都自动驾驶了，为什么最基本的AEB还频频罢工？

自动驾驶正处于一个不断「试错」和「纠错」的阶段，消费者在为此买单。

作者 ｜ 肖莹

自动驾驶事故已经屡见不鲜，但令人费解的是，为什么被视为安全防线的AEB功能，在事故发生的关键时刻，往往没能发挥作用、力挽狂澜？

AEB是ADAS的核心功能之一，如果连AEB功能都无法保证，是不是意味着，所谓自动驾驶，还远远没有迈过L2这一关。

即便是宣称已经成熟量产的「高阶辅助驾驶」，也只是在无数限定条件下才能实现的半成品？

01为什么AEB频频罢工？

在今年3月举办的2022百人会论坛上，理想汽车创始人李想提出了一个非常有建设性的话题，他说应该把AEB主动刹车系统做成乘用车的标配，还表示，理想愿意开源自己的AEB算法。

一般来讲，能够做开源的，一定是比较牛的技术，例如谷歌、微软、亚马逊都是开源大户。这番话，体现李想对自家AEB算法的自信。

然而，打脸来的太快，号称要开源AEB的理想，几个月之后就翻了车。7月26日，理想L9宁波试驾车雨天夜间以86km／h的速度撞击金属护栏。

理想L9宁波试驾车事故行车记录仪视频

而在懂车帝AEB主动刹车测试中，拿到过第一名的理想ONE，近期也发生了事故。8月8日，一辆理想ONE在高速路段，以77km／h的速度撞上一辆停在路边的工程车辆，事故发生时，车辆处于NOA开启状态。

这种在消费者眼中看似愚蠢的事故，小鹏也发生过。

今年3月，一位湖南岳阳的小鹏P7车主，在开启辅助驾驶功能的状态下，撞上一辆前方横停的侧翻车辆，事发时车辆时速在80km／h左右。

8月10日，又是小鹏P7，在高架桥行驶过程中，追尾撞上了一辆停靠在路上的故障车，站在前车车尾的人被撞身亡。根据肇事车主的聊天记录，事发时车辆时速在80km／h左右，且开启了LCC功能。

被认为是自动驾驶标杆的特斯拉，涉及的Autopilot自动驾驶事故更是数以百计。

看见这些事故的时候，大家都想不通一个问题，那些被冠以智能电动车之名的产品，为什么连最基本的AEB都翻车？

有趣的是，如果把这个问题抛给汽车工程师，他们很可能会说，AEB本来就不是万全的功能，出事故属于正常现象。

为什么公众认知与专业人士认知有如此大的偏差？AEB在什么情况下会失效？又有哪些提升的空间？

02AEB的技术瓶颈在哪？

吐槽之后，我们就先来解决一下认知问题，什么是AEB？

AEB全称Autonomous Emergency Braking，自动紧急制动，是一种汽车主动安全技术。

AEB系统通过毫米波雷达、摄像头、激光雷达等感知系统测量出车辆与前方障碍物距离，然后利用数据分析模块将测出的距离与警报距离、安全距离进行比较，小于警报距离时就进行警报提示，小于安全距离则会启动制动功能，从而保证车辆安全。

早在2002年、2003年，奔驰、本田、丰田等车企就已经开始尝试落地AEB功能。目前来看，AEB已经成为ADAS功能体系里最基础、最核心的功能之一，被消费者认为是主动安全的一道防线。

而遗憾的是，被认为是安全底线的AEB，并不是在所有情况下都能发挥作用。

AEB的工作机制和智能驾驶的其他功能一样，都要经历感知、决策、执行三个关键步骤。

目前，业内将限制AEB能力提升的第一阻力指向了感知层面。具体来看，系统识别障碍物的丰富度、准确率，以及探测距离，都是影响AEB功能的核心要素。

自动驾驶感知方案示例

提到感知能力，就不得不展开介绍一下，智能驾驶涉及的三种主要传感器：摄像头、毫米波雷达和激光雷达。

不知道从什么时候开始，好像一有智能驾驶车辆发生事故，大家总爱把责任推到毫米波雷达上，其实这是有些片面的。

三种核心传感器各有优缺点。简单来说，摄像头的优势是能够识别出物体的类别、颜色，这应用在交通场景中，就能够比较好地识别出各类交通要素：车辆、行人、交通灯、路牌等，但它的缺点是和人眼一样，在遇到一些光线较暗的场景，或炫光、强光的时候，就容易看不清晰。

毫米波雷达的优势就是不受光线、雨雪的影响，在恶劣环境下也可以较好的工作，但它的问题在于仅能提供平面化的扫描，没有垂直的视场角，也就是说，它只能知道范围内有东西，但不知道是个什么东西。

另外，它还对金属比较敏感，在道路交通环境中，扫描到一些金属物体，就会报警，比较容易引起误报。

因此，在感知方案中，系统往往会把毫米波雷达的置信度降低，而是以摄像头的判断为主。这也比较好理解，车辆行驶时，识别不到危险物体有安全隐患，而误报刹车同样存在安全隐患。

所以，在一些事故发生时，并不一定是毫米波雷达没有检测到物体，也可能是系统没有给予采信。

激光雷达的优势在于看的远、精度高且能够三维成像。它可以得到目标的距离、方位、高度、速度、姿态、形状等参数，从而构建3D环境点云图。

同时还能获取目标表面反射特性、运动速度等丰富的特征信息，为目标探测、识别、跟踪等数据处理提供充分的信息支持、降低算法难度。而它的缺点在于雨雪、尘土等恶劣环境的抗干扰性较差。

所以，除了特斯拉以外，几乎所有车企和自动驾驶公司，走的都是融合感知的技术路线，这正是为了各传感器短板的互相弥补。

那么，感知会如何影响AEB能力？主要体现在两个方面：识别精准度及探测距离。

感知准确度、信息丰富度待提升

在一些事故场景，AEB功能没有启动的原因，要么是传感器没有识别检测出障碍物，要么是没有识别出障碍物是什么，前者的原因在于传感器精密度不够，后者则在于场景采集的丰富度不足。

AI算法的学习和人的学习相似，首先要解决认知的问题，这在算法里对应的就是标定，只有标定过的物体，算法才有可能识别出来，否则就很难进行识别判断。

在最初简单的AEB方案中，系统主要标定的障碍物就是车辆和行人，至于儿童、宠物、雪糕筒，以及一些异形检测物都无法识别。

随着传感器产品的成熟，智能驾驶方案也正在变得越来越复杂，从单V到1R1V配置，再到5R10V，甚至是引入激光雷达的、更复杂的感知方案，例如沙龙机甲龙搭载了33个感知硬件，包括4L5R12V。

传感器硬件的不断叠加，正是为了弥补感知能力的短板，随着更多高精度传感器的上车，相信感知准确度上已经有了很大提升。

因此，对于具有「高阶辅助驾驶」能力的车型来说，在感知精准度上已经问题不大。更大的短板在于，感知场景标定的丰富度和算法训练。简单理解就是，AEB也要解决CornerCase。

例如，理想L9试驾车撞在围栏上，如果在激光雷达开启的情况下，大概率不是没有检测到前方有物体，而应该是算法不知道这是什么东西，该做出什么样的决策。

感知距离限制AEB适用速度

感知能力强弱影响的另外一个方面是响应距离。传感器的感知距离，和系统响应的时间以及制动系统的刹车距离，决定了AEB可以工作的最大速度。

去年3月，国家标准化管理委员会批准发布了《乘用车自动紧急制动系统（AEBS）性能要求及试验方法》，标准号为GB／T 39901－2021。

这份推荐性国标来看，对于静止的物体，要求车辆以30km／h的速度行驶，不发生碰撞即为合格，移动目标则要求车辆在50km／h的速度行驶时，不发生碰撞即为合格。

我们知道，城市普通道路通常限速30－60km／h，高速场景的最低限速是60km／h。如果按照这个要求，AEB似乎只能在城市场景发挥作用，而在高速场景就是完全失效的状态。

事实上，企业的“自我要求”往往会高于国标要求。目前市场上销售的绝大部分车型，都宣称能够做到80km／h以下AEB避撞，与E－NCP、C－NCAP的要求保持了一致。而车企自身，以及各测试标准，均未对80km／h以上AEB做出要求。

上文提到的几起事故，发生事故时，车辆速度正是在80km／h左右的AEB极限值。

也有观点认为，一些事故的发生，表面上看似乎是AEB没有开启，实际上可能是已经开启，但决策、执行时间不足以避免事故的发生。

因此，除了感知因素以外，响应效率和制动能力，也是影响AEB功能实现的关键因素。

城市场景有鬼探头、异形车辆等挑战，高速场景则面临着AEB速度失效边界。那么如此挑剔的AEB，是不是有些鸡肋了？