智能汽车伤亡事故频出，自动驾驶能否真正实现解放双手？

发布时间：2025-07-08 12:53:46 来源：补偏救弊网 作者：综合

近日，智能自动真正智能汽车事故频出。汽车

8月10日，伤亡事故实现双手在正常测试过程中，频出百度旗下自动驾驶出行服务平台萝卜快跑的驾驶解放测试车辆，被后方车辆追尾，智能自动真正导致交通事故；同日，汽车某小鹏P7车主驾驶车辆与前方检查车辆故障人员发生碰撞，伤亡事故实现双手据网络流传的频出聊天记录，车主表示事故时开启了ACC、驾驶解放LCC等辅助功能。智能自动真正

尽管两起事故不一定是汽车由辅助驾驶或自动驾驶系统所导致，但业界围绕自动驾驶系统安全性的伤亡事故实现双手争议愈演愈烈。

“无论是频出硬件还是软件，当前汽车的驾驶解放辅助驾驶系统还非常不完善。但是由于企业和自媒体的过度宣传，导致用户过于信任和依赖这套系统。”某车企自动驾驶部门负责人李可向第一财经记者表示，他不会选择在高速公路上使用辅助驾驶或自动驾驶。

主流感知方案仍存在短板

针对小鹏P7在宁波高架上发生的事故，业界的关注点主要聚焦在两个方面：一是目前众多车企使用的L2级辅助驾驶系统，都可以根据前方的车辆速度进行自动跟车和减速刹车，但此次事件中当前方有障碍物时，为何车辆没能及时识别并做出相应的动作；二是根据车主表示，事故发生时自己“分神”了，在智能辅助驾驶系统功能愈发齐全、自动化程度越来越高的情况下，车企该如何让用户正确使用相关系统。

李可向称，无论是高级辅助驾驶还是自动驾驶，组成部分基本可分为感知、决策和控制模块。在感知方案上，当前主流的辅助驾驶系统主要采用摄像头和毫米波雷达的融合感知方案。在未来的发展方向上，特斯拉致力于采用纯视觉解决方案，大部分国内车企则计划应用摄像头、毫米波雷达和激光雷达的融合感知方案。

本次发生事故的小鹏P7便采用了毫米波雷达和视觉的融合感知方案。其中，毫米波主要通过电波反射来进行障碍物的探测，但难以准确识别障碍物类型，诸如路牌、龙门架、护栏等静止物体都会被识别为障碍物，为了保证驾驶辅助系统的流畅性，算法上通常会忽略相对于路面不移动的雷达回波。而视觉需要依赖大量的样本量进行学习，对于异形物的识别效果较差，这次被撞车辆前站了一个人，视觉可能会出现识别问题。

此外，视觉感知容易受到日照、明暗交替等环境因素干扰；毫米波雷达会穿透塑料、墙板和衣服等特定材料，无法对相应目标物进行识别。此外受制于成本，车载毫米波雷达一般仅涉及平面的角分辨率，垂直方向上则不做区分，因而也无法判断识别目标距离地面的高度。

据第一财经记者梳理，包括小鹏以及特斯拉在内的车企，目前的高阶辅助驾驶系统对于上述包括相对静态的障碍物、雪糕筒在内的物体，几乎都没办法识别，这在业内是一个普遍存在的问题。正因如此，这些车企在用户手册中往往都会将辅助功能无法实现的场景单独进行罗列。以小鹏汽车为例，在车主首次使用相应辅助驾驶系统前，小鹏汽车的操作界面有一个强制的考试答题环节，帮助用户了解辅助驾驶系统无法生效的使用场景。

有分析认为，在激光雷达上车之后，车辆对于静止障碍物、雪糕筒等物体的识别能力将有大幅提升。此外，激光雷达作为 3D 传感器具有测距远，分辨率优，受环境光影响小等特点，可以成为智能驾驶的第三只眼睛，弥补传统辅助驾驶系统的自带缺陷，系统误报等问题。

相当一部分车企也将增强感知的重任交给了激光雷达。近期，蔚来、小鹏、理想、阿维塔等车企发布的新车上，均已搭载一颗甚至多颗激光雷达。

无人驾驶是不是“镜中花”？

“从近期的技术条件来看，激光雷达会是自动驾驶感知的必要元件，它的探测精度以及提供的距离信息能够大大弥补目前主流方案的短板；但缺点就是价格过高，目前大部分车企装车的都是半固态激光雷达，虽然性能弱于很多自动驾驶测试车使用的机械式激光雷达，但成本已经下滑了很多，并且随着装车量的提升，成本还有进一步下探的空间。”某商用车自动驾驶解决方案首席工程师董浩告诉记者，将来不排除摄像头出现技术上的跃进，能够优化黑夜、光影交替等环境下的表现，提高纯视觉感知方案的可靠性。

但值得注意的是，激光雷达上车并非是实现自动驾驶的“救世主”。

尽管激光雷达能够补齐目前主流识别方案上的短板，但仅仅依靠硬件的升级，并不能完全解决识别能力不足或精确度不够的问题。

“人类驾驶员操控车辆，是通过眼睛收集信息，大脑处理信息，并最终用手脚来实现操控的动作；激光雷达、毫米波雷达等感知元件，就像人的眼睛，是来获取外界信息的；线性底盘、线性转向就是手脚，负责控制车辆；但目前最大的问题是，软件和算法还无法达到人脑的水平，即便探测元件收集到了信息，算法不一定能够进行准确的识别，并指导相应元件进行控制。”董浩说道。

自动驾驶是一个流程化、复杂的综合系统，涉及众多流程和领域。其在流程上包括感知层、认知层、决策规划层、控制层和执行层几个层面。而识别的准确度是上述几个流程共同作用的结果，其一方面依赖于硬件设备的检测精准度，比如，在摄像头和毫米波雷达的视觉融合方案中，摄像头和雷达都在执行检测，但对于同样的物体，不同的硬件设别检测的精准度不同，这就需要对硬件进行视觉技术训练。

近两年来，得益于软、硬件的提升，自动驾驶相关技术得到了长足的进步，例如小鹏的NGP、蔚来的NAD等系统，虽然被宣传为智能驾驶，但其实现的功能已经够得上L3级自动驾驶的水平。

董浩认为，在5到10年内，L4级别自动驾驶会得到较快的发展，其中近3~5年内，在矿区等相对封闭的场景会率先落地L4自动驾驶；但L5级自动驾驶，即全无人的自动驾驶，或许仍需要等待较长的时日。

“自动驾驶系统需要识别的物体有无限种，这就需要在机器学习中输入大量数据，把算法喂出来。但是非标准的物体又没有足够的数据。”李可认为，自动驾驶中的Corner Case（长尾问题）会无穷无尽，除非机器能够实现和人类一样举一反三的能力，那么自动驾驶可能永远无法覆盖100%的工况。

国内某驾驶辅助公司投资人告诉记者，一定程度上，在线控、自动驾驶等领域，汽车正沿着过去几十年间飞机技术的脚步演进，但目前即便是飞机，也没能100%实现自动驾驶。

相关文章