[首發(fā)于智駕最前沿微信公眾號]當(dāng)自動駕駛汽車在城市道路、鄉(xiāng)間小路或石子路面行駛時(shí)，感知系統(tǒng)的穩(wěn)定性會面臨前所未有的考驗(yàn)。這種考驗(yàn)不僅源于環(huán)境光照的變化或障礙物類型的增多，更來自于車輛與路面交互時(shí)產(chǎn)生的物理震動和姿態(tài)劇烈波動。

顛簸路面產(chǎn)生的震動會直接作用于精密安裝的傳感器硬件，導(dǎo)致傳感器采集到的原始數(shù)據(jù)出現(xiàn)物理層面的扭曲、模糊甚至信號中斷。

如果感知系統(tǒng)無法有效應(yīng)對這些動態(tài)干擾，車輛可能會出現(xiàn)如將路面的起伏識別為障礙物，或者在劇烈抖動中丟失對前方行人的穩(wěn)定跟蹤等誤判，那自動駕駛在顛簸路面如何確保感知的準(zhǔn)確性？

傳感器安裝架構(gòu)與機(jī)械減震技術(shù)

在提升算法之前，首先可以做的是從物理層面盡可能降低震動對傳感器的直接影響。自動駕駛汽車通常在車頂、側(cè)翼和前保險(xiǎn)杠等位置布置了包括激光雷達(dá)、高清攝像頭和毫米波雷達(dá)等大量的感知硬件。當(dāng)車輛高速駛在不平整路面或減速帶時(shí)，車身會產(chǎn)生復(fù)雜的機(jī)械振動。

有針對自動駕駛汽車感知可靠性的調(diào)研顯示，安裝在標(biāo)準(zhǔn)車輛結(jié)構(gòu)上的攝像頭在常規(guī)行駛條件下，其承受的加速度力通常在3.5g到14g之間，震動頻率能覆蓋10赫茲到2500赫茲的區(qū)間。

如果缺乏有效的隔離，這些震動會導(dǎo)致圖像質(zhì)量嚴(yán)重下降，通過調(diào)制傳遞函數(shù)（MTF）分析發(fā)現(xiàn)，超過0.75g的特定頻率震動可能導(dǎo)致圖像清晰度下降超過50%。

圖片源自：網(wǎng)絡(luò)

為了抵御這種物理沖擊，傳感器支架的設(shè)計(jì)需采用力量平衡策略。

硬件工程師通過引入高性能的彈性隔離器來吸收高頻震動，這些隔離器通常由特定邵氏硬度（如25A到65A）的彈性材料制成，能夠有效衰減180赫茲以上的高頻抖動，減震效率可達(dá)85%到97%。

對于車輛快速起伏產(chǎn)生的低頻大振幅波動，則需要通過液壓或氣動阻尼系統(tǒng)進(jìn)行控制，以便將4赫茲到35赫茲的低頻擺動幅度降低78%以上。

此外，支架材料本身的選擇也極為考究。由于自動駕駛系統(tǒng)要求極高的外參穩(wěn)定性，微小的物理變形都會導(dǎo)致感知誤差。如在50米開外，僅僅1度的安裝角度偏轉(zhuǎn)就可能導(dǎo)致約87厘米的探測誤差，這在狹窄車道內(nèi)足以引發(fā)安全風(fēng)險(xiǎn)。

因此，高規(guī)格的感知平臺傾向于使用低熱膨脹系數(shù)、高剛性的復(fù)合材料，以確保在-40攝氏度到85攝氏度的劇烈環(huán)境溫度波動下，傳感器的位移始終控制在0.035毫米以內(nèi)的極小范圍內(nèi)。

除了被動減震，主動穩(wěn)定技術(shù)也會使用在感知系統(tǒng)中。一些自動駕駛平臺借鑒了專業(yè)攝影器材的防抖原理，利用微機(jī)電系統(tǒng)（MEMS）驅(qū)動的主動穩(wěn)定機(jī)構(gòu)，在毫秒級時(shí)間內(nèi)實(shí)時(shí)補(bǔ)償攝像頭的微小傾斜。

這種技術(shù)可以將校正帶寬擴(kuò)展到920赫茲，從而在極端的顛簸條件下依然維持圖像水平線的穩(wěn)定。

軟件層面針對顛簸路面的處理

即便物理減震技術(shù)達(dá)到了要求，車輛在行駛過程中的實(shí)時(shí)運(yùn)動仍會給傳感器數(shù)據(jù)帶來“畸變”問題。這在機(jī)械旋轉(zhuǎn)式激光雷達(dá)（LiDAR）上表現(xiàn)得尤為明顯。激光雷達(dá)通過發(fā)射激光束并接收反射回波來構(gòu)建周圍環(huán)境的3D模型，即點(diǎn)云。

激光雷達(dá)完成一次360度的全周掃描一般需要50毫秒到100毫秒的時(shí)間，在顛簸路面，車輛可能在這一掃射周期內(nèi)經(jīng)歷了劇烈的俯仰或側(cè)傾。

由于激光雷達(dá)默認(rèn)所有點(diǎn)都是從同一原點(diǎn)發(fā)射的，如果不進(jìn)行補(bǔ)償，采集到的點(diǎn)云就會出現(xiàn)明顯的“拉伸”或“扭曲”，如路邊的電線桿會顯示為傾斜的，或者原本平坦的路面在數(shù)據(jù)中顯得坎坷不平。

為了解決這一問題，自動駕駛系統(tǒng)引入了基于慣性測量單元（IMU）輔助的“去畸變”算法。

這一過程的技術(shù)邏輯是利用IMU以極高的采樣率（通常大于200赫茲）實(shí)時(shí)記錄車輛在三維空間中的角速度和加速度，通過運(yùn)動微分計(jì)算，推導(dǎo)出激光雷達(dá)在每一束激光發(fā)射瞬間的精確位置和姿態(tài)（即PVA狀態(tài)：位置、速度和姿態(tài)）。

感知系統(tǒng)會將這一掃描周期內(nèi)的每一個(gè)激光點(diǎn)，按照其采集時(shí)的瞬時(shí)位移量，反向投影到一個(gè)統(tǒng)一的基準(zhǔn)時(shí)間坐標(biāo)系中。這種運(yùn)動補(bǔ)償不僅能還原物體的真實(shí)幾何形狀，還能顯著提升后續(xù)物體識別模型在分割和分類時(shí)的準(zhǔn)確率。

對于攝像頭而言，顛簸帶來的問題則是運(yùn)動模糊。當(dāng)快門開啟的瞬間車輛發(fā)生劇烈抖動，光線會跨越多個(gè)像素感光單元，導(dǎo)致圖像邊緣變虛。

針對這一問題，可采取硬件控制與軟件修復(fù)相結(jié)合的策略。

在控制層，系統(tǒng)會實(shí)時(shí)監(jiān)測IMU的震動強(qiáng)度，當(dāng)震動超過預(yù)設(shè)閾值時(shí)，就自動調(diào)整攝像頭的曝光策略，通過縮短曝光時(shí)間來強(qiáng)行“凝固”瞬間畫面，并同步調(diào)高ISO增益以維持圖像亮度。

雖然高ISO會引入一定的噪點(diǎn)，但相比于不可恢復(fù)的運(yùn)動模糊，噪點(diǎn)對深度學(xué)習(xí)算法的干擾更小，且可以通過后續(xù)的AI去噪模型進(jìn)行優(yōu)化。

毫米波雷達(dá)作為自動駕駛中唯一具備全天候測速能力的傳感器，在顛簸路面下的表現(xiàn)同樣會不盡人意。它主要依靠發(fā)射調(diào)頻連續(xù)波（FMCW）并分析反射波的相位變化來測定目標(biāo)的速度。

然而，車輛自身的機(jī)械振動會直接改變雷達(dá)天線相對于目標(biāo)物體的物理距離，這種微小的位移會疊加在雷達(dá)的回波信號中，導(dǎo)致信號相位發(fā)生不規(guī)則的偏移。

在信號處理領(lǐng)域，這種現(xiàn)象被稱為相位噪聲，它會導(dǎo)致目標(biāo)在多普勒頻域中的能量散布開來，形成所謂的多普勒展寬。

這種能量的散布會產(chǎn)生兩個(gè)直接的負(fù)面后果，一是目標(biāo)真實(shí)信號的強(qiáng)度降低，導(dǎo)致傳感器可能漏掉原本清晰可見的目標(biāo)（探測概率PD下降）；二是在頻域中產(chǎn)生大量的“側(cè)瓣”干擾，使得算法誤以為周圍存在許多虛假的動態(tài)物體，從而引發(fā)頻繁的誤觸發(fā)或誤制動。

針對這種硬件缺陷，雷達(dá)信號處理算法可采用“動態(tài)相位對消”技術(shù)。其基本原理是，雷達(dá)系統(tǒng)在探測動態(tài)目標(biāo)的同時(shí)，會同步掃描環(huán)境中如路邊的護(hù)欄、交通標(biāo)牌或靜止的車輛等大量靜止參考物。

由于這些物體在物理上是靜止的，它們回波信號中的任何頻率波動都可以被視為車輛自身振動的投影。

通過分析這些靜止物體的回波，算法可以反向估計(jì)出雷達(dá)天線當(dāng)前的瞬時(shí)振動相位，并將其作為補(bǔ)償因子，實(shí)時(shí)作用于所有探測到的信號點(diǎn)上。

這一過程成功地將雷達(dá)的探測焦點(diǎn)重新聚集，恢復(fù)了信號的信噪比（SNR），從而確保了即使在非常顛簸的路面上，車輛對前方障礙物的速度判斷依然保持在厘米每秒級的精度。

這種基于軟件定義的雷達(dá)增強(qiáng)技術(shù)，極大程度上緩解了由于機(jī)械安裝不穩(wěn)或路面惡劣導(dǎo)致的感知質(zhì)量衰退。

多模態(tài)感知與占據(jù)柵格網(wǎng)絡(luò)

任何單一的傳感器在極端的顛簸環(huán)境下都有局限性，真正的感知魯棒性依賴于多傳感器的數(shù)據(jù)融合（MSF）。在顛簸嚴(yán)重的場景下，感知系統(tǒng)會自動進(jìn)入一種“動態(tài)信任管理”模式。

不同類型的傳感器對震動的敏感度不同，攝像頭對光軸偏移和運(yùn)動模糊最敏感，激光雷達(dá)對局部點(diǎn)云密度變化敏感，而毫米波雷達(dá)則對相位干擾敏感。

通過卡爾曼濾波（Kalman Filter）或基于變分推理的概率框架，感知系統(tǒng)可以實(shí)時(shí)評估各路傳感器的數(shù)據(jù)質(zhì)量，并動態(tài)調(diào)整其在最終決策中的權(quán)重。

當(dāng)系統(tǒng)檢測到攝像頭因?yàn)閯×翌嶔こ霈F(xiàn)了嚴(yán)重的運(yùn)動模糊時(shí)，融合模型會自動降低視覺分類結(jié)果的置信度，而將更多的決策依據(jù)轉(zhuǎn)向激光雷達(dá)提供的空間幾何特征和毫米波雷達(dá)的速度矢量。

這種冗余機(jī)制確保了即使在某一傳感器暫時(shí)失效的情況下，系統(tǒng)整體依然能維持對環(huán)境的基本認(rèn)知。

圖片源自：網(wǎng)絡(luò)

為了進(jìn)一步提升在非結(jié)構(gòu)化路面上的感知精度，目前技術(shù)廣泛轉(zhuǎn)向了基于“鳥瞰圖”（BEV）的表征學(xué)習(xí)和占據(jù)柵格網(wǎng)絡(luò)（Occupancy Network）。

不同于傳統(tǒng)的物體識別任務(wù)（即先識別出這是什么物體，再確定它的位置），占據(jù)柵格網(wǎng)絡(luò)將車輛周圍的空間切分為無數(shù)個(gè)細(xì)小的三維方塊。

系統(tǒng)利用深度神經(jīng)網(wǎng)絡(luò)，綜合多攝像頭的視頻流和激光雷達(dá)點(diǎn)云，實(shí)時(shí)預(yù)測每一個(gè)方塊被物體“占據(jù)”的概率。

這種方法的優(yōu)勢在于它不依賴于具體的物體模型。在顛簸的路面上，路面可能會飛濺起泥塊、碎石，或者路面本身存在難以描述的塌陷。傳統(tǒng)的分類器很難準(zhǔn)確判定這些不規(guī)則物體的類別，但占據(jù)柵格網(wǎng)絡(luò)能直接感知到前方空間的通行性受阻，從而引導(dǎo)規(guī)劃系統(tǒng)做出避讓動作。

此外，由于BEV 空間是一個(gè)統(tǒng)一的地理坐標(biāo)系，系統(tǒng)可以通過時(shí)間序列模型（如循環(huán)神經(jīng)網(wǎng)絡(luò)或Transformer）來記憶過去幾幀的感知信息。如果當(dāng)前幀因?yàn)檎饎訉?dǎo)致感知數(shù)據(jù)出現(xiàn)瞬時(shí)斷檔，系統(tǒng)可以利用歷史幀推斷出障礙物的可能位置，維持感知的連續(xù)性。

感知預(yù)覽控制與主動底盤系統(tǒng)

感知系統(tǒng)的目標(biāo)并不是單純地“應(yīng)對震動”，而是與底盤系統(tǒng)深度協(xié)同，主動地“消滅震動”。這種技術(shù)被稱為懸架預(yù)覽控制（Suspension Preview Control）。在這一技術(shù)框架下，感知系統(tǒng)不僅為規(guī)劃系統(tǒng)服務(wù)，而是作為底盤的“預(yù)報(bào)員”。

車輛前方的視覺感知模塊（通常是雙目攝像頭或激光雷達(dá)）會實(shí)時(shí)掃描前方5到15米范圍內(nèi)的路面輪廓，精確測算每一個(gè)坑洼的深度或減速帶的高度。

感知系統(tǒng)捕捉到的地形數(shù)據(jù)會在毫秒級時(shí)間內(nèi)被傳輸給電子底盤控制單元。以蔚來ET9搭載的SkyRide天樞底盤或ClearMotion的主動懸架系統(tǒng)為例，當(dāng)感知系統(tǒng)預(yù)報(bào)前方左前輪即將壓過一個(gè)5厘米深的坑洞時(shí)，懸架系統(tǒng)會提前調(diào)整該輪位的阻尼并主動產(chǎn)生一個(gè)向下的推力，讓車身在車輪下陷的過程中依然保持水平穩(wěn)定。

這種“預(yù)覽-反饋”的閉環(huán)系統(tǒng)極大地優(yōu)化了感知傳感器的工作環(huán)境。因?yàn)檐嚿碓狡椒€(wěn)，傳感器采集到的圖像和點(diǎn)云就越接近理想狀態(tài)，這反過來又提升了感知的準(zhǔn)確率。

這種感知與底盤的深度融合，將自動駕駛汽車從一個(gè)單純的機(jī)械運(yùn)動物體，變成了一個(gè)具備預(yù)知能力的智能生物。系統(tǒng)可以利用云端路面地圖，結(jié)合當(dāng)前車輛的實(shí)時(shí)感知，構(gòu)建出一個(gè)覆蓋全城的“地形數(shù)據(jù)庫”。

通過這種群體智能，第一輛駛過破損路面的車會將感知的顛簸參數(shù)分享給后車，讓后車在接近該區(qū)域時(shí)提前做好感知精度補(bǔ)強(qiáng)和懸架準(zhǔn)備。

最后的話

在顛簸路面行駛時(shí)確保感知準(zhǔn)確性，是自動駕駛系統(tǒng)工程化能力的集中體現(xiàn)。它要求汽車在硬件設(shè)計(jì)上具備極端環(huán)境下的機(jī)械耐久性，在底層算法上具備對物理運(yùn)動規(guī)律的深刻理解，并在頂層架構(gòu)上具備處理高度不確定性數(shù)據(jù)的融合智能。

隨著固態(tài)激光雷達(dá)的普及、端到端模型感知能力的進(jìn)化以及主動底盤技術(shù)的下放，未來的自動駕駛感知系統(tǒng)將展現(xiàn)出更加接近人類甚至超越人類的視覺適應(yīng)能力，讓智能駕駛在各種路況下都如履平地。

審核編輯 黃宇