有時還側翻）這種罕見的情況。

那么，如果讓白色卡車直接告訴自動駕駛汽車，讓后者提前知道這里存在一輛占據了兩個車道的異型車，問題是不是就迎刃而解了呢？

一些自動駕駛公司正嘗試借助車路協同技術（V2X）中的車車直連通信，幫助車輛及時、準確獲取中遠距離信息。

在實際應用中，蘑菇車聯走得更遠。其“車路云一體化”的自動駕駛系統不僅有車車直連，還有200米外的路側預警以及云端數公里外的遠距離信息預警。這一方案理應為未來的自動駕駛大規模落地帶來更多安全性。

責任編輯：haq