一个交通锥为什么让自动驾驶车如临大敌

蘑菇说：交通锥是一种常见的道路隔离警戒标志。日常行车中，遇到前方有交通锥，人类司机大多能自如绕行。但为何对自动驾驶车来说，小小的交通锥却能带来大大的麻烦？本期蘑菇说为你解读。

让我们假设一个画面：一辆自动驾驶汽车刚刚进入路口，准备右转。但是右转的双车道由于放置了交通锥，变成了单车道。

自动驾驶程序探测到之后，不知为何，停在路口不走了。停了几分钟后，这辆车接着右转，但在转过去的瞬间又一头扎进封闭车道，卡在两个交通锥中间。

这是自动驾驶汽车在测试中经常发生的一幕。 交通锥是一种用来警示司机，前方路障、请绕行的锥形路标，又称“雪糕筒”。因而这种现象又被称为“雪糕筒“难题。

相比汽车和行人，雪糕筒对“自动驾驶之眼”——高精度摄像头的识别带来的挑战确实更大。

原因之一是，雪糕筒体积相对较小，摆放位置低。而自动驾驶汽车通常处于高速移动状态，摄像头在远处难以捕捉到，在近处又往往将其遗失在可拍摄范围之外。 另一种可能性是，摄像头成功地拍摄到了交通锥的画面，但嵌入其内的深度学习软件对“TA是谁“的判断出现了错误。

深度学习的作用原理是基于已有场景库数据的算法模型训练。机器必须在系统里见过TA，才能识别TA。 交通锥恰好代表了一类让深度学习工程师头疼的道路障碍。这类路障还包括三角锥、岩石、封路警示锥等警示物，以及快递箱、盒子，突然跃上公路的麋鹿。它们很少出现在现成的自动驾驶开源场景库或数据集里（因为实在太罕见了）。

即使曾经出现过，在现实世界中，也会有各种不规则的变体或替代形态出现。对摄像头来说，这是额外的、风险非常高的工作量。摄像头需要重新感光，记录一组新的像素值，并反馈至深度学习软件中。 更大的挑战是，真实世界物体几乎都是立体的。自然生物有两只或两只以上对等排列的眼睛，能够适应物体的深度感知，生物学家又把这称为“立体视觉（Stereo Vision）”。

然而，大多数摄像头是没有立体视觉的，这是限制摄像头在自动驾驶驾驶领域应用的最大问题之一。

摄像头根据像素网格里的光线强度捕捉信息，把三维数据世界转化成简洁的二维格式。但捕捉过程中，会遗漏一则深度感知的关键信息：物体与摄像头之间的距离。雪糕筒就是典型的三维物体。这也是自动驾驶汽车对雪糕筒识别错误的一个原因。

科学家研究了多项不同技术来克服这固有的限制。解决方案之一是在同一辆车内放置多个摄像头。

一辆自动驾驶汽车通常有8-16个摄像头，它们分布在车身不同角落，用来捕捉同一个物体。每台机器的角度有细微差别，以此帮助计算机重建缝合3D场景，对周围环境和相对距离有立体的计算结果。 蘑菇车联的“单车智能+车路协同”是另一种解决方案。它相当于在路灯杆上为自动驾驶安装另一双眼睛。

这更接近“上帝之眼”的形态。市政道路的灯杆通常高8-14米，高空俯视的天然视角优势，让自动驾驶检测系统在规避盲区的同时，也把道路上的交通标识和各种意外闯入，自如地尽收眼底。毕竟，只要时间充裕，就没有意外之说。

编辑：jq