如果想讓自動駕駛汽車真正實現(xiàn)L5級，僅實現(xiàn)在城市路面行駛的能力是完全不夠的，對于一些坑洼或偏僻路段的行駛需求也會存在。對于人類駕駛員來說，看到坑洼路面，會及時地進(jìn)行變道操作，而對于自動駕駛汽車來說，想要達(dá)到人類駕駛員的水平，則需要非常多的技術(shù)支持。

在聊今天的話題之前，先聊聊為什么自動駕駛汽車在設(shè)計過程中要考量坑洼路面的通過能力。對于小坑洼來說，如果不及時避開，將會給乘客或駕駛員帶來非常不舒服的“顛簸感”；而對于大的坑洼來說，更可能損壞輪轂，因此想讓自動駕駛汽車達(dá)到L5級，合理應(yīng)對坑洼路面是避不開的話題。

對于人類駕駛員來說，坑洼路面只是常見的駕駛環(huán)境中的一種，可以快速辨別，快速應(yīng)對，而對于自動駕駛汽車來說，想要發(fā)現(xiàn)“坑洼”，其實需要多傳感器、多層次協(xié)同完成。常見的做法就是把攝像頭、激光雷達(dá)（LiDAR）、毫米波雷達(dá)與車身慣性測量單元（IMU）、輪速與加速度傳感器結(jié)合起來做融合感知與推斷。攝像頭擅長捕捉表面細(xì)節(jié)和紋理，可以用于語義分割（把坑洼當(dāng)作“路面異常”來分割出來）或用深度學(xué)習(xí)識別坑洞輪廓；LiDAR提供點云，可以重構(gòu)路面三維形態(tài)，通過曲面擬合發(fā)現(xiàn)凹陷或高度突變；雷達(dá)對雨雪、霧等惡劣天氣下的探測更穩(wěn)健，尤其對突起或較淺的坑洼辨識有一定作用；IMU與車載加速度計則更像“事后感知”，當(dāng)車輪經(jīng)過坑洼時產(chǎn)生的垂直沖擊會在加速度信號里留下明顯特征，通過模式識別就能把“顛簸/坑洼事件”給檢測出來。近年來也有技術(shù)方案提出把視覺、LiDAR、IMU的結(jié)合方法（例如Vision+IMU的VIDAR思路）用于路面坑洼檢測，并取得較好效果。

其實對于坑洼路面的處理，并不是感覺到坑洼就要馬上去躲，更需要靈活處理，自動駕駛汽車想完成這些操作就離不開感知模塊和決策模塊。感知模塊會給出坑洼的相對位置（橫向與縱向）、坑洼的大小/深度/嚴(yán)重度估計，以及與車輛當(dāng)前速度和路徑的關(guān)系（例如距離多遠(yuǎn)，會在多久到達(dá)）等關(guān)鍵信息。這些信息有時來自傳感器（前方攝像頭或遠(yuǎn)距LiDAR能提前看到路面形態(tài)），有時只能依靠“接觸式”信號（加速度、振動、輪速突變在經(jīng)過坑洼瞬間才會出現(xiàn)）。為了在可避免與不可避免之間做出合理選擇，自動駕駛系統(tǒng)通常會把坑洼的“嚴(yán)重度”映射成風(fēng)險等級，輕微的小顛簸可以忽略或把速度做小幅緩解；中等的凹陷會觸發(fā)減速并盡量避讓到同車道安全位置；嚴(yán)重的深洞或者可能導(dǎo)致車輛損傷的坑洼，系統(tǒng)會考慮變道避讓（如果可行且安全），或者在無法安全避讓時選擇減速并通過，同時把事件上報給云端或駕駛員。這一操作邏輯的核心是“風(fēng)險-代價平衡”，避讓動作本身也帶有風(fēng)險（例如急轉(zhuǎn)向?qū)е潞筌囎肺玻�，所以決策模塊要把坑洼造成的潛在損害和避讓帶來的交通安全風(fēng)險同時考慮進(jìn)來。

將整個流程拆解開來，也就是前端是感知，再到中間的預(yù)測評估，最后是軌跡生成與控制。感知層會輸出一組概率化的坑洼候選（位置、深度概率、可信度），定位與同步模塊確保坑洼的地理坐標(biāo)與車輛里程、時刻對齊（時間同步很重要，否則你可能會“把坑洼放錯地方”）。隨后風(fēng)險評估器根據(jù)車輛動力學(xué)模型（包含當(dāng)前速度、轉(zhuǎn)向角、制動能力、軸荷等）來估算“如果不采取動作的后果”與“采取各類動作的成本”。如估算過坑時輪胎撞擊力可能超過某閾值，或車輛縱向減速會影響后方車輛安全車距。評估完后軌跡規(guī)劃器要生成平滑、安全的替代軌跡，這些軌跡可能是有限幅度的橫向偏移、連續(xù)的減速檔位，或在極少數(shù)情況下選擇“短暫�？�”并請求人工干預(yù)或遠(yuǎn)端輔助。最后控制器把路徑轉(zhuǎn)成執(zhí)行指令（轉(zhuǎn)向、油門、制動），并在通過坑洼的同時監(jiān)控懸架與車輛響應(yīng)，必要時調(diào)節(jié)扭矩分配或懸架阻尼（如果車輛配備半主動或主動懸架）以減緩沖擊。這樣的端到端流程需要在毫秒到秒級完成決策與執(zhí)行，保證既能保護(hù)車輛又不制造更大安全隱患。

在感知的算法細(xì)節(jié)上，可以把坑洼檢測分成“直接觀測法”和“間接推斷法”。直接觀測法依賴攝像頭與LiDAR重建路面幾何，應(yīng)用傳統(tǒng)圖像處理加深度學(xué)習(xí)（例如語義分割、實例分割）來識別坑洞邊緣，或?qū)�點云做曲面擬合并檢測異常高度差；間接推斷法則更像“從后面看人家車的反應(yīng)”，通過監(jiān)測前車的位移、加速度變化或車燈反射改變，來推斷前方路面出現(xiàn)了異常。其實結(jié)合兩類方法能彌補(bǔ)單一方法的不足，當(dāng)視覺在逆光或夜間受限時，IMU/輪速的間接信號仍能提示存在坑洼，反之有清晰視覺時直接測量更精確。值得一提的是，基于車載振動與加速度進(jìn)行路況分類的研究結(jié)果表明，利用合適的數(shù)據(jù)表示與機(jī)器學(xué)習(xí)方法，可以把路面狀態(tài)分成多類（平整、顛簸、坑洼、減速帶等）并達(dá)到較高的準(zhǔn)確率，這對于車輛“事后識別并標(biāo)注坑洼位置”很有用，也利于形成路況數(shù)據(jù)庫。

把單車檢測放大到車隊或城市級別，就進(jìn)入了“地圖與協(xié)同”的范疇。自動駕駛系統(tǒng)可以把遇到的坑洼事件打點上報到云端，和同城車輛共享形成道路異常地圖（crowdsourced road condition map）。有了這樣的共享，后續(xù)車輛可以提前得到預(yù)警，運(yùn)營端也能統(tǒng)計坑洼頻發(fā)路段并反饋到道路養(yǎng)護(hù)單位。也有研究提出“車間合作檢測”與“基于前車運(yùn)動預(yù)測路面異常”的方法，后者甚至不需要高清路面重建，僅通過視覺跟蹤前車的振幅與位移模式，就能預(yù)測出前方路面可能存在不規(guī)則性，從而提前緩解。這種方法對于鋪裝不良、窄路或遮擋嚴(yán)重的城市道路尤其有價值。

自動駕駛汽車對于坑洼路面的處理，除了技術(shù)方面外，其實還有很多細(xì)節(jié)要考量。首先是誤報與漏報之間需要權(quán)衡，如果系統(tǒng)太敏感，頻繁減速或無謂變道會破壞乘坐舒適性并增加交通混亂；如果太保守，真正的深洞可能大打折扣。為此就需要把感知輸出與歷史數(shù)據(jù)、地圖數(shù)據(jù)、傳感器可信度以及當(dāng)前交通環(huán)境一起納入決策，形成多重保險。其次是速度與識別距離的物理限制，車速越高，需要更早識別坑洼并有更長時間/距離來安全避讓；因此在高速路上，許多自動駕駛系統(tǒng)會采用更為保守的策略（比如提前降速），或者依賴更高分辨率的傳感器陣列來提前探測。第三是傳感器標(biāo)定與機(jī)械耐久性問題，反復(fù)的坑洼沖擊會改變傳感器相對位置或直接損壞，這就要求系統(tǒng)具備在線自檢與重新標(biāo)定能力，或者在檢測到傳感器性能下降時能退化到更安全的操作邏輯的策略。

為了更好地應(yīng)對坑洼路面，現(xiàn)在也有很多新穎的技術(shù)方案，如有一些研究就把“主動懸架+感知”做成閉環(huán)，目標(biāo)是在探測到即將到來的坑洼時預(yù)先改變懸架阻尼或車身高度，借此吸收沖擊、減少車體擺動，這在配備半主動/主動懸架的量產(chǎn)車上已經(jīng)有商業(yè)化的先例。另一個方向是用高分辨率雷達(dá)或合成孔徑雷達(dá)來重建路面形態(tài)，但這類方法成本與計算復(fù)雜度也相應(yīng)更高。還有研究把坑洼檢測的問題當(dāng)成典型的“異常檢測”或“時序事件檢測”，使用深度學(xué)習(xí)模型對多傳感器時間序列進(jìn)行端到端判別，這在城市低速場景中表現(xiàn)尤為突出。

其實對于自動駕駛車隊和城市道路管理者來說，解決坑洼問題不是單靠技術(shù)就能完全完成的，它還需要運(yùn)維體系、法律責(zé)任劃分與道路維護(hù)預(yù)算的配合。自動駕駛運(yùn)營者會把高頻的坑洼上報作為道路養(yǎng)護(hù)優(yōu)先級的輸入，城市管理方也可以用車隊數(shù)據(jù)來做路面健康監(jiān)測，從而優(yōu)化維修資源。其實乘客對“頻繁減速避坑”與“被坑晃動”的容忍度有限，自動駕駛系統(tǒng)必須在舒適性、效率與安全三者之間找到合理平衡。

-- END --

       原文標(biāo)題 : 自動駕駛汽車應(yīng)如何應(yīng)對坑洼路面？