自动驾驶汽车如何识别红绿灯？

[首发于智驾最前沿微信公众号]只要汽车在道路上行驶，无疑会遇到一个场景，那就是在路口遇到红绿灯时，根据红绿灯的情况及时停车或继续行驶。这一看似简单的驾驶动作，对于人类驾驶员来说，是非常自然的一件事，很多老司机凭借视觉和经验，可以快速判断红绿灯的情况。

这一简单的场景对于自动驾驶汽车来说，却有很多值得讨论的地方。虽然只是根据灯的颜色决定行驶步骤，但红绿灯识别无疑是自动驾驶系统最基础、最重要的任务之一。如果自动驾驶汽车不能准确判断信号灯状态，就无法安全地在城市道路上通行，这将直接关系到车辆的安全性和通过能力。

自动驾驶的核心任务就是在没有人为干预的情况下，自己完成感知、决策和控制等动作。红绿灯属于“规则性行为”的典型场景，它是道路上明确、可预测的交通控制规则。那自动驾驶汽车是如何识别红绿灯的？

红绿灯是怎么被看到的？

自动驾驶汽车识别红绿灯，最基础的工具就是摄像头。自动驾驶汽车上安装的车载摄像头，就像是人的眼睛，可以从不同角度不停获取周围环境的画面。在这些视频流里面，系统只有做到知道红绿灯是什么、在哪里、当前状态是怎么变的等信息，才可以准确地识别红绿灯。

自动驾驶汽车最早识别红绿灯的方法来自计算机视觉的经典思路，即基于颜色和形状的检测。具体做法是先分析图像中的颜色分布和几何特征，把可能包含灯组的候选区域找出来，然后判断这些区域是红、黄还是绿。传统算法一般用颜色分割和边缘检测来筛选候选区域，再通过模板匹配或手工提取的特征来确认它是否是信号灯，最后确定灯的当前状态。

随着自动驾驶技术的不断发展，深度学习进一步提升了红绿灯识别的准确性与鲁棒性。深度学习模型可以从大量标注数据中学习什么样的图像是红绿灯、它在不同环境光照、不同距离或部分遮挡下是什么样子，然后自动输出检测结果。这类神经网络模型相比传统方法对复杂场景更具适应性，因此在自动驾驶感知里被大量使用。

实际上，已经有专门针对交通信号灯检测优化的网络模型，用于实时识别和分类红绿灯的灯状态。这些模型会结合多个时间帧进行处理，而不是仅分析单帧图像，这样可以利用时间连续性提高红绿灯识别的稳定性和准确率。

不只是相机，多种感知协同更稳妥

虽然摄像头是识别信号灯的主要传感器之一，但自动驾驶汽车的“眼睛”其实不止一个。为了提升准确性和可靠性，系统会把摄像头识别结果与其他传感器的信息融合一起判断。

一个典型的组合就是摄像头+高精度地图（HDMap）。高精度地图会提前记录路口的位置、信号灯的位置甚至一些配时信息。在自动驾驶系统里，当车靠近某个地点时，它就已经知道这个路口有红绿灯，这样可以帮助感知系统减少盲区和误检。对于摄像头来说，它不再是“无目的地找信号灯”，而是可以提前知道红绿灯的大致位置和可能的状态。这样配合起来，车辆的识别准确率会得到明显提升。

还有一些自动驾驶方案会用到激光雷达（Lidar）数据。虽然雷达无法直接识别颜色，但它可以帮助确认信号灯的位置和空间关系，比如可以判断信号灯是否被其他物体局部遮挡，或者测量灯距离车辆的精确距离。这些信息交给融合算法一起判断，就能进一步提高自动驾驶系统整体感知的稳定性。

识别之后怎么让车辆准确执行

对于自动驾驶汽车来说，识别出信号灯才是第一步，下一步是让车辆做出正确的决策。自动驾驶系统的决策模块需要根据识别结果和当前车速、路况、地图信息综合判断下一步动作。

大家在开车时应该可以发现，很多路口的红绿灯并不统一，有些路口有单独的右转向指示灯，有些路口有单独的左转向指示灯。自动驾驶系统不仅要准确识别出这些灯的位置及状态，更要正确理解指示灯的含义，从而为决策模块提供准确的数据。譬如在遇到有单独的右转指示灯的路口，一定要先辨别右转指示灯的状态，再决定是否要右转，而不能盲目地直接执行右转操作。

当然，在真实的交通环境中，并不是所有的路口都是非常理想的状态，会出现一系列的干扰。在日出、日落时，红绿灯可能会被强光“淹没”，识别变得模糊。晚上雨天波光反射也会干扰传感器判断。为了应对这种情况，自动驾驶系统需提前学会各种路况下的红绿灯状态，从而提前适应复杂场景。

很多车主在开车时一定遇到过大型卡车停在前面挡住信号灯，或是背景中出现类似红绿灯光源干扰的情况，对于自动驾驶汽车而言，这类场景一定会遇到。对于这些场景，自动驾驶系统可通过利用时间连续性（如结合前几帧与当前帧的信号状态一致性）、车辆自身的精确定位信息，以及高精度地图数据等多维度信息进行判断，从而全面提升信号灯识别的鲁棒性与可靠性。

不仅是实时感知还有预测

对于自动驾驶系统来说，红绿灯识别不仅仅是拍到信号灯之后判断颜色，其中还会涉及预测信号灯变化趋势。在接近路口时，只有做好红绿灯的变化趋势，才可以让行驶的过程更加平顺，从而不会出现急刹或急起的情况，影响乘客的乘坐体验。

正如前文所说，自动驾驶系统除了纯粹的视觉识别，还会融合来自高精地图或城市交通信号系统的数据。如果车辆能提前知道下一阶段灯的状态和剩余时间，它的行为会更加平顺和安全。很多我们常使用的导航系统实现的红绿灯倒计时，就是使用的这种思路，只不过在自动驾驶里需要更高的精度和更低的延迟。

现在，还有一些先进的自动驾驶方案正进一步引入基于机器学习的预测能力。通过分析历史车辆通行数据与实时交通流信息，系统可以训练模型来预测信号灯在下一个周期的可能变化。这种前瞻性的预测策略，能显著提升自动驾驶车辆的车速控制平顺性、通行效率，并为更安全、合理的轨迹规划提供关键决策依据。

最后的话

红绿灯识别这个看似细小的能力，其实能看出自动驾驶技术走到哪一步。它不只是“看清一个灯是什么颜色”，而是考验系统能否在不确定、复杂、甚至互相矛盾的信息中，始终做出最保守、最安全的判断。也正因为如此，红绿灯识别始终是自动驾驶安全能力的试金石，它逼着技术从“能用”走向“可信”，从单点智能走向系统级可靠。