[首發(fā)于智駕最前沿微信公眾號(hào)]在交通的日常運(yùn)轉(zhuǎn)中，由于電力系統(tǒng)維護(hù)、偶發(fā)性的供電故障或是道路施工引發(fā)的交通管制，交管部門(mén)會(huì)在十字路口臨時(shí)部署移動(dòng)式紅綠燈。這種紅綠燈與我們習(xí)以為常的高懸于空中的固定紅綠燈塔架有著顯著的物理差異。它們通常由底座、蓄電池組、支撐桿以及信號(hào)燈具等組成，其整體高度顯著低于標(biāo)準(zhǔn)信號(hào)燈。這類(lèi)移動(dòng)式紅綠燈直接放置在地面，發(fā)光單元的高度可能僅在人體腰部左右，或者略高于普通轎車(chē)的引擎蓋。這種場(chǎng)景下，人類(lèi)駕駛員完全可以通過(guò)經(jīng)驗(yàn)判斷出其存在，但對(duì)于高度依賴(lài)預(yù)設(shè)規(guī)則、幾何模型以及視線(xiàn)感知半徑的智能駕駛系統(tǒng)而言，卻是很大的一項(xiàng)挑戰(zhàn)。

物理感知層的遮擋問(wèn)題與傳感器融合機(jī)制

移動(dòng)式紅綠燈對(duì)智駕系統(tǒng)的首要影響在于其空間位置的“非典型性”。根據(jù)交通設(shè)備市場(chǎng)的主流規(guī)格，移動(dòng)式太陽(yáng)能信號(hào)燈的安裝高度具有較大的調(diào)節(jié)范圍，像是常見(jiàn)的TSU系列設(shè)備，其高度可以從一米左右的收納狀態(tài)調(diào)節(jié)至三米以上的展開(kāi)狀態(tài)。然而，在電力故障引發(fā)的緊急部署中，為了追求安裝效率，設(shè)備一般會(huì)處于較低的物理高度。當(dāng)自動(dòng)駕駛汽車(chē)跟隨在一輛大型客車(chē)或廂式貨車(chē)后方進(jìn)入路口時(shí)，視覺(jué)攝像頭由于受限于俯視角度和前車(chē)的物理遮擋，極易丟失對(duì)這種低矮信號(hào)燈的連續(xù)視覺(jué)追蹤。

圖片源自：網(wǎng)絡(luò)

攝像頭作為識(shí)別信號(hào)燈顏色特征的核心傳感器，其探測(cè)效能高度依賴(lài)于“視線(xiàn)通達(dá)度”。如果前車(chē)擋住了信號(hào)燈關(guān)鍵的發(fā)光區(qū)域，哪怕這種遮擋只占到了信號(hào)燈發(fā)光面的三成左右，自動(dòng)駕駛系統(tǒng)也可能因?yàn)闊o(wú)法提取到完整的圓形或箭頭輪廓而判定識(shí)別失敗。在復(fù)雜的城市場(chǎng)景中，大車(chē)遮擋帶來(lái)的視野失真并不是“看不見(jiàn)”那么簡(jiǎn)單。當(dāng)大車(chē)的輪廓占滿(mǎn)了傳感器的視野，自動(dòng)駕駛系統(tǒng)將難以區(qū)分前方是一個(gè)靜態(tài)的交通設(shè)施還是跟隨大車(chē)一起移動(dòng)的掛件。為了應(yīng)對(duì)這種問(wèn)題，像是滴滴、華為以及特斯拉的提出的方案中，普遍引入了多傳感器融合的權(quán)重分配邏輯。

當(dāng)視覺(jué)傳感器的確信度因?yàn)檎趽醵陆禃r(shí)，自動(dòng)駕駛系統(tǒng)將大幅度提升激光雷達(dá)和占用網(wǎng)絡(luò)的數(shù)據(jù)權(quán)重。激光雷達(dá)雖然無(wú)法直接“看清”紅綠燈的顏色，但它能以每秒數(shù)百萬(wàn)次的速度發(fā)射激光脈沖，構(gòu)建出前方路口的三維點(diǎn)云模型。即便紅綠燈被部分擋住，激光雷達(dá)依然能感知到在路口中央或邊緣存在一個(gè)具有特定幾何特征的物理實(shí)體。這種物理實(shí)體的存在，會(huì)觸發(fā)布局在智駕系統(tǒng)底層的占用網(wǎng)絡(luò)算法。占用網(wǎng)絡(luò)將三維空間切分為無(wú)數(shù)個(gè)細(xì)小的“體素”方塊，直接判斷這些方塊是否被物理對(duì)象占據(jù)。這種邏輯繞過(guò)了“語(yǔ)義識(shí)別”的陷阱，即系統(tǒng)不需要立刻知道這個(gè)低矮物體是什么，只需要知道那里有一個(gè)“不可穿越”的障礙物，從而在感知層面建立起防碰撞的第一道防線(xiàn)。

在處理由于前車(chē)遮擋導(dǎo)致的感知真空時(shí)，有些方案還會(huì)利用“動(dòng)態(tài)數(shù)據(jù)增強(qiáng)”技術(shù)。這種技術(shù)通過(guò)算法實(shí)時(shí)調(diào)整攝像頭的感光參數(shù)，嘗試在復(fù)雜的背光或強(qiáng)光背景中提取出微弱的顏色特征信號(hào)。例如，當(dāng)逆光環(huán)境占據(jù)了鏡頭大面積視野時(shí)，系統(tǒng)會(huì)對(duì)疑似紅綠燈的局部區(qū)域進(jìn)行亮度和對(duì)比度的階梯式補(bǔ)償，確保發(fā)光單元的色彩飽和度足以觸發(fā)分類(lèi)神經(jīng)網(wǎng)絡(luò)的閾值。

地圖先驗(yàn)信息與實(shí)時(shí)感知的語(yǔ)義沖突處理

對(duì)于自動(dòng)駕駛系統(tǒng)而言，移動(dòng)式紅綠燈帶來(lái)的第二個(gè)核心挑戰(zhàn)是“真假信號(hào)”的邏輯判斷。在絕大多數(shù)開(kāi)啟了領(lǐng)航輔助駕駛功能的車(chē)輛中，導(dǎo)航地圖不僅提供路徑引導(dǎo)，還預(yù)存了大量的靜態(tài)基礎(chǔ)設(shè)施信息，這就是所謂的“地圖先驗(yàn)”。當(dāng)車(chē)輛駛向一個(gè)路口時(shí)，根據(jù)地圖數(shù)據(jù)，系統(tǒng)已經(jīng)提前預(yù)知了該位置存在一組固定的燈桿。然而，當(dāng)停電發(fā)生后，這些固定的燈桿熄滅了，地面上卻多出了一個(gè)地圖上從未記錄過(guò)的臨時(shí)紅綠燈。

在這種情況下，自動(dòng)駕駛系統(tǒng)內(nèi)部會(huì)發(fā)生一次嚴(yán)密的“邏輯博弈”。傳統(tǒng)的智駕方案可能因?yàn)檫^(guò)于依賴(lài)地圖信息而忽略了地面的實(shí)時(shí)信號(hào)，導(dǎo)致車(chē)輛在臨時(shí)紅燈前依然選擇加速。但現(xiàn)階段的自動(dòng)駕駛系統(tǒng)，特別是采用“輕地圖”或“無(wú)圖”架構(gòu)的方案，其核心原則是“實(shí)時(shí)感知主導(dǎo)，地圖輔助參考”。當(dāng)系統(tǒng)發(fā)現(xiàn)地圖標(biāo)注的信號(hào)燈處于不可見(jiàn)或熄滅狀態(tài)，而感知模塊捕捉到了地面的臨時(shí)紅綠燈時(shí)，系統(tǒng)會(huì)自動(dòng)降低地圖信息的信任權(quán)重。

這種沖突解決邏輯依賴(lài)于道路拓?fù)渫评恚≧CR）技術(shù)。RCR網(wǎng)絡(luò)能夠像人類(lèi)一樣，根據(jù)路口的幾何特征、車(chē)道線(xiàn)的交匯方式以及路口停止線(xiàn)的位置，實(shí)時(shí)推理出合法的行車(chē)路徑。即使地面上的移動(dòng)紅綠燈位置偏離了地圖上的標(biāo)準(zhǔn)坐標(biāo)，RCR網(wǎng)絡(luò)也能識(shí)別出它在當(dāng)前時(shí)空環(huán)境下所承擔(dān)的管控角色。舉個(gè)例子，如果這個(gè)臨時(shí)紅綠燈放在了路口中央的圓圈處，系統(tǒng)會(huì)通過(guò)深度強(qiáng)化學(xué)習(xí)訓(xùn)練出的邏輯模型，判斷出該物體的語(yǔ)義信號(hào)，即當(dāng)前流向受到臨時(shí)管制。

為了提高這種推理的穩(wěn)定性，自動(dòng)駕駛系統(tǒng)會(huì)采用“眾源更新”的動(dòng)態(tài)機(jī)制。即如果第一輛通過(guò)路口的車(chē)輛發(fā)現(xiàn)地圖信息與實(shí)際路況不符（即固定燈滅了，地面有臨時(shí)燈），它會(huì)將這一差異特征上傳至云端服務(wù)器。云端大模型會(huì)迅速處理這些來(lái)自真實(shí)車(chē)流的數(shù)據(jù)，生成一個(gè)臨時(shí)性的“鮮活圖層”并下發(fā)給后續(xù)行駛至此的車(chē)輛。這種機(jī)制使得后續(xù)車(chē)輛即便在視覺(jué)被完全擋住的情況下，也能通過(guò)云端下發(fā)的臨時(shí)補(bǔ)丁，提前獲知路口存在移動(dòng)信號(hào)燈的信息。

自動(dòng)駕駛系統(tǒng)對(duì)臨時(shí)紅綠燈的判定會(huì)經(jīng)歷幾個(gè)權(quán)衡階段。第一階段是感知一致性檢查。系統(tǒng)會(huì)對(duì)比攝像頭捕捉到的發(fā)光信號(hào)與激光雷達(dá)探測(cè)到的物理實(shí)體是否重合。如果攝像頭看到了紅光，但激光雷達(dá)顯示那個(gè)位置空無(wú)一物（可能是路面反射），系統(tǒng)會(huì)過(guò)濾掉這一錯(cuò)誤信號(hào)。其次是空間邏輯校驗(yàn)。智駕系統(tǒng)會(huì)計(jì)算檢測(cè)到的信號(hào)燈高度是否在合理的閾值內(nèi)。對(duì)于地面移動(dòng)紅綠燈，雖然它的高度低于常規(guī)范疇，但只要它被識(shí)別為交通管控設(shè)施，其優(yōu)先級(jí)就會(huì)被提升至最高等級(jí)。

這種向“感知主導(dǎo)”的轉(zhuǎn)向，意味著自動(dòng)駕駛系統(tǒng)正在變得越來(lái)越像老司機(jī)，不再機(jī)械地執(zhí)行地圖指令，而是具備了根據(jù)現(xiàn)場(chǎng)環(huán)境靈活應(yīng)變的基礎(chǔ)。這種靈活性在面對(duì)停電后的混亂路口時(shí)，是保證行車(chē)安全的關(guān)鍵。

時(shí)空序列記憶與社交化意圖推理

當(dāng)然，在移動(dòng)式紅綠燈場(chǎng)景下，還有一種極端的物體遮擋情況，那就是移動(dòng)式紅綠燈完全被遮擋，此時(shí)智駕系統(tǒng)并不會(huì)立即處于“盲目”狀態(tài)，而是會(huì)引入基于時(shí)空序列的記憶機(jī)制。簡(jiǎn)單理解下這個(gè)概念，那就是自動(dòng)駕駛系統(tǒng)不會(huì)只看當(dāng)前的一幀畫(huà)面，而是會(huì)回溯過(guò)去幾秒甚至幾十秒的感知結(jié)果。

如果車(chē)輛在距離路口50米時(shí)曾經(jīng)看到過(guò)移動(dòng)紅綠燈的信號(hào)狀態(tài)，那么在隨后靠近路口的20米處即便視野消失，自動(dòng)駕駛系統(tǒng)內(nèi)部的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）或Transformer模型依然會(huì)保留該物體的“隱藏狀態(tài)”。這種狀態(tài)記憶不僅包括物體的位置，還會(huì)包括它最后被觀察到的顏色。只要時(shí)間跨度在算法設(shè)定的安全范圍內(nèi)，自動(dòng)駕駛系統(tǒng)就會(huì)維持對(duì)該路口通行規(guī)則的既有認(rèn)知，并結(jié)合本車(chē)的行駛距離和車(chē)速，持續(xù)更新該紅綠燈在虛擬空間中的相對(duì)坐標(biāo)。

還有一種“社交化意圖推理”的方案可以解決這個(gè)問(wèn)題。在復(fù)雜的交通流中，紅綠燈的信號(hào)狀態(tài)會(huì)映射在周?chē)?chē)輛的行為模式上。當(dāng)自動(dòng)駕駛系統(tǒng)看不見(jiàn)紅綠燈時(shí)，它會(huì)開(kāi)始高頻度地觀察前車(chē)的動(dòng)向和周?chē)?chē)流的“集體選擇”。譬如，自動(dòng)駕駛系統(tǒng)會(huì)監(jiān)測(cè)前車(chē)的剎車(chē)燈是否頻繁亮起，前車(chē)在通過(guò)停止線(xiàn)時(shí)是果斷加速還是猶豫不決地緩慢行駛。

通過(guò)這種對(duì)他車(chē)行為的監(jiān)測(cè)，自動(dòng)駕駛系統(tǒng)實(shí)際上在進(jìn)行一種間接的信號(hào)推斷。如果前方所有車(chē)道都在排隊(duì)，且側(cè)向車(chē)道的橫向交通流開(kāi)始涌動(dòng)，即便本車(chē)完全看不見(jiàn)放在地面上的臨時(shí)紅綠燈，系統(tǒng)也能推斷出當(dāng)前必然是紅燈狀態(tài)。這種基于“社交證據(jù)”的決策邏輯，會(huì)讓自動(dòng)駕駛系統(tǒng)計(jì)算一個(gè)“環(huán)境一致性概率”，當(dāng)觀察到前車(chē)減速且地圖顯示此處為路口時(shí)，即便視覺(jué)感知缺失，系統(tǒng)也會(huì)采取保守的防御性駕駛策略。

這種社交化意圖推理的算法路徑會(huì)包括兩個(gè)核心環(huán)節(jié)。第一是軌跡預(yù)測(cè)分析。自動(dòng)駕駛系統(tǒng)不僅會(huì)跟蹤前車(chē)的當(dāng)前位置，還會(huì)預(yù)測(cè)其未來(lái)3到5秒的運(yùn)動(dòng)軌跡。如果預(yù)測(cè)顯示前車(chē)將要在停止線(xiàn)前靜止，系統(tǒng)會(huì)提前啟動(dòng)減速?zèng)Q策。第二是多車(chē)行為聚合。系統(tǒng)會(huì)同時(shí)分析左、中、右三個(gè)車(chē)道的車(chē)輛狀態(tài)。如果三個(gè)車(chē)道的車(chē)輛都表現(xiàn)出停止跡象，那么環(huán)境信號(hào)的確定性就會(huì)顯著增強(qiáng)。

為了實(shí)現(xiàn)這一目標(biāo)，自動(dòng)駕駛車(chē)輛必須具備強(qiáng)大的計(jì)算資源來(lái)并行處理海量數(shù)據(jù)。在特斯拉的FSD系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)不僅可以學(xué)習(xí)如何識(shí)別物體，還在學(xué)習(xí)預(yù)測(cè)下一幀圖像的內(nèi)容。如果下一幀圖像中原本應(yīng)該出現(xiàn)的移動(dòng)紅綠燈被大車(chē)擋住了，模型會(huì)通過(guò)已有的時(shí)空權(quán)重，在內(nèi)部生成一個(gè)預(yù)測(cè)副本。這種“腦補(bǔ)”能力雖然存在一定的誤差風(fēng)險(xiǎn)，但在處理短時(shí)遮擋時(shí)，比單純的信號(hào)中斷要可靠得多。

最后的話(huà)

移動(dòng)式臨時(shí)紅綠燈對(duì)自動(dòng)駕駛系統(tǒng)的負(fù)面影響正在通過(guò)感知層、地圖層和決策層的協(xié)同演進(jìn)而被逐步消化。雖然這種低矮、易遮擋的設(shè)備確實(shí)是現(xiàn)階段自動(dòng)駕駛的一個(gè)“軟肋”，但隨著占用網(wǎng)絡(luò)、時(shí)空序列記憶以及社交化推理技術(shù)的成熟，智駕車(chē)輛也將獲得在不完美環(huán)境下安全通行的能力。

審核編輯 黃宇