被特斯拉弃用的立体双目路线，为什么丰田、奔驰、华为、小鹏纷纷采用？( 二 )

也就是说，如果无法将目标分类（classification，也可以通俗地说是识别 recognition）就无法探测。
如果无法识别目标就认为目标不存在，与盲人无异——车辆会认为前方无障碍物，然后不减速直接撞上去。
什么状况下无法识别？有两种情况：
第一种是训练数据集无法完全覆盖真实世界的全部目标，能覆盖 10% 都已经是很不错了，更何况真实世界每时每刻都在产生着新的不规则目标。
特斯拉多次事故都是如此，比如在中国两次在高速公路上追尾扫地车（第一次致人死亡），在美国多次追尾消防车。
第二种是图像缺乏纹理特征，就像摄像头面前放一张白纸，自然识别不出来是什么物体。
某些底盘高的大货车的侧面在某一时刻或者一堵白墙，就是白纸一样，基于深度学习的机器视觉此时就如同瞎子，不减速就直接撞上去。
此外，静止目标对深度学习也是一个棘手的问题。
为了提高识别效率，机器视觉尤其是基于深度学习的机器视觉，需要先框选出运动目标，同时也为了防止误判，必须将运动目标和静止目标分开。
例如，有些道路两侧停满汽车，运动目标的优先级自然高于静止目标，然后再去识别，通常是背景减除、三帧法或光流法，有时需要 1-2 秒时间，然而事故可能就发生了。
【被特斯拉弃用的立体双目路线，为什么丰田、奔驰、华为、小鹏纷纷采用？】

文章插图
这个问题的解决办法，需要传统非深度学习算法，特别是立体双目和激光雷达，可以做到不分类也能探测目标的信息，无法识别就变瞎子的问题可以完美解决。
不过，这些技术掌握在丰田、奔驰这些真正的顶级大厂手中。

文章插图
特斯拉在美国撞上翻倒的静止的卡车
从本质上讲，深度学习是一种高度通用且极为强大的曲线拟合技术，能够识别出以往无法被发现的模式，推断趋势并针对各类问题给出预测性结果。
当然，曲线拟合在表示给定数据集时也存在一定风险，这就是过度拟合。
具体来讲，算法可能无法识别数据的正常波动，最终为了拟合度而将噪音视为有效信息，并且深度学习是个黑盒或灰盒，调参更像是艺术而非科学。

文章插图
特斯拉在台湾撞上静止的侧翻的大货车
再有就是毫米波雷达，目前量产车的毫米波雷达角分辨率太低，对金属物体又过于敏感，为避免误动作，所有的毫米波雷达都会将静态目标过滤掉。
此外，毫米波雷达安装的角度也很低，遇上底盘比较高的大货车，可能会检测不到。
即将上市的宝马 iX安装的大陆ARS540 4D毫米波雷达角分辨率高，且是目前唯一能真正测高度的毫米波雷达，不过滤静态目标。
即便毫米波雷达不过滤静态目标，以辅助驾驶的设计原则，宁漏检不误检，恐怕也不会启动 AEB 。

文章插图
特斯拉撞的静止消防车和警车不胜枚举，立体双目就不会出现这种情况，它无需识别也可以探测障碍物 3D 信息，还可以预测其行动轨迹。

文章插图
图片来自丰田工业大学、电装、SOKEN 的双目研发成绩汇报
激光雷达的缺点是其点云比较稀疏，即便是最强的Luminar 激光雷达也难以和 100 万像素的摄像头比。