浅谈i-VISTA自动驾驶汽车挑战赛

一年一度的i-VISTA自动驾驶汽车挑战赛已于上周落下帷幕，在亲历全程后发现，这场比赛真的有料！特斯拉自动泊车得0分、行人避让全军覆没、5G到底能对自动驾驶有什么帮助？这些都是本次比赛中真实发生的案例，下面我将就本次比赛与您聊聊自动驾驶。

本文较长，我将按“APS自动泊车”、“AEB自动紧急停车”、“城市场景挑战赛“、”V2X/5g与中国的自动驾驶“的顺序与您分享。

一、 APS自动泊车

相信网友们对自动泊车这一功能早已不陌生了，可能您觉得这压根算不上是自动驾驶。的确，这一功能的实现较为简单，但是系统工作逻辑却是与自动驾驶如出一辙，同样包含感知、决策、执行三大系统，是现在业界公认的最快实现的“自动驾驶落地功能”。所以接下来我们就以自动泊车为例，初步认识一下自动驾驶。

首先自动泊车过程可以分为 3 个部分，分别是车位探测（感知）、路径规划（决策）和路径追踪（执行）。

具体而言就是1、利用超声波传感器，毫米波雷达，摄像头等不同方案监测本车与路边车辆的距离信息，判断车位的长度是否满足停车要求；

2、IECU根据汽车与目标停车位的相对位置等数据，得出汽车的当前位置、目标位置及周围的环境参数，据此规划计算出最佳泊车路径和策略；

3、执行路径规划，将相关策略转化为电信号传达给执行器，依据指令引导汽车按照规划好的路径泊车。

简单原理我们清楚了，接下来我们再来看看本次活动关于APS的测试规则。

首先设置有三种车位，分别是纵向停车、侧方停车、斜向停车。

我们先从简单的纵向车位及侧方停车看起，这两种测试工况应用率更高，车位更加规范，此时主要考验被测车辆的车位识别能力。在实际测试中，有不少车型顺利完赛，但比较意外的是特斯拉Model X在本项测试中拿到了0分。

从图片中可以发现，特斯拉Model X在车位识别上出现了很大问题，该车辆将左侧障碍物识别成了背景车，并且在整体自动泊车环节，未识别到车位线。所以特斯拉的该项成绩为0。在测试中也有出现类似情况的车型，该类问题主要在于车辆的自动泊车系统主要靠雷达的探测，但是探测出的物体无法准确识别，同时传感器无法辨别白色车位线。

下面我们再来看看难度最大的斜向泊车位，该车位的设置不仅需要被测车辆对车位的准确识别，还需要在倒车时根据两侧障碍物的距离不停修正方向，更改行车路径。

我们以成功通过测试的老款长安CS95为例，该车型在启动自动泊车时，并未识别到这是一个斜向车位，但是在倒车过车中，CS95根据背景车实时修正方向，最终成功停进车位。

值得一提的是，该项测试包含个人参赛选手，作为普通消费者的选手们所携带的智能汽车涵盖了主流品牌车型，其中既有特斯拉 Model X、奔驰 E200、宝马 530Li、沃尔沃 S90、丰田凯美瑞、大众 CC 等进口及合资品牌车型，也有红旗 H5、魏派 VV6、吉利博越、长安 CS95 等自主品牌车型，还包括小鹏 G3 等造车新势力品牌车型。

二、AEB自动紧急制动

AEB系统（Autonomous Emergency Braking，自动紧急制动）是ADAS最先实装的功能之一，并且国家法规要求“两客一危”必须强行预装，它的主要应用是避免或减轻车辆碰撞发生的机率及危害，而这项测试也是开幕式当天最具看点的比赛，参赛选手同样包含专业组和个人组。该项测试加入个人组是我觉得最成功的地方，原因在于该项测试“可操作性”很大，只有个人组选手才能充分的保证测试的公平公正性。这里的“可操作性”可不是说驾驶员偷偷摸摸的提前踩刹车，而是另有玄机。下面我为您简单的介绍一下。

这里要提一个TTC时间的概念（time-to-collision，预期碰撞发生时间，TTC=两车车距 / 两车的相对车速）。根据资料显示虽然不同驾驶者应对危险时反应能力与反应时间有所区别，但是驾驶者通过控制方向盘闪避障碍物的平均极限是TTC 1.0s。也就是说在碰撞前1s的时间内，驾驶员可以控制一辆60km/h的车辆躲避障碍。这又会影响什么呢？

驾驶员对危险性的主观感受

从图中可以看到，驾驶者对危险的判断是和TTC直接相关的，当TTC 3.0s以上时，驾驶者并不会感觉到风险存在，但是在TTC 1.6s以下时，才驾驶者会觉得很危险。这就表明在量产车中搭载的AEB系统，TTC时间基本控制在3秒内，这样既可以有效降低碰撞发生的概率但是又可以不频繁发动产生“误报”。如果没有量产车的参加，只为了测试的话，大可以将AEB的感知提前，比如TTC5秒就刹车，那么看起来的测试成绩一定会非常好。所以说，这次比赛中加入的个人组选手才是最有料的地方。

下面我们来简单的说一下当天的比赛情况。当天AEB的测试工况为：道路中间摆放静止的障碍车模型，被测车辆以30km/h、40km/h、50km/h的时速分别测试。该测试场景参照了E-NCAP中的CCRs工况。

专业车组和个人车组所表现出的普遍问题是，30km/h、40km/h工况下AEB功能正常触发率比较高，而且国产车型在这两个工况下，表现得非常优秀。但是50km/h工况下，大部分车型的AEB功能不能触发，个人组29款车型中，只有丰田凯美瑞2019款2.0 G豪华版、沃尔沃V60智雅两款车型的AEB功能正常触发。

接下来，挑选专业组和个人组在AEB故障车避撞比赛中的前10名，参加AEB行人鬼探头场景的比赛。但是专业组10个车队，只有一个车队在30km/h工况下成功刹停，其他全部折戟。个人车组的10款车型也全部折戟。有参赛队伍反映，比赛场景的设置难度太大。

三、城市场景应用挑战赛

APS/AEB的比赛由于加入个人参赛者而变的更加真实，但如果说它们是自动驾驶的现在，那么接下来的“城市场景应用挑战赛”则是自动驾驶的未来。

城市场景应用挑战赛设置了15个应用场景，包含有转弯、合流道、主动超车等绝大部分的真实用车会遇到的情况，我们将挑选几个比较典型的的项目来为大家一一说明。

1、 合流道

首先值得一提的是，本次测试环境包含比较复杂的随机性，其中包括随机出现的背景车、随机变换的信号灯以及随机出现的行人。那么在合流道时，随机出现的背景车将成为被测车辆的第一大考验。

首先我们看一下评分规则：

（1）参赛车辆在进入主路前不能正确开启左转向灯的，扣10分;

（2）主路有车时，参赛车辆不能减速礼让而强行切入的，该场景扣20分;

（3）主路有车时，参赛车辆与主路车辆发生碰撞的，该场景记0分;

（4）主路无车时，参赛车辆在路口停滞的，每5s扣20分;

可以说，这个简单的合流道上来就给了参赛车辆一个下马威，首先你要识别出中断的车道线、以及辨别出道路、其次要探测左后方来车，要礼让并且不能在路口停滞。

2、行人避让 -行人闯红灯

这个场景设置的非常有意思也非常真实。在参赛车辆通过路口时，需要首先判断信号灯，若是红灯，则需要提前采取制动的准备。若是绿灯则直接通行，但此时会随机出现闯红灯的行人，这就需要参赛车辆具有较强的识别能力以及较快的反应速度。我们来看一下此场景的评分标准。

1. 参赛车辆在红灯刹停时超出停止线的，扣40分，闯红灯碾压人行横道线的，该场景记0分; 

2. 参赛车辆在绿灯亮后不能及时起步的，每5s扣20分;

3. 有行人闯红灯时，参赛车辆与行人发生碰撞的，该场景记0分;

4. 有行人闯红灯时，参赛车辆在行人完全通过行驶车道前起步的，扣40分;

5. 无行人闯红灯时，车辆在停止线以外刹停的，该场景扣60分。

可以看到，该场景的评分是十分严格的，并且由于行人出现的随机性导致参赛车辆无法提前准备，所有的临场表现都取决于车辆本身。

另外还包含如隧道通行，驼峰桥等“BUG”级场景。这些场景对正常驾驶员来说可能是小意思，但是对于无人驾驶系统来说可就是一大难题了。

比如进入隧道后，GPS信号遭屏蔽丢失，不少参赛车辆直接“懵了”。而驼峰桥场景要求参赛车辆以20km/h的速度通过驼峰桥，上桥时不能发生溜坡或停滞，下桥的速度限制在20km/h。参赛车辆出现比较多的问题是下桥时无法控制车速，速度超过20km/h。

四、V2X/5g与中国的自动驾驶

到这里我们就先不谈具体每个场景的概况了，我们往回聊。不知您在看场景概况图时，有没有发现左下角的RSU标识呢？您可千万别觉得这是什么不起眼的东西。我们有理由相信，它将成为我国率先实现无人驾驶的一大神器！有些夸张？别急，您接着往下看。

简单来说，当今实现自动驾驶有两个方法，第一种是靠车，第二种是靠路（Vehicle to Everything，简称V2X）。

靠车就像前面咱们说的，需要各种传感器，然后运算、判断最后在执行。但是这种方案对车的算力要求比较高，而且加上复杂路况或者在颠簸路面时传感器的晃动等等因素导致最终该方案进展比较缓慢。而靠路（V2X）就比较简单了，这就好比：路中间有一个大坑，但是旁边站一个人跟你喊“往左转，有坑！”此时车只需要听到提示，然后执行就好了。大大减少了感知、判断等工作，工作效率自然就提高了。另外靠路（V2X）这一方案中，车与路测传感器之间的交流更是可以靠5G强大的通信能力让汽车更安全、更高效的运行。