2.2.1 概述

感知系統以多種傳感器捕獲的數據及高清地圖的信息為輸入，經過一系列計算和處理，來預估車輛的狀態并實現對車輛周圍環境的精確感知，進而為下游決策系統模塊提供豐富的信息。目前，自動駕駛系統在一些特殊或極端惡劣天氣狀況下工作是非常困難的。即使是人類駕駛員，這些情況也十分棘手。在下雪的條件下，無論是基于視覺的感知系統，還是基于雷達的感知系統，都存在識別感知的困難。相機會因為有雪附著鏡頭而不能正確識別道路標記，從而無法正確導航。雪會影響激光雷達光束的反射效果，干擾自動駕駛車輛對周圍環境的正確判斷。當激光光束穿過雨滴或雪花時，激光雷達可能會將其識別為道路障礙物，由于激光光束不可能在同一位置上探測到同一滴雨或一片雪花兩次，運用算法，車輛就能將雨雪排除在道路障礙物之外。

自動駕駛的感知領域，行業內分成了立場鮮明的兩派，即視覺派和激光雷達派。特斯拉是視覺派最堅定的守護者。埃隆·馬斯克認識到視覺與激光雷達的優劣勢，同時不斷推動讓視覺方案做到原本只能由激光雷達做到的事。從2D平面圖像推斷精確的3D立體實景實際上是非常困難的。以圖2-12中這輛MPV為例，如果只看左側的2D圖像，似乎用視覺和激光雷達標注的形狀都是準確的，但如果放在3D場景中，就會發現使用視覺方案標注的形狀不僅偏長、偏窄，還缺少了汽車的側面。

圖2-12 視覺方案和激光雷達方案對比

而這還僅僅是一個在高亮度環境下相對規則的物體，如果環境變暗，或加入更多遮蔽物、障礙物，情況就會變得更極端。例如在黑暗樹蔭中的自行車，純視覺方案就很難分辨。因此，從根本算法上解決視覺信息的準確處理問題，是特斯拉自動駕駛體系的絕對核心技術。

谷歌旗下的自動駕駛公司WAYMO在感知層面除開發了傳統的超聲波傳感器、激光雷達和攝像頭等高性能傳感器外，還使用音頻檢測系統，用于檢測幾百米外的警車或救護車，以便自動駕駛汽車提前重新進行路徑規劃，避讓相關車輛。自動駕駛系統感知模塊能像人一樣分辨道路上的行人、騎行車、車輛、道路施工等，根據每種物體的屬性建模、預測和理解其行駛意圖。

圖2-13所示的十字路口中，自動駕駛汽車除預測行駛軌跡外，還根據擺起左手的騎行者預測到其將要變換到左車道后進行左轉彎。自動駕駛汽車會提前減速，預留充足的安全距離讓騎行者通過，以防御性駕駛方式進行路徑規劃。行駛過程中，自動駕駛汽車能準確“預見”由其他駕駛人、行人、不良氣候或路況引發的危險，并及時采取必要的、合理的、有效的措施防止事故發生，不行駛在其他駕駛人的視野盲區內。它甚至能識別人臉的方向，提前給難以準確預測軌跡的騎行者和行人預留充足的安全距離。

圖2-13 自動駕駛汽車軌跡預測

在研究目標上，選擇感知系統而非預測系統的原因是，真正的自動駕駛汽車應該可以成為人類駕駛員更安全的選擇。然而，自動駕駛仍然導致了一起死亡事件：一輛優步自動駕駛汽車因感知系統出現問題而致使一名行人被撞身亡。由此可見，感知問題對自動駕駛汽車而言不止是興趣問題，更是生死攸關之事。

鑒于車輛感知問題的重要性，通過調查發現目前共有四種不同技術可幫助車輛感知周圍物體，分別是超聲波傳感器、激光雷達、毫米波雷達和相機（圖2-14）。其中，激光雷達和相機是最重要的，超聲波傳感器主要用于近距離感知，而毫米波雷達和激光雷達用于長距離追蹤。

圖2-14 自動駕駛多傳感器布局