本文以Aeye的氣球挑戰(zhàn)為例，解釋了自動(dòng)駕駛在未來發(fā)展道路上還要解決的長(zhǎng)尾問題。

卡耐基梅隆大學(xué)Argo Lab人工智能無人駕駛研究中心首席科學(xué)家約翰·多蘭在一次采訪中提到，自動(dòng)駕駛遲到的原因歸結(jié)為兩點(diǎn)：底層技術(shù)和真實(shí)應(yīng)用場(chǎng)景。在技術(shù)方面，自動(dòng)駕駛的底層架構(gòu)和大部分技術(shù)問題已經(jīng)被解決，剩下的5%的長(zhǎng)尾問題，逐漸成了制約自動(dòng)駕駛發(fā)展的關(guān)鍵。這些問題包括各種零碎的場(chǎng)景、極端的情況和無法預(yù)測(cè)的人類行為。

為了克服這些長(zhǎng)尾問題，目前很多公司都在進(jìn)行大量真實(shí)路測(cè)實(shí)驗(yàn)來找到并解決這些邊界化的難題。

最近，激光雷達(dá)公司Aeye就做了一次挑戰(zhàn)，自動(dòng)駕駛?cè)绾我粋�(gè)漂浮在路中央的氣球。通過在L4級(jí)無人駕駛汽車往往偏向避免碰撞，在這種情況下,它們會(huì)采取的規(guī)避動(dòng)作或者踩剎車，來避免不必要的事故。而氣球是個(gè)軟性的物體，可以直接無障礙的通過。

如果讓無人駕駛汽車判斷出物體的性質(zhì)來判斷是否可以通過？

相機(jī)往往很難以區(qū)分障礙物的軟、硬，一切在它眼中都只是像素。在這種情況下，知覺訓(xùn)練幾乎是不可能的，因?yàn)樵诂F(xiàn)實(shí)世界中，軟的物體可以呈現(xiàn)出任意形狀、形式甚至擬人化的狀態(tài)。相機(jī)檢測(cè)性能是完全依靠適當(dāng)?shù)挠?xùn)練，通過把所有可能的外觀排列組合來找到合適的類別，但是遇到太陽眩光、陰影或夜間行駛等條件下，對(duì)性能造成影響。

雷達(dá)對(duì)物體材料是敏感的。不含金屬的軟物體或者沒有反射率的物體，無法反射無線電波，所以雷達(dá)不能識(shí)別氣球。此外，雷達(dá)在訓(xùn)練中通常會(huì)忽略靜止的物體，否則它會(huì)檢測(cè)出成千上萬的目標(biāo)，阻礙車輛的行駛。所以,即使氣球是由反光金屬塑料，但它漂浮在空氣中，可能沒有足夠的相對(duì)運(yùn)動(dòng)讓雷達(dá)探測(cè)到它。即使把相機(jī)和雷達(dá)組合在一起，也無法在任意條件下，做出正確的判斷。

相比之下，足夠密度的激光雷達(dá)點(diǎn)云，在提供足夠的數(shù)據(jù)分類以及恰當(dāng)?shù)穆窂揭?guī)劃算法的情況下，可以檢測(cè)像氣球一類的柔軟、可變形物體。收集足夠多的氣球數(shù)據(jù)，并確定其分類、形狀和速度數(shù)據(jù)發(fā)送到域控制器。激光雷達(dá)探測(cè)到氣球，并將其標(biāo)記為動(dòng)態(tài)感興趣的區(qū)域(ROI)，解決在此類條件下的長(zhǎng)尾問題。

2019年，盡管一些公開的道路測(cè)試甚至無人車商用已經(jīng)開始，同時(shí)大部分技術(shù)問題已不再是問題，但是我們面臨的車輛長(zhǎng)尾問題仍不在少數(shù)。

有網(wǎng)友專門整理了這些無人車很難做出判斷的場(chǎng)景，比如打傘的人，人在車后搬箱子、樹倒在路中央等等。

這些有人類行為參與的場(chǎng)景，就像正態(tài)分布曲線那樣。即使圖像兩端的情況很少發(fā)生，我們的測(cè)試也要涵蓋進(jìn)去所有的人類行為情況。既要通過實(shí)際路測(cè)來發(fā)現(xiàn)，也要通過無數(shù)的仿真測(cè)試，去創(chuàng)造、搭建足夠的數(shù)據(jù)來保證行駛的安全。

我們堅(jiān)信，經(jīng)過與長(zhǎng)尾問題不斷的糾纏打磨，未來的自動(dòng)駕駛系統(tǒng)將變得越來越可靠。