四次事故兩死兩傷，特斯拉為啥總是撞上白色卡車？

編者按：本文來自微信公眾號“車東西”（ID:chedongxi），作者：曉寒，編輯：肖涵 ，36氪經授權發佈。

特斯拉又出事故了！ 

據外媒報道，就在幾天前，美國底特律一台白色Model Y在一個T字路口正面撞上了一台大型卡車。Model Y車頭較低，其直接鑽進了卡車底部車輛嚴重損毀。 

事故發生在當地時間凌晨3:20分左右，事發時車內一男一女兩名乘客嚴重受傷，並被送往當地醫院救治，卡車司機則並未受傷。 

▲近日特斯拉在底特律撞上白色卡車

2016年和2019年，特斯拉在美國出現過兩次致命事故。都是在打開L2級自動駕駛系統的同時，車輛以垂直方向撞上了大型卡車，最終導致車內人員喪生。 

2020年，台灣一台Model 3在高速上也撞上了一台側翻的卡車。 

▲2019年特斯拉事故車輛，駕駛員不幸喪生

▲2020年事故現場監控畫面

這三起事故有很高的相似性，因此特斯拉再次發生類似事故後，也引起了強烈關注，同時又在不斷提出一個靈魂問題：

為什麼被稱為量產車最強的L2級自動駕駛系統，卻總是躲不開一台白色卡車？

答案其實並非是特斯拉技術不強，也根本不是白色卡車就是特斯拉的“天敵”。 

而是因為對靜態車輛的檢測，屬於當下以“攝像頭+毫米波雷達”作為主傳感器的L2級自動駕駛方案的一個世界性難題，各家的系統對靜止車輛都很頭疼。 

比如今年2月份，一台蔚來ES8在開啓L2級自動駕駛系統巡航時，先後撞了一個行人和一台靜止的五菱宏光。（可參考文章《蔚來ES8開L2撞人又撞車，為啥裝24個傳感器都躲不開？》） 

正如前文所言，這起事故之所以收到了中外一些媒體的關注，核心是因為特斯拉的車型曾經出現過開L2撞卡車，並致駕駛員喪生的嚴重事故。 

但從目前外媒的報道和推特上知情網友的消息來看，目前尚無法確認事故發生時車輛是否開啓了L2級自動駕駛系統。 

▲事故現場

因此這起事故的原因並非與特斯拉L2級自動駕駛系統有關。 

當然，即使是2016年和2019年的兩起致命撞卡車事故，從責任劃分上來説也是駕駛員的問題。 

▲2016年類似事故現場

因為特斯拉的Autopilot系統屬於L2級自動駕駛，一是隻能在有限的場景下工作，二是需要駕駛員全程監控路況並隨時準備接管。 

比如垂直方向有大型卡車時，就屬於系統不工作的場景，需要駕駛員及時接管車輛。 

去年3月23日，美國國家運輸安全委員會（NTSB）針對兩起特斯拉Autopilot L2級自動駕駛系統致人死亡的事件發佈了最終報告。報告表明，兩起事故當中，駕駛員都過度依賴特斯拉L2級自動駕駛功能，從而出現注意力不集中的現象，最終導致事故發生。 

▲NTSB在其網站上的發佈了最終調查報告

NTSB認為，卡車駕駛員在路口沒有停車，直接左轉駛入高速公路，屬於危險駕駛行為。特斯拉Model 3駕駛員過度依賴特斯拉L2級自動駕駛技術，導致注意力不集中。NTSB最終認定，事故原因是特斯拉Autopilot L2級自動駕駛系統在駕駛員脱手時沒有及時提醒，與設計使用條件不一致，最終導致發生碰撞事故。 

其中一起事故，就是2019年3月1日出現的Model 3撞上卡車致使駕駛員死亡的事故。 

就算沒有開啓L2，那特斯拉的AEB自動緊急制動系統為什麼也失靈了呢？ 

特斯拉的AEB系統可以手動關閉，因此如果駕駛員當時關閉了AEB，那麼系統自然就不會工作了。 

從美國監管機構的報告可以看出，垂直方向撞卡車的事故，明顯是超過了特斯拉L2系統的工作範圍，又加上駕駛員沒有及時接管所造成的。

那麼問題來了，為什麼被公認為“量產車最強L2”的Autopilot系統，就是躲不開一輛活生生的大卡車呢？

與車東西此前報道蔚來ES8事故的結論一致：這起事故的根本原因是“攝像頭+毫米波雷達”的傳感器配置，很難識別靜止車輛或緩行車輛。 

與Model 3一樣，特斯拉Model Y周身搭載了8個攝像頭，1個大陸的毫米波雷達，和12個超聲波雷達。 

▲特斯拉傳感器配置

在開啓L2級自動駕駛系統（Autopilot、NOA或EAP系統）時，車輛主要依靠前視攝像頭和毫米波雷達探測前方物體。 

特斯拉雖然是三目前視攝像頭，但並沒有使用立體視覺，三個攝像頭主要是焦距不同，看的視野範圍不同。 

所以總的來説，特斯拉與目前絕大部分L2級自動駕駛系統都一樣，都是視覺+毫米波雷達的傳感器方案。 

不管是使用基於規則的視覺算法還是使用深度學習技術，視覺在感知外界物體時永遠做不到100%準確，甚至經常會出錯。 

比如筆者自己的特斯拉在出地庫時，就會莫名把牆壁識別為公交車。又比如最近很火的一個抖音視頻中，特斯拉在空無一人的墓地，就莫名識別出了行人。 

▲特斯拉在無人墓地識別出行人

此外，還出現過把公交車身上的人物照片識別為行人、把路邊廣告屏幕上的停車標誌識別為真實停車標誌的案例。 

而靠反射毫米波來探測目標的雷達不會“見鬼”，前方有東西就有回波，沒有東西就沒有回波。 

正是因為視覺出錯概率很高，雷達更“靠譜”，因此大部分L2系統會在視覺的基礎上再引入毫米波雷達的探測結果進行驗證。 

如果攝像頭髮現前方有車輛，雷達也確認了前車的位置和速度，就可以做出剎車的動作。 

如果用這些誤識別的結果來做駕駛決策，顯然會出現更多的問題。特斯拉自然知道這一點，因此在實際中並不會對純視覺的感知結果進行反應。 

所以這起事故的原因就很明確了，不管視覺有沒有識別到前車，一定是毫米波雷達沒有給出結果，所以最終系統沒有反應。 

毫米波雷達即然不會“見鬼”，那麼為啥會識別不到前方的卡車呢？ 

東南大學國家毫米波重點實驗室毫米雷達技術專家、毫米波雷達公司隼眼科技CTO張慧多次向車東西分析了背後的原因。 

從最底層的工作原理來説，毫米波雷達主要是依靠多普勒效應來感知移動目標。多普勒效應的特性是，動態對動態最容易感知、動態對靜態較難感知、靜態對靜態極難感知。 

這是因為如果前方車輛靜止，目標信息容易和地雜波等摻雜在一起，需要一定的算法才能從中分辨出目標。而如果是一個行駛中的汽車，基於其多普勒信息，從而比較好探測到目標。 

所以如果卡車靜止或者移動速度很慢，雷達的算法就無法知道前方有物體。 

但這種可能性並不大，因為各大雷達公司已經做出了一些感知算法，可以識別靜態物體。 

真正的難點是，現在的雷達沒有高度信息，並且空間分辨率不足。 

沒有高度信息，意味着雷達很難區分橫穿馬路的路牌和橋下的車；空間分辨率不足，意味着兩個距離很近的物體，其回波會被混在一起，很難知道有幾個目標。 

所以雷達公司和一些車企在拿到雷達的反射數據後，會通過算法直接將一些靜止物體，或者疑似靜止的物體過濾掉，以避免產生錯誤的反應。 

比如本次事故場景中，因為卡車是垂直Model Y方向行駛，如果同時行駛速度又很慢的話，因為缺乏徑向多普勒分量，雷達的識別算法很容易將其當成靜態目標過濾掉了。 

如果毫米波雷達把目標過濾掉了，所以不管視覺能否看到這台卡車，都不起用了。 

回到這起事故，特斯拉當時是否開啓了自動駕駛系統還沒有確定，事故原因還需要等待當地警方和特斯拉官方調查。實際上，即便開啓了L2級自動駕駛系統，白色卡車這一場景也有些極端。對目前量產L2級自動駕駛系統來説，還有不少場景無法處理。 

針對L2級自動駕駛系統存在的種種問題，車企也給出了自己的解決方案。一方面，自動駕駛算法不斷優化，通過“影子模式”、上路測試等方法，讓自動駕駛系統不斷成熟，同時不斷增加L2級自動駕駛的功能。另一方面，隨着硬件成本的下降，不少車型已經規劃搭載激光雷達，避免類似事故發生。