老司机开夜路总是要慢一点。
因为夜晚光线不够充足，可见距离变短，道路信息、路面路标都不如白天清晰，所以夜晚开车总是更加谨慎。
同样，夜间场景也是智能驾驶技术突破的难题。如果是晚高峰的城市路况，复杂度就更大。在夜间，摄像头捕捉的图像十分模糊，对车辆和行人等环境变化的感知会比较难，同时，车灯的夜间照明功能也会对视觉传感器带来较大影响。
当然，也并非没有解决的办法。
28公里，广州晚高峰，0接管继今年6月完成城市道路智能驾驶挑战后，智己又开启了城市晚高峰智能驾驶挑战。
这次挑战途经华南快速路、广州环城高速以及核心区域城市道路，包括合流、分流路线，以及一些岔道，几乎覆盖了城市晚高峰可能遇到的所有行车场景。
夜幕降临，智己汽车IM AD测试车开启IM AD上路。

文章插图
第一个挑战是进入高架后的合流、分流路段，测试车并没有迟疑，直接选择一条路线通过。恶劣的光线环境并没有对测试车造成干扰。
上匝道后进入前方汇流状态，但不同于常规城市快速路，广州华快汇入口多为右侧，智己汽车IM AD精准识别到前方汇流入口，提前根据右侧主路车流的情况，适当减缓速度“观望”主路情况，识别到右侧主路前方、后方均车辆无车通行后，果断向右完成汇流。

文章插图
【 uber|一场28公里的城市晚高峰智能驾驶挑战是如何完成的】此次测试还经历了行车过程中常见的两个突发情况：
遭遇违规加塞：当测试车行驶前方匝道汇流出口，右侧车辆未打灯状态下突然变道加塞。
智己汽车IM AD在前车向左变道的第一时间精准识别，并完成了减速决策。由于距离、车速均有余地，智己汽车IM AD选择了以“让速不让道”的方式应对当前场景，平稳降速避让，动作幅度非常轻柔，避让完成后，提速回归正常行驶。

文章插图
遭遇新旧车道线：测试车正常行驶过程中，地面同时出现新旧车道线。
智己汽车IM AD在有旧线存在的情况下，没有出现左右摇摆的情况，直接以新线为参照物进行居中行驶。夜间环境下，车道线识别更加考验视觉感知与高精地图的协作。
在整个过程中，智己测试车都没有急停急起，系统紧急退出等情况发生，IM AD的处理灵敏、老练，始终保持着乘坐舒适性，整个过程中实现0接管，完成了一次难度更大的挑战。
为什么夜间智能驾驶更难？目前已经公开的数起智能驾驶事故，已经印证了夜间场景的难度。
今年8月，美国国家公路交通安全管理局（NHTSA）对自2018年以来涉及特斯拉Autopilot自动辅助驾驶功能引发的11起事故展开调查，其中一个发现是11起事故大多发生在夜间。
2018年Uber智能驾驶夜间测试时，以69公里的时速将一位横穿马路的行人撞死，导致美国智能驾驶测试被一度叫停。
其实两个案例也分别对应了智能驾驶夜间场景的两个技术难点：
传感器精度和算法。
特斯拉坚持采用的纯视觉方案对于夜间场景的感知能力更弱。
首先，摄像头的作用距离和测距精度不如毫米波雷达，同时，摄像头更容易受光照、天气等因素的影响。
摄像头在夜间捕捉清晰图像的能力较弱，对车辆和行人等环境变化的感知不够高，可靠性并不好。
除了特斯拉以外，行业内基本采用的都是借助超声波雷达、毫米波雷达与摄像头互补，激光雷达也越来越多地被应用在其中。这是保证智能驾驶系统夜间行驶的安全前提。
但是，采用多传感器融合的方案也不是万无一失。
在Uber的案例中，尽管其测试车辆采用了感知融合方案，但是其在探测到行人后的处理方式出现问题，才造成了最终事故。
说明其算法作出的决策有问题。
感知能力是硬件能力，同时需要高算力芯片的处理能力，当然还需要软件能力的配合。也就是智能驾驶系统的决策能力，来完成感知之后的判断和操控。
据公开的调查结果显示，车祸发生前Uber的智能驾驶系统已经检测到行人，但因其行走在人行横道之外，而将其识别为一个物体，并且没有作出提前降速以及刹车等反应。

文章插图
夜间场景除了光线问题，还会经历很多突发状况，如何像人一样做出正确的驾驶决策，是对算法的考验。

稿源：(品玩)

【傻大方】网址：/c/112EL1552021.html

标题：uber|一场28公里的城市晚高峰智能驾驶挑战是如何完成的