自動駕駛“不可靠”場景_騰訊視頻
在輔助駕駛事故中，有個經典案例-特斯拉台灣嘉義事故，一輛翻倒在地的白色大貨車靜止側躺着高速路上，被經過此地開啓AP的特斯拉筆直撞上，原因主要在於事故場景中“白色”和“靜止”兩個關鍵特徵忽悠了特斯拉感知系統中的攝像頭和毫米波雷達。
這也不是特斯拉AP第一次槓上白色貨車，此前在北美加州、佛羅里達等多起特斯拉AP事故均與道路中間的大貨車有關，可見這也不算太屬於是某種長尾場景（極端特殊場景），就是由於感知系統首先瘸了腿，導致了此時輔助駕駛處於相對“弱勢”的狀態，我們可以把這種場景稱之為輔助駕駛的“弱勢場景”。
而輔助駕駛的弱勢場景以及長尾場景這兩類，都屬於輔助駕駛是不太能hold住的狀態。但bug就在於，即便在此類場景下，輔助駕駛可能依舊會勉勵支撐而不是適時主動下線，所以我們作為駕駛者以及L4級輔助駕駛以下的責任主體，其實是要隨時做好輔助駕駛撂挑子或者犯錯誤的心理準備的。
當然，非此類情況也應當時刻保持注意力，一方面不管責任歸屬哪一方，生命的歸屬於永遠都是駕駛者自己；另一方面，其實所謂輔助駕駛“不可靠”情況，相當一部分都是偶發現象，所以還是需要駕駛者對道路情況有基本的掌握。
輔助駕駛弱勢場景
輔助駕駛弱勢場景主要應該就是指在感知層面首先出了問題，從而導致在決策層面，無有效信息或者被算法忽略。儘管現在的智能汽車通常不武裝十個以上各類傳感器，都不好意思做宣傳，但不同的傳感器也有各自的適用特徵，而且傳感器並非在任何場景下都能發揮100%的作用。
所以對於駕駛者來説，不管你是開的小鵬、蔚來還是極狐或特斯拉，首先應該清楚自己這台車上都擁有那幾類傳感器，或者更進一步瞭解一下傳感器的特徵以及哪些場景會讓傳感器相對弱勢。
比如攝像頭在反光、暗夜、雨雪等情況下的目標識別準確度會大大折扣，同時在正常交通狀態中，對於和交通背景有一定顏色重疊的目標的識別也不靠譜，比如會把白色貨車誤識別為雲朵，把路邊彩旗識別為紅燈，同樣如果在缺乏高精地圖且新舊車道線混亂的路段，攝像頭對正確車道的識別一樣不可靠。
不止是攝像頭，毫米波雷達和目前還沒規模上車的激光雷達在感知上都有各自的短板，就像霧霾天氣對攝像頭有影響，對激光雷達也一樣。而靜止障礙物對攝像頭和毫米波雷達都是考驗，攝像頭依靠機器學習來訓練識別物體，但靜止物體的種類遠比交通環境中的車型多太多，無法充分經過樣本訓練，但沒經過樣本訓練就很難識別。
比如最近的蔚來一起的交通事故，就是由於缺乏對樁桶這類靜止障礙物的樣本識別，而導致悲劇發生，但同樣的情況可能在其他輔助駕駛系統中卻不會出現。
而毫米波雷達一是受限於目標對電磁波的反射敏感度，二是雷達的空間分辨率很差，而相對於路面靜止障礙物不會移動的雷達回波又太多，在算法上通常會被忽略掉，所以毫米波雷達在視覺和毫米波融合感知方案中主要承擔輔助角色，測速測距可以，對目標的識別本就沒啥話語權，更別提靜止目標。
此前我們在《超級開箱》欄目中，針對多款搭載輔助駕駛系統的車型進行測試，也遇到過以上多種場景，比如經典的cut in，前方車輛突然剎車停住等。其中最嚴重的，是雨天某自主品牌車型在輔助駕駛系統開啓時，經彎道時誤入另一側車道，而系統自身卻毫無知覺，相當危險，視頻如文章開頭，供大家參考。
輔助駕駛長尾場景
如果以上弱勢場景都可以經過模擬訓練進行加強，那麼輔助駕駛的長尾場景，基本則屬於可遇不可求的小概率事件，對於輔助駕駛廠家來説從感知、算法層面都很難提前做規避。
畢竟輔助駕駛系統大致上是在認知的範圍內做決策，如果場景超出了認知可能就會被模糊處理或者錯誤處理，就像一個只見過木瓜沒見過木瓜手雷的嬰兒，他可能會誤以為後者也是可以吃的，但實際交通環境中這種沒見過的場景卻根本無法窮舉。
比如視覺識別為主的輔助駕駛車輛，遇到前方一個行人手中拿着一個Stop 標識牌或者前方車輛貨物突然掉下來等此類現象，這也是對自動駕駛最大的挑戰，因為你很難收集到所有的極端情況。
但總之，在輔助駕駛系統並不完全靠譜的當下，熟知自己的手中這台車輔助駕駛系統的弱勢場景，以及時刻保持在線才是最重要的。畢竟生命只有一次，也永遠歸屬於駕駛者自己。