1162
作为出行工具，汽车正成为“四个轮子的超级计算机”，当然也可能是横冲直撞的两吨多钢铁！
8月14日晚，“美一好”公众号发布讣告称，美一好品牌管理公司创始人林文钦（昵称“萌剑客”）于2021年8月12日下午2时驾驶蔚来ES8汽车启用自动驾驶功能（NOP领航状态），在沈海高速涵江段发生交通事故，不幸离世。此次事故是由ES8追尾公路养护车导致。事件情况报道很多，不再赘述，只想解析一下为什么会发生这样车毁人亡的悲剧。以下内容均为技术分析与探讨，事故最终结果以官方报告为准。
大意失的何止是荆州！
首先我们不能不为车主的自负疏忽而惋惜，你失去的何止是一辆车，而是生命的代价。无数悲剧说明，现在自动驾驶技术还不成熟。
被大多数主机厂奉为造车新势力神明的特斯拉，其FSD意为“full self-driving（全自动驾驶）”；其Autopilot套件意为“自动辅助驾驶”（“辅助”是2016年8月事故后添加）。其实，主机厂根本就不应该使用“自动”这样的文字游戏来标榜辅助驾驶功能，去误导消费者！
所谓“自动”，是指不用人力而用机械、电气等装置直接操作或自己主动操作。所以“自主驾驶”、“无人驾驶”在目前都是无稽之谈！
面对造车新势力咄咄逼人的态势，许多主机厂老总在各种场合都经常讲：“我们的智能驾驶，去年就已经实现了L3，在试验场全程完全没有人工干预。”注意，是“试验场”，那么在完全开放的真实场景呢？用脚去想都知道那是天壤之别！试验场人为设置的障碍物、情境不可能包罗万象，要不就不叫“试验场”了。
所以，消费者千万不要因为主机厂的一段老总自驾视频（蔚来也有）而忽略了当前技术的发展现状，何况绝大多数车主都不是车圈內的人，技术水深莫测啊！
特斯拉全程自动驾驶无干预视频
奇葩的是，这次事故与蔚来官方NOP用户手册中强调的两个场景几乎完全吻合：
①NOP无法对人、动物、交通灯及静态障碍物（如高速收费站、路障、三角警示牌等）做出反应。
②本车与前车相对速度大于50公里/小时，如前车静止或缓行，Pilot（NOP的基础功能，两者纵向控制是一套算法）存在无法刹停的风险，出现上述情况，请立即退出Pilot，切勿在上述情况尝试Pilot对静止车辆刹停或跟停前车。
问题来了：对这么多障碍物无法做出反应；在高速上速度肯定大于50公里/小时，前车减速刹停怎么办？当然可以马上接管，重要的是还要马上刹停。这驾驶者必须训练有素才行。看来，此次事故的驾驶者并没真正理解什么是Pilot。
退一步讲，以现在的情形，即使你目不转睛盯着路面，在撞向前方物体的瞬间，谁能保证不会一时惊呆，有没有让你打方向的机会？
为什么静止物体成天敌？
蔚来ES8全车搭载23个传感器，是少数几款“武装到牙齿”的自动辅助驾驶L2级车型，官方称其具有全栈自动驾驶能力。2020年10月，蔚来OTA更新推送的2.7.0版NOP自动驾驶辅助系统和特斯拉的Autopilot功能相似。传感器包括1个前向三目摄像头（相当于3个摄像头）、4个环视摄像头、5个毫米波雷达、12个超声波雷达和1个驾驶员检测摄像头，外加1个Mobileye EyeQ4处理器。
其中，自动驾驶主要依靠三目摄像头，负责识别远距离目标和红绿灯；毫米波雷达负责障碍物速度、距离和角度测量。
蔚来ES8豪华感知系统
此前的ET7有一个激光雷达，ES8没有，去年年底华为激光雷达曾现身ES8测试车，但并没有量产搭载。
不同主机厂的传感器与算力
无独有偶，受限于目前的传感器配置与技术水平，其他开启辅助驾驶功能的类似车辆在前方有静止、缓行障碍车辆或物体时，也发生过类似严重事故。其中比较著名的有：
- 2016年1月，一辆特斯拉在高速以80迈以上速度撞上道路内侧停靠的道路清扫车，车主当场身亡，没有刹车痕迹。
- 2017年2月，一辆特斯拉径直撞向路上的护栏。
- 2020年6月，一辆特斯拉在中国台湾高速公路上钻进了一辆侧翻的大货车顶部。
这样的事故在美国也有，与此次蔚来ES8事故一样，大都天气晴好。
光天化日之下都识别不了前方的庞然大物说明了什么？经与多位专家交流，得到一些可能的答案：
·可能性之一：驾驶系统路测，哪怕是仿真测试里程和场景不足，摄像头和传感器根本就没有见过事故现场这样的东西，也就无从用收集的这类数据去训练机器学习算法，深度学习模型不能对这个物体进行分类，中央计算机更无从对此做出正确决策。按照常理，一般识别的都是车辆后部、侧面、头部，谁能想到要让摄像头和毫米波雷达去辨认一辆躺在路中央的货车车顶呢？抑或能辨认出黄色公路养护车，能不能发现蓝色的垃圾车？
·可能性之二：也许摄像头根本就没有发现前方的物体。在晴好天气环境，本不会对摄像头和传感器造成很大影响，反而是大型的物体，特别是阳光反射下的物体可能无法识别。
·可能性之三：传感器融合可能存在问题，因为即使摄像头没有识别，毫米波雷达也应该能识别障碍物。这说明传感器融合机制不完善，即使毫米波雷达能够对静态障碍物识别且正常制动，但在几个摄像头+1个毫米波雷达的方案中，为了减少AEB（自动紧急制动）误触发，往往会用算法滤掉毫米波雷达识别的静态物体的信号，而以摄像头识别和跟踪目标，毫米波雷达为辅，加上传感器融合逻辑不当，就会忽略毫米波雷达的信息，没有及时提醒系统。
传感器融合是为了安全冗余，它是实现高级别自动驾驶的先决条件，包括：感知冗余、控制冗余、架构冗余、电源冗余、制动冗余和转向冗余，是一个复杂的体系，挑战很多。
·可能性之四：与特斯拉相仿，没有使用可很好代替毫米波雷达的探测范围更广、精度更高的激光雷达，以弥补对周边障碍物无法精准建模的弊端。难怪有人吐槽：蔚来ES8这么贵（比ET7贵2-3万元），没想到连激光雷达都不配，谈何自动驾驶？
为什么NOP刹不住，AEB不启动
林文钦的朋友提供了蔚来App中记录该事故发生之前的行车数据，显示离事发最近一次的驾驶里程为85公里，历时113分钟，平均速度为45.1公里/时、最高速度为114.6公里/时。但问题在于，事发当时的车速是多少？是不是大于85公里/小时？当时林文钦是什么状态？车机有没有发出提示警告？林文钦有没有试图接管车辆的动作？不是有一个驾驶员状态监视摄像头吗？难道没有任何记录？这些问题有了答案，相信整个事故原因就会接近水落石出。
根据蔚来自动辅助驾驶系统设计，无论是否开启NOP，如果系统检测到车辆、行人，在车速低于8公里/小时或大于85公里/小时时，自动紧急制动不会启动。NOP在发现静止或低速物体时所能请求的减速度有限，会提前减速，在减速度不足时，提示驾驶员接管。
·不在系统管控范围：L2的蔚来NOP属于舒适性功能，系统所能够请求的减速度（最大刹车力）有限。即使在碰撞前瞬间，NOP发现前方有静止车辆，刹车力度也不够。蔚来AEB工作范围是8-85公里/小时，车速超过100公里/小时AEB也无能为力。
·感知到前方车辆太晚：如果不是NOP刹车力度不足的问题，还可能是感知系统没有及早发现静止车辆，留给NOP刹车的时间太短，来不及刹停。实际上蔚来ES8搭载的高性能刹车系统，从100到0公里/小时全力制动的刹车距离仅33.8米。能不能全力制动呢？值得探讨。
·算力够不够：蔚来ES8的Eye Q4芯片可提供目前最强的算力。地平线创始人及CEO余凯认为，算力并不代表汽车智能芯片真实性能。以特斯拉公布的数据为例，与上一代英伟达芯片比，其算力增加了3倍，可是真实计算性能提升了21倍，这个真实的计算性能说的是每秒准确识别了多少帧图像。能不能以每秒准确帧数评估Eye Q4芯片呢？
传感器融合逻辑和软硬件集成
上面说过，蔚来ES8事故与特斯拉极其相似。在NOP系统中，主要依靠车头前向长距离毫米波雷达和前视摄像头感知。事故车辆搭载的是博世第四代中距毫米波雷达MRR，算法由博世提供。摄像头感知算法由Mobileye提供，内嵌在EyeQ4中。虽然蔚来ES8是前向三目摄像头，但EyeQ4用的是单目摄像头算法，只有一个摄像头做前方感知，并没有使用双目立体视觉算法。三目摄像头中一个给EyeQ4提供画面，一个是行车记录，另一个是采集训练算法数据。特斯拉也有没有使用三目。
开启NOP时，由EyeQ4和蔚来自主研发的融合算法对目标比对，获得外界感知结果后做出驾驶决策。这是一个与特斯拉一样的视觉系统，通过摄像头识别可行驶区域，感知外界目标，在发现需要避让的目标后，再引入毫米波雷达的感知数据精确计算速度和距离，进而做出驾驶决策。系统中视觉传感器的权重高，毫米波雷达的权重低。即使毫米波雷达先发现了前车，系统也会暂时不动，需要等摄像头的感知结果融合后再采取行动。又因为不同形状、材质的物体反射面积（RCS）都不相同，变量太多的道路场景很难简单通过RCS来确定一个物体的类型。此外，根据毫米波雷达工作原理，多普勒效应最容易感知动态对动态，动态对静态较难感知。测不到前方相对静止的车辆在所难免。那么，关键就在于摄像头是否发现了目标。这就又回到了前面的几种可能性。
测试里程远远不够
如上所述，蔚来ES8三目摄像头中的一个是跑数据的，和特斯拉差不多，都是利用自己的车队跑真实道路积累数据，以此不断训练AI算法，帮助车辆识别目标物，从而实现避障和自主驾驶功能。这样做花费的成本和时间无法想象。
Google旗下Waymo一直研发自动驾驶汽车。2020年10月，其自动驾驶报告显示：21万公里一次事故，严重事故8次，都是其他人类驾驶车辆的锅。
Waymo从2009年起在公开道路上测试自动驾驶系统超过2000万英里。2015年开始完全无人驾驶（没有安全员）路测，2020年年初，完全无人驾驶测试已占到整体测试的5-10%。从2019年初到2020年9月，在凤凰城自动驾驶测试区，Waymo车辆已累积610万英里（982万公里）自动驾驶里程。
除了路测，Waymo每天要做2000万英里虚拟测试，迄今已完成超过150亿英里，路测只占测试里程的0.01%。由此可见，真实可靠的仿真测试数据非常重要，但必须保证数据与真实道路匹配，给传感器提供真实的反馈，这是一个严峻的挑战。
2018年5月，蔚来成为初创公司Parallel Domain自动驾驶虚拟测试软件的第一个客户，据说可在一分钟内自动生成城市街区。不过没有看到后续的进展报道。
要实现自动驾驶，从L2到L3，再到更高级别的L4，所需测试的场景数量呈几何倍数增长，让汽车系统复杂性陡然增加，给自动驾驶测试带来了最大挑战。软件的更新通常是摁下葫芦起来瓢，必须有足够多的测试验证。与此同时，测试需求更是瞬息之间千变万化，留给专业人员的测试时间越来越紧迫。在成本方面，电动汽车功能越来越多，价格却逐年下降，对测试成本有很大影响。随着汽车复杂度的增加，汽车测试成本随之增加，如果不改变传统测试策略，可能难以达到预期的盈利目标。
为了获取真实场景，必须利用数字孪生技术等手段对道路采集的真实数据进行数据重构，再通过平台及完整的软件工具链对数据进行硬件仿真测试，最后还要生态圈携手克服测试挑战。
目前仿真测试的问题在于：缺少高保真度的模型和场景，无法媲美真实采集的道路状况，或保证ADAS在路面和场景中跑的结果一样；很多厂商之间的链路没有打通，不同硬件学习时间成本高；没有出台非常明确的法规，特别是中国的场景库很多都是欧美来的，不适合国情。
专家指出，增加仿真测试是保证自动驾驶安全的重要手段，需要生态圈内很多厂商的协作，利用开放平台共同推动自动驾驶落地。
主机厂过于看中单车智能
宏观方面，是智慧的路，还是智能的车？在业界是有很大分歧的。因为消费者买的是车，所以主机厂都在使尽浑身解数完善单车智能。但仅凭单车智能实现自动驾驶并不能让人放心。
蔚来ES8的传感器配置是目前比较领先的，却也没能阻止危险的发生。如果是智能的车+智慧的路，肯定又多了一道保险。由于通信、安全和功耗的问题，智慧城市和单车智能还没有走到一起。智慧城市规划者和主机厂对解决C-V2X各种问题的工作节奏和技术往往截然不同——尽管这两个世界需要沟通才能发挥作用。
城市地区优化交通对于减少事故至关重要。但是，实现这些目标非常复杂，需要将通信、安全和功率技术落实在道路、交通信号、建筑物和其他结构中，才能实现车辆与车辆及基础设施的通信。
到目前为止，自动驾驶的发展一直以车辆为中心或以监管为中心。如果你的车里有C-V2X，即使能与城市对话，也不能与其他车辆通信，因为市场渗透率很低。因此，汽车方面必须跟进才行。
虽然C-V2X和自动驾驶车辆都在开发，但其实现时间表有很大不同。即使是使用激光雷达的车辆来到十字路口，也不意味着它就是L4或L5自动驾驶车辆，很可能只是L2。事实上，利用C-V2X，很多车辆都可以提供较高级别的驾驶能力，且不会像L4或L5那样昂贵。
回到车辆，它必须运行人工智能推理算法，需要大量训练，同样有许多处理工作。所有这些都要消耗大量能量。这意味着现成硬件组件的想法不切实际，尤其是价格不菲。
可以肯定的是，能够相互交流的智能汽车及其环境为更安全的道路、更高效的旅行和更好的驾驶体验开辟了可能性，但推广需要时间。
亡羊补牢
此次事件让我们悟到：上游供应商包括Tier 1产品与主机厂整车的集成存在一条鸿沟，导致车辆难以实现原来供应商设计产品及主机厂想要达到的性能。
起初，蔚来通过自研在特斯拉之后推出了自动导航辅助驾驶系统NOP，因为没有供应商提供类似技术。上面也提到，蔚来的视觉和毫米波雷达硬件和算法都来自供应商，其自动驾驶系统只能依靠这些软硬件提供的感知结果进行决策，有可能感知系统的误导让系统决策失误，最终酿成了严重事故。
由此看来，在自动驾驶方面，主机厂还是要走全栈自研的路子，把命运掌握在自己手中。
对主机厂而言，现阶段，机器就是机器，技术远未成熟；必须循序渐进，不能以大跃进式营销激发消费者对新技术的好奇心，埋下安全隐患。
下载ECAD模型
