余贵珍：基于视觉的辅助驾驶前向感知技术研究

我是北京航空航天大学交通学院的老师。我今天的汇报分四个部分，首先大家知道，辅助驾驶是当前可以产业化的，能够跟得上、使用上的一个东西。在这个辅助驾驶里面，大家能够看到有纵向的还有横向的，特别是纵向的AEB，可以减少大量的追尾事故。所以很多人眼光都盯在这个地方。根据辅助驾驶不同的应用，要求的感知范围是不一样的。通常我们知道毫米波雷达、摄像头，它的范围也不一样。我主要是对前向感知，我们认为是以视觉为主，并且这个视觉扮演着重要的功能。所以我们认为视觉也是辅助驾驶一个核心的功能。

大家可能说，以前辅助驾驶还是挺好的，为什么突然辅助驾驶出了这么多问题，特别是近几年、最近几个月特斯拉事件。可以看出来，第一个特斯拉事件，就是说一个车从这个底下钻过去了。网上很多解读，我自己的解读就是说，我感觉这个摄像头应该看到了这个车，只是毫米波雷达往下扫的时候没有扫到车。因为它是结果的融合，特斯拉做集成的时候，就是以毫米波雷达为主。

为什么这样讲？因为这个车是从很远的地方开过来，如果一个点有这个阳光的影响，但是冲得更远，车头是看得见的。所以如果我解读的话，应该是融合上出了问题。

第二个这个是中国的一个事故，前面有一个车突然换道了，特斯拉刮蹭到这个车了。这个车确实是视觉感知上有点问题，我们也可以在网上看到大量的视频。如果这个车没有全部在视野之内的话，尾巴没有在视野之内的话，应该是感知不到的。或者说这个车突然出现在视频当中，是感知不到的。这里面就是刚才提到的这个视频，应该检测是有些问题的，特别是车出现视频中，这个突然出现检测不到，这个算法还是有挺大的提高空间的。我也看了很多特斯拉的说明，特别提出这个说明如果前面有车突然换道，而前面的车是静态的话，是检测不到的，以现在的技术。

从这两个事故来看，特斯拉不断的在解释说是用户误用。但是你看得出来，这个车是，我估计稍微有一点认知的人都能看得到前面是个车，而车看不到，这也是技术需要提高的地方。

大家知道，中国的道路相当复杂，不但是比国外多了雾霾，雾霾对视觉是影响很大的，并且中国的道路环境很复杂的是，有各种的车甚至是动物。这个要感知出来确实很困难。我这里主要是提一个前向感知。前向感知我们一般会提到说车辆、行人、车道线、自行车、摩托车，甚至还有标识标牌信号灯。但是信号灯这里不探讨，标识标牌真正的用处有多大，特别是AEB里面，可能用处是不大，但是对Warning是有用处的。一般的参数，一般行人要大于40米，毫米波雷达对车辆至少是大于140、150这样。

这里面比较有争议的，精度有多高，99.99%，可能大家有一个共识，这个精度都是自己说的精度，不是一个固定的精度。这个做视觉处理，特别是视觉的时候，一个输入一个输出，没有一个标准。这个尾巴不出来，大量的车是检测不到。甚至用深度学习，最近比赛的这个来看，我们觉得只有百分之七八十的精度。所以这个精度，我觉得是没有统一的定义，这也是行业急需建立一套标准、数据库和方法，不然的话谁都可以宣传他的很好。

另外一个就是说，精度大家知道，我们是辅助驾驶，因为有人在看。精度一定要达到99.99%吗？这个也是不一定。大家知道精度的提高，哪怕提高0.1个点，可能会带来很高成本的代价。现在大家知道，深度学习确实很好，但是它的代价也很高，这个硬件、软件，包括人才的成本都很高。这里面我觉得有个误解，特别是整车厂可能对这个挺讨厌的。前面紧急刹车，使得用户的感受很不好。这个精度要和误检和漏检结合起来，不然仅仅提精度是没有意义的。大家知道辅助驾驶，通常有这三个，特别是前向感知，有视觉、毫米波雷达、固体激光雷达。一般业界工人的是视觉为主，毫米波雷达辅助是比较合适的方案。这是硬件的搭配，软件我觉得这里面起着很关键的作用，第一个在视觉这个地方，大家知道深度学习确实很火，前段时间我也在汽车工程学会里面做了一个简单的分享，深度学习的一个应用。信息融合也是一个很重要的内容，所以我今天围绕这两个跟大家做个简单的介绍。