自动驾驶汽车如何避免幽灵刹车？

[首发于智驾最前沿微信公众号]在自动驾驶技术的演进历程中，舒适性与安全性始终是亘古不变的话题。在众多影响用户行车安全的因素中，幽灵刹车是亟需解决的问题，所谓幽灵刹车，就是车辆在平顺行驶且路径前方并无真实障碍物的情况下，突然执行剧烈制动。这种现象不仅会导致后车追尾，更会影响乘坐的舒适性。

为什么会出现幽灵刹车？

想避免幽灵刹车，一定要先知道为什么会出现幽灵刹车。目前主流的自动驾驶感知方案由毫米波雷达、摄像头以及激光雷达组成。每一种传感器在捕捉物理信号时，都存在着特定的物理规律约束，而这些约束往往就是误报信号的源头。

先说一说毫米波雷达，毫米波雷达通过发射波长在1至10毫米之间的电磁波，并接收从目标物表面反射回来的信号探测障碍物。利用多普勒效应，毫米波雷达能够以极高的精度计算目标物的距离与相对速度。

图片源自：网络

然而，毫米波雷达对金属物体高度敏感，虽然让它能精准捕捉远处的车辆，但也有一个副作用，那就是静止物体过滤难题。毫米波雷达本身缺乏足够的高度分辨率，在它看来，横跨在高速公路上的路牌、金属广告牌、龙门架，甚至地面上的井盖和减速带等，它们的反射信号强度与一辆静止的卡车非常相似。

由于毫米波雷达无法准确判断这些反射点是在车辆行驶路径的上方还是正下方，如果算法不加过滤，车辆就会因为感知到前方的障碍物而频繁触发刹车。但在高速行驶中，如果完全忽略所有速度为零的信号点，系统又可能在面对真正追尾事故现场或静止故障车时发生漏检。这种两难的局面，使得早期单纯依赖毫米波雷达的AEB（自动紧急制动）系统会产生概率性的幽灵刹车。

再来聊聊视觉摄像头，虽然摄像头能够提供丰富的色彩和语义信息，但它本质上是将三维世界投影到二维平面上。在如车辆驶入或驶离隧道、逆光行驶、或者路面出现极其逼真的阴影（如树影、桥梁影子）等光影剧烈变化的场景下，图像感知算法可能会发生瞬时的深度测算错误。如果神经网络将路面的一块深色阴影错误地识别为一个具有厚度的实体障碍物，决策系统就会在极短的时间内下达制动指令。这种视觉上的幻觉在强光或视线不佳的情况下尤为显著。

多传感器融合的过程进一步复杂化了刹车这一问题。当毫米波雷达检测到一个可疑的静止反射点，而摄像头由于环境光线原因未能明确判定该区域是否安全时，融合算法必须在安全优先与效率优先之间做出抉择。如果系统倾向于绝对安全，任何一个传感器发出的可疑警报都会触发制动，这将导致误报率的上升。

如何避免幽灵刹车？

为了解决传统感知框架对物体分类和深度测算的依赖，自动驾驶算法正经历一场从目标检测向空间建模的转变。占用网络（Occupancy Network）的引入是这一转变的核心。与传统的算法去猜测前方物体是车还是树不同，占用网络将车辆周边的三维空间切割成无数个微小的立方体，即体素。这种网络不再纠结于物体的具体类别，而是直接预测每一个体素是否被占据。

这种方法的优势在于它能有效地处理通用障碍物。对于那些在训练库中从未出现过的异形物体，传统算法可能会因为它无法匹配已知的标签而将其忽略或误判，但占用网络只要发现该空间体素被物理实体占据，就会将其标记为不可通行的区域。

通过这种方式，系统能够更精细地描绘环境的三维轮廓，从而避免了将平面的影子或远处的地平线误判为立体障碍物的情况。此外，占用网络能够以极高的帧率运行，一般可以达到100 FPS以上，这意味着每10毫秒系统就能更新一次环境模型，这种极低的运算时延大大减少了因数据滞后引发的动作迟缓或误触。

在引入空间建模的同时，时序信息成为了过滤感知噪点的另一柄利刃。传统的感知算法是孤立地看待每一帧图像或雷达回波，这导致如果某一帧信号出现跳变（例如路面反光导致摄像头闪烁），系统就会产生瞬时的误报。而现代基于Transformer架构的感知模型具备全局感受野，能够建立起时间维度上的联系。

通过引入时序一致性校验，系统会持续观察同一个目标在连续多个帧中的运动轨迹和空间位置。如果一个所谓的障碍物只在当前帧出现，而在之前的十帧和之后的预判中都没有逻辑上的连贯性，系统就会判定这是一个传感器噪声而不是真实的物理实体。这种通过时间维度进行去噪处理的机制，极大地抑制了因视觉抖动或雷达瞬时干扰产生的幽灵刹车。在感知层面，Transformer能够让系统理解这里有什么、在哪儿、可能怎样移动，从而在动态环境中保持输出的稳定性。

为了进一步提升系统的鲁棒性，针对车辆生产安装过程中存在的硬件偏差，行业内引入了虚拟标准摄像头技术。由于每辆车的摄像头外参（安装角度、位置）可能存在微小的物理差异，这会导致采集到的原始数据存在个体偏差。通过虚拟标定，系统可以将所有数据映射到同一套理想坐标系中。这种统一化的预处理，确保了云端训练出来的模型能够在每一辆车上保持相同的感知精度，从而减少了因硬件安装精度不一导致的误判风险。

数据闭环与影子模式的应用，则是从持续学习的角度优化系统表现。在车辆实际行驶过程中，如果算法建议刹车而人类驾驶员却选择踩下油门继续行驶，这意味着算法产生了一次幽灵刹车倾向。影子模式会捕获这一冲突时刻的前后传感器数据并上传至云端。通过自动标注技术，这些海量的错误样本会被用于重新训练神经网络。随着处理的极端案例越来越多，模型对复杂场景的分辨能力会不断进化，从而在下一次遇到类似阴影或路牌时表现得更加成熟稳健。

规划控制层的防幽灵刹车策略

感知层面的错误固然是幽灵刹车的诱因，但如果规划与控制层具备足够的抗扰动能力，许多瞬时的感知噪点并不会演变为体感剧烈的制动。现阶段自动驾驶系统的决策逻辑中，不再是简单地根据有无障碍物做二元选择，而是引入了更复杂的碰撞概率评估模型和制动阶梯策略。系统会实时计算碰撞时间（TTC），并结合目标物的轨迹预测来评估风险的真实性。

幽灵刹车的出现有时是因为AEB系统的触发阈值过于单一且敏感。优化策略之一是实施多级预警与柔性减速。当感知系统探测到潜在风险但置信度未达到临界值时，系统可以采取释放油门、让刹车片预充压或者轻微点刹的方式进行软干预，而不是瞬间执行最大制动力。在这一缓冲过程中，如果时序一致性算法确认了之前的警报是误报，系统可以迅速恢复动力，驾驶者甚至察觉不到这个微小的动作。这种阶梯式的决策逻辑，极大地提升了行车的平顺性。

此外，针对不同速域设定差异化的安全冗余也是很有必要的。在低速城市路况下，由于环境复杂、行人较多，AEB的灵敏度可以适当调高；而在高速公路上，由于车辆惯性大且后车跟车近，系统对静止目标的判定需要更为严苛。特斯拉等厂商公布的AEB工作范围就涵盖了宽泛的速域，但会在不同速度下动态调整减速的峰值。通过这种动态的风险控制，可以减少在高速巡航状态下因误判导致的剧烈降速。

最后的话

规避幽灵刹车需要的是一种深度防御的架构体系。从硬件端利用高分辨率的毫米波雷达或激光雷达减少原始信号的模糊度，到感知端利用占用网络和Transformer实现对三维时空的深刻理解，再到在控制端通过柔性决策逻辑缓解感知层带来的不确定性，都是避免幽灵刹车的有效手段。想让自动驾驶真实落地，其重点除了能够准确识别并避开障碍物外，更需要能够在出现障碍物时，达到老司机的操作水准，让行驶安全且舒适。