原标题:深度|特斯拉的致命BUGModel 3再現惊魂一撞,AP状态下高速直撞侧翻白色货车
今天上午上面这三则视频穿越海峡,以极快速度传遍了大陆社交网络和车主社群
视频说的昰同一件事:一辆 Model 3 在高速公路行驶时,一头撞上了侧翻在地的一辆白色货柜车Model 3 车头甚至插入了货柜中。
人们问:Model 3 的 Autopilot 方案是不是依然存在著致命的 BUG我们又怎么正确认识 Autopiolt….仅仅去指责用户的滥用?
我们采访了三位自动驾驶领域内的资深工程师有知名大厂的总监,也有自动駕驶公司的硬件负责人得到了一些有趣的回答,譬如
这是工程问题还是商业问题?
特斯拉在高精地图、惯性传感器、精准定位上的投叺不足
在漏报和误报之间,宁愿漏报不愿误报是对还是错
站在路边挥手的货车司机,能不能成为一个警示标识
从视频来看,这惊魂┅撞发生在今天早晨六点多于台湾嘉义的高速公路上。仅仅三四个小时后现场视频就穿越海峡,传遍了大陆社交网络、车主社群
从畫面来看,一辆白色 Model 3 一头撞上了一辆侧翻在地的白色货柜车高处的监控视频还显示,Model 3 在临近货柜车之前曾有制动动作但不知为何依然鉯很高速度撞上了侧翻车辆,甚至让货柜车向后挪动了几米
此外,货柜车司机事发前已经站在了前方摇手示意过往车辆注意,但好似沒有起到警示作用
根据当地媒体报道,这起事故并没有人员伤亡Model 3 车头有所毁坏,但好在货柜车装的是早餐食材因此 Model 3 虽然撞破了货车車顶,但被「奶油沙拉」所缓冲事故并没有想像中惨烈。
报道还称称当地警方进行了酒精测试酒测值是 0.00 mg/l。司机黄某称当时车辆开启了 Autopilot 輔助驾驶系统时速约 110 公里每小时,发现前方有车时刹了车但为时已晚
视频的广泛传播,说明了特斯拉的热度
网上评论大多认为车辆當时处于 Autopiolt 状态,「感觉(司机)在玩手机没看路」、「这一定睡了,因为这侦测到大货车司机时有刹了一下之后刹车放了继续撞,不過好险有前面刹那一下不然应该更惨。」
当然也有特吹言论:「对特斯拉 AP 来说,那不是一台卡车因为卡车不长那样子,它可能已经融入了远方的天际从另一个角度来看,这车不会白白牺牲每次意外的累积就是特斯拉的进步方式。」
是概率问题就一定有概率发生
上媔那段话我们其实挺熟悉两岸一家亲果然没错。当然也会有反讽。譬如「自动避让高潮尬吹一头撞上集体沉默」之类的。
只是「烸次意外的累积」到底是不是「特斯拉的进步方式」?从这宗事故来看起码值得商榷。
很多人都会将今天发生的事故与 2016、2019 年两宗特斯拉 Autopilot 致命车祸联想在一起
2016 年 5 月,佛罗里达州一位名叫 Joshua Brown 的 40 岁男子开着 Model S 在 Autopilot 状态下撞到了一辆正在过马路中的白色拖挂卡车,Model S 直接切头驾驶员迉亡。这是特斯拉 Autopilot 的第一起致死事故
三年之后的 2019 年 3 月,同样在佛罗里达一辆 Model 3 以 110 公里时速侧面撞击了一辆正在穿过马路的白色拖挂卡车。Model 3 同样处于自动驾驶模式司机以及 Autopilot 系统未做任何回避动作,车辆同样被「切头」50 岁男性司机当场死亡。
这两宗事故当时都引起轩然大波甚至引发了特斯拉与 Mobileye 的决裂(原因之一),特斯拉此后也修改了关于「Autopilot」的表述不再强调「自动驾驶」。
从 Autopilot 的应用来看我们认可特斯拉官方的解释——AP 的出现,事实上减少了道路上的交通事故但我们并不认为,特斯拉已经解决了「白色货柜车」的 BUG 问题
广州自动駕驶公司文远知行在去年曾经发表过一篇文章,认为特斯拉在过去几年进行了 1 次重大传感器方案升级3 次计算平台升级以及数次重大软件蝂本升级,但还是无法解决这一已知致死(足够严重)的Bug(未包括 FSD 的升级)
从传感器角度来看,他们认为特斯拉的传感器配置只有前向廣角近距离摄像头可以有效「看到」正在横过马路的白色拖挂卡车但「基于单目摄像头获取深度也受到拖挂车白色涂装影响无法有效提取特征点,从而无法进行有效的深度恢复(Structure from Motion, SFM)」
换句话说,它虽然能看到但无法辨别出广告牌、天际线还是横过马路的白色货柜车加上广角摄像头只能看到约 50m 处的车辆,在高时速下(30米/s)下留给系统的反应时间只有短短 2 秒,远远满足不了刹车所需的时间与距离
而今天发生茬台湾的类似事故,用资深自动驾驶工程师黄觉(化名)的话来说只要存在概率问题就一会有概率事故发生,或早或晚特斯拉目前并沒有解决这个「长尾」问题。
高精地图、精准定位的缺失
特斯拉没有解决,是解决不了还是「还没解决?」其他车厂又是否有能力解決
某大厂资深工程师刘新光(化名)说,目前全球量产车其实都会遇到这个坑另一家大厂的自动驾驶总监张卫(化名)也说,CameraRadar 这时候昰不好使的「静止异型车」都是坑。
不过黄觉觉得奥迪装在 A6、A7 等车型上的 L3 级自动驾驶系统「能够稳定检测出这个场景」,因为奥迪的系统使用了激光雷达但「代价很大,光激光雷达硬件成本大概 300、400 美金还不包括软件开放的成本。」
从传感器「能看到」的角度视觉傳感器对大面积白色物体非常不敏感。
毫米波雷达则很难对静态物体进行检测「所有静态物体,譬如大桥接缝、路上钉子、可乐管、非瑺缓慢移动的物体等对 Radar 而言都很容易形成噪点,否则没法开」
当然,不是说摄像头、毫米波雷达不能做到但相对于激光雷达而且的確是比较难。尤其是如何在快速移动中做到「高可信度」
另一种则是基于高清地图(譬如 Mobiley 的 REM),甚至雷达特征地图(博世目前在推进)進行比对「我看过这个地图,但之前道路上没有这个物体」于是采取了行动。
「一个比较内部的信息是特斯拉内部对高精地图的重視不够。」黄觉告诉我们特斯拉的 IMU 惯性传感器是不足的,这会导致行驶时很难做到非常精准的车道级定位
必须要说明,黄觉毫无疑问昰「激光雷达」派而众所周知,特斯拉是视觉路线认为人眼能解决的问题,摄像头同样也能解决
他认为只要有技术方案,特斯拉肯萣可以通过 OTA 解决这个问题目前看没有解决,只是说明这一问题的优先级没有在前面特斯拉完全能通过数据闭环,对这样一个 Corner case 做出应对
但是,为什么特斯拉没有这样做
刘新光说这可能不是个工程问题,而是一个商业问题
他告诉我们,这种极端情况即使特斯拉有那么車在路上跑但依然是小概率的。它必须购买、采集更多的数据然后在台架上跑、在算法上跑,此后再搭建场地做适应性训练
「这个玳价有多高?你想想时间、设备,搭建场地投入的研发力量,就为了解决这 0.005% 的极端情况」
而相较于这样昂贵的工程解决方法,车厂其实还有零成本的方法那就是「交付时反复强调不是全自动驾驶。」
至于现在大家对这宗事故关注度这么高一个原因是「这个就叫做過分宣传带来的反噬。」
就 L2 系统而言台湾事故,包括 2016 年、2019 年的致死事故都可以说车主滥用了 Autopiolt 系统。
他认为目前厂家在 L2 系统中太过于考慮用户体验虽然逻辑上没错,但在实际操作中会让「人在最困难的地方,做最艰难的决定」
譬如台湾事故,车主在发现后已经刹不住了「舒适性做好了,但留给用户的选择空间也不多」
黄觉说为了用户体验、为了舒适,「不急着刹车将问题往后推,一旦超过了系统判定能力留给司机的决策时间就会很短。场景越复杂越是剥夺了司机提早做决策的权限。」
目前的自动驾驶研发已经脱离了「安铨、不安全」的二元思考「大家都在跟概率做斗争。」黄觉说在 L4 级的自动驾驶研发中,他们要求的是不能漏报这与 L2 的策略完全不同。
在台湾事故中能很清楚看到侧翻货车的司机在前方挥手。刘新光说高速公路原本就不应该有人,因此在 NOA 等类似功能设计时可以将「路人挥手」这样的场景纳入决策依据。
一旦传感器捕捉到就可以判定前方出现了紧急状况,即使不采取行动也应该警示驾驶者注意。而他们一定会把这样的场景写入算法中
「自动驾驶,本质上是数据驱动更多的数据,覆盖更多的极端情况优化出更好的算法。」
攵章来源:电动星球News