[首發(fā)于智駕最前沿微信公眾號]之前看到過一個非常有趣的新聞，那就是貼有董明珠海報的公交車經(jīng)過十字路口時，被“行人闖紅燈曝光臺”識別到，并誤以為董明珠闖紅燈了。看似一個茶余飯后閑聊的話題，對于自動駕駛行業(yè)來說，其實是一個值得深思的問題。隨著自動駕駛技術(shù)下沉到消費市場，基于純視覺的自動駕駛系統(tǒng)就是依托于車載攝像頭來識別路況，如果遇到了類似海報上的人，尤其是遇到了與真人大小類似的人物海報，自動駕駛系統(tǒng)將如何理解？

其實在純視覺的自動駕駛系統(tǒng)中，攝像頭就像汽車的“眼睛”，負責不停地拍下周圍的風景，然后把這些畫面交給車上的“大腦”——也就是各種算法和模型（決策系統(tǒng)），來判斷前方有沒有行人、車輛或障礙物。當汽車只靠攝像頭“看世界”時，無論是真人、雕像，還是貼在墻上的海報、廣告牌，都可以被它同樣地“看到”，但這一切都只是二維的像素點。如果車上的“腦子”誤把一張畫得惟妙惟肖的海報人物當成了真實行人，它是否會不由自主地踩下剎車，甚至緊急停車？

要讓純視覺系統(tǒng)分清畫報上的“假人”和馬路上真正走動的行人，其實要從硬件和軟件兩條路同時發(fā)力。現(xiàn)階段為了確保自動駕駛的安全性，很多車企都會選擇在攝像頭旁邊再裝一臺雷達或激光雷達（基于激光雷達的自動駕駛方案）。雷達發(fā)射電磁波，激光雷達發(fā)射激光脈沖，不同于攝像頭只“看到”表面紋理，這些傳感器能直接給出物體到車身的距離。海報只是貼在墻上的一層薄薄的紙，它在雷達或激光雷達里幾乎沒有回波，汽車就能立刻判斷：“哦，這不是立體的人，是個平面的東西。”但受成本和空間限制，量產(chǎn)車型并不總能一開始就配齊這些高精度傳感器。

在只依賴攝像頭的情況下，軟件層面的改進更顯關(guān)鍵。最先要做的，就是讓攝像頭拍到的畫面經(jīng)過更聰明的“人形檢測”算法。目標檢測模型通常會先在圖像上劃出許多小方框，然后再判斷每個方框里是不是人。早期的做法像給照片打了“九宮格”，一點一點地掃；現(xiàn)在用深度學習的大腦，能一次性在不同大小的區(qū)域上同時判斷，大幅提高了速度和準確率。但是這些大腦都是在大量真實行人的照片或視頻上訓練出來的，對海報、畫報這樣專門制作的人像平面并不陌生，因為它們往往長得和真人太像了，于是就容易“見人就當真人”。

為了解決這個問題，就會讓模型在訓練時多“看”一些海報、廣告、櫥窗人像的畫面，把它們當作“負樣本”喂給大腦，告訴它們“雖然這個區(qū)域里有一個人形，但它總是貼在同一個地方，不會移動，也不會有立體的深度變化”。這樣，模型在識別“行人”時，就能多留一個心眼，如果它在連續(xù)的畫面里每一幀都在同一個位置出現(xiàn)，而且旁邊沒有地面陰影、腳步移動產(chǎn)生的微小抖動，就可能是個海報，而不是一個真正走路的人。

除了讓模型學得更聰明，純視覺系統(tǒng)還會利用“深度估計”技術(shù)來給每個像素預測一個距離值。想象一下，如果你只用單只眼睛看東西，也能憑借物體大小、透視關(guān)系估計遠近。深度估計網(wǎng)絡就是這么一回事，它會結(jié)合數(shù)萬張配有真實距離標注的照片，學會從平面圖像里猜距離。問題是，海報和背景是一體的平面，網(wǎng)絡有時候也會誤以為海報里的“人”是在幾米外的真實行人。為此，工程師們會在車上裝兩臺攝像頭或雙目攝像頭，前后或左右分開約幾十厘米，模仿我們?nèi)搜鄣?a target="_blank">工作原理，通過左右圖像的微小差別（視差），直接算出距離。對于真正立體的行人，視差足夠明顯；對于緊貼墻面的廣告，其視差幾乎為零，這時系統(tǒng)就能判定它是個平面。

更進一步的時，系統(tǒng)會追蹤每個“人”在多幀畫面中的運動軌跡。真的行人會自己動，每一步都帶來位置和形狀的微妙變化；而海報里的“人”只會隨著車子的移動在畫面里平移、縮放，卻不會產(chǎn)生獨立運動。現(xiàn)在主要采用一種叫“多目標跟蹤”（MultiObject Tracking）的技術(shù)，把每個檢測到的人都打上標簽，然后觀察它在時間軸上是如何變化。如果某個標簽在反復觀察中，從來沒有過正常的人行運動，那么它的“行人”置信度就會被一幀一幀地降低，最終被系統(tǒng)忽略。

為了讓純視覺系統(tǒng)更早地識別出海報，很多車企還會選擇在車輛首次經(jīng)過某條路段時，自動繪制一張“靜態(tài)地圖”（高精度地圖），記錄下兩旁那些看起來像人卻不怎么動的畫面位置。這樣，車輛再次行駛同一路線時，就不用每次都去重新判斷，而是把這些已知的靜止“假人”從一開始就屏蔽掉，節(jié)省計算資源，也避免了重復誤判。

盡管這些算法在實驗室和小范圍測試中已經(jīng)取得了不錯效果，但陽光直射、雨雪天氣、夜晚路燈閃爍等復雜情況，仍然會讓純視覺系統(tǒng)偶爾“犯迷糊”。為此還會在虛擬仿真平臺（比如CARLA、LG SVL）里，模擬各種極端光照和天氣條件，讓系統(tǒng)先在虛擬世界里“吃透”可能遇到的畫面，再到真實道路上進行測試和驗證。

隨著“視覺大模型”（類似自然語言領(lǐng)域的GPT大模型）逐漸走向成熟，純視覺方案將擁有更強的“常識推理”能力。它們不僅能看出圖像里有人，還能結(jié)合場景理解。海報一般固定在墻面、廣告牌上不會突然移動，也不會投下隨行人的腳部陰影。這樣一來，汽車的大腦就像多了常識一樣，能夠更好地區(qū)分“畫報上的人”和真正的行人。

要讓純視覺自動駕駛系統(tǒng)既能敏銳地發(fā)現(xiàn)真實行人，又不會被路邊的海報嚇得亂剎車，其實需要軟硬件多方面的配合。加裝雷達或雙目攝像頭、利用深度估計、時空跟蹤、靜態(tài)語義地圖和負樣本訓練，都是在讓汽車“更聰明”地看世界。未來，當城市的路燈、路側(cè)基站也都能把靜態(tài)障礙信息實時廣播給車輛時，純視覺自動駕駛就能像人一樣，用“眼睛+大腦”配合得更默契，真正做到在復雜的城市環(huán)境中，自信而平穩(wěn)地前行，再也不用擔心那些“畫報上的人”會誤導它。

審核編輯 黃宇