特斯拉

引用自 https://www.ednchina.com/news/201908011041.html
以及中国邯郸发生的死亡案例 https://www.guancha.cn/society/2018_02_27_448303.shtml

一辆特斯拉Model 3在高速公路行驶期间，连续撞上11个施工用的隔离桩桶，并最终停在了道路旁边。事故发生后，有一些评论和媒体认为这是又一个特斯拉Autopilot系统失灵或者失败的案例。但来自某国际Tier1、德系豪华车企和传感器技术供应商的多位技术专家却普遍认为，这场事故大概率不是特斯拉的错！

以视觉为核心的特斯拉Autopilot系统在车头装有一个前置77G毫米波雷达，一个3目摄像头，遍布四周的十几个超声波雷达。在正常驾驶前向探测中，主要是靠前视摄像头和毫米波雷达探测前方障碍物。

然而场景中的圆形桩桶为塑料材质，对毫米波雷达的反射弱，很难形成有效反射。”张慧这样告诉车东西。所以Model 3的毫米波雷达对这些塑料桶无能为力。
同时视觉采用深度学习方法因为没有针对锥桶等特殊物体做过训练，导致对这些未经过训练的物体不具有识别能力，引发撞击。

对于特斯拉来说，其主要依靠视觉来做自动驾驶技术（例如宝马等车企会给L2级车辆安装3个毫米波雷达，特斯拉只有1个），因此其最重要的是先识别车辆、路灯、路牌、行人等这些物体，对于非关键物体，其很难有精力去训练模型来做识别。

那么如果我不考虑成本，加入激光雷达辅助视觉检测障碍物是否可以使得系统冗余从而增加安全性呢？？？

通过uber的实例以及特斯拉事件相关专家评价，其实也能清楚，即使像激光雷达、毫米波雷达这类传感器检测到了前方有障碍物，由于无法确定障碍物的类型，必须要视觉对其检测才能确定是否是真正会影响驾驶的有害障碍物。那么，如果我们将系统中决策部分设计成这样：

1.必须保证视觉检测到障碍物的同时雷达也检测到障碍物，再采取相应的避障措施==》
那么显然该种决策方式依然无法解决视觉因为面对未训练的场景而检测失效的情况，即使此时雷达检测出前方有障碍物，该决策方式依旧无法执行，例如前方空中飘过一个袋子，或者地面上有一个石头等 ；

2.只要视觉检测到或者雷达识别到前方有障碍物，汽车就执行避障措施，实际上是一个或的关系，上面是与的关系，那该种决策方式实际上与只装激光雷达的物流运输小车非常相似==.》
该种方式表面上可以解决因为视觉算法上的不足带来的危险情况，但实际上却产生了一个更大的问题，
即系统有可能因为雷达的误识别导致汽车产生误制动，自动驾驶一般在高速情况下，如果因为频繁的误识别导致车辆走走停停会使得驾驶体验全无，即和低速的物流车类似，前方一出现障碍物就停止运动，等待障碍物离开或者进行避障。

所以，行业内为了保证驾驶的顺畅性，对于一些障碍物直接选择了忽略，而是以视觉为主要获取信息传感器，雷达等作为辅助提供其他距离等信息。

Uber

引用 https://www.iyiou.com/p/68314.html
https://tech.qq.com/a/20180508/002950.htm

2018年3月20日消息，据美国亚利桑那州警方称，美国时间本周日，一名亚利桑那州的女性在过马路时被一辆Uber自动驾驶SUV撞倒并身亡。对此，当地警方已经要求Uber紧急停止其自动驾驶汽车项目。

据当地警方透露，事发时乃是当日深夜，肇事的SUV正处于自动驾驶状态，车上坐着一名司机。当地警方表示，当时该车辆正向北行驶，一名女性在人行道外穿过一条4车道道路时被其撞倒。这位名叫Elaine Herzberg的女性现年49岁，被撞倒后送往医院，最终不治身亡。

根据公开资料的信息，Uber的自动驾驶测试车辆均搭载了多个低线及高线雷达、毫米波雷达、摄像头等多种环境传感设备。而根据事发地的录像显示，当时天气良好，道路环境并不复杂。但Uber SUV的右前方依旧与死者发生了碰撞。显然，这些价格不菲的传感器及算法并没有帮助车辆规避事故，拯救生命。可见，距离完全的无人驾驶，现阶段的技术还要取得长足进步。

但是实际上，Uber方面认为，事故发生时，Uber无人车已经检测识别到车头前的行人，但该车辆的决策系统最终却“决定”不采取任何闪避措施，保持继续行驶，最终酿成了撞上行人并致死的悲剧。

而造成这一决策的可能原因是，Uber的这套无人驾驶系统将对前方障碍进行躲避的值调的很低，以至于在系统即便检测到前方障碍物，但还没有触及系统的下限值时，系统将不会做出进行立即躲避的决策。