攻克高级驾驶辅助系统的最后10%：为什么最艰难的挑战仍在前方？

“最后10%”究竟意味着什么？

目前大多数高级驾驶辅助系统平台，在规则清晰、可预测的路况下表现良好：车道标记清晰、交通流量适中、视野良好。难点在于，需要在不确定情况下做出判断的场景。

举例而言：

• 黄昏时分，无照明道路上的一小块杂物
• 一名行人意图不明地从人行道边缘跨出
• 一个无明确标识的施工区，车道边界不断变化
• 一名骑行者从停放的卡车后面驶出
• 一辆在隧道内熄火的车辆

这些场景之所以棘手，不是因为传感器无法探测物体，而是因为系统必须解读上下文、预判目标行为，并在信息不完整的情况下做出安全决策。人类凭直觉完成这些判断，但对于自动驾驶系统来说，这仍然是汽车工程领域最复杂的问题之一。

想要提升系统在这类场景下的表现，仅提高传感器分辨率或增加传感器数量还远远不够，还需要对感知、决策和验证环节采取更一体化的解决方案。

仅靠增加传感器，无法弥补差距

如今的高级驾驶辅助系统，通常集成摄像头、雷达和超声波传感器，部分应用方案还会搭配热成像传感器或激光雷达。每种感知方式都有优缺点。摄像头提供了丰富的视觉细节，但在低光环境中表现不佳。雷达在恶劣天气下性能稳定，但目标分类精度较低。热成像可以探测车灯范围之外的热源信号，但必须与其他数据一起解读。

增加传感器可以扩大感知范围，但也会增加系统成本、复杂度和数据处理量。发展到了某个阶段，行业挑战将从感知更多物体转向更好地理解场景。

因此，研究重点正转向各类传感技术更紧密地集成，而非将每个传感器视为独立的子系统。当多种感知方式的数据被智能融合时，即使其中一个输入信号质量下降，系统依然能保持稳定运行。

这种更前瞻、更深层次的传感器融合趋势，与车辆架构更广泛的变革密切相关。集中式计算平台和更高带宽网络，使得系统能处理更丰富的数据流并进行综合评估，而不必在各自独立的模块之间传递简化的目标列表。基于人工智能与机器学习的新一代感知与驾驶策略，能够更准确、通用且智能地解读驾驶环境。

最终，系统可以对车辆周边环境和交通状况形成更完整、更智能的认知，从而提高了处理仍导致接管干预的边缘案例的能力。

真正的瓶颈，在于验证

即使感知和融合技术有所提升，另一限制也愈发突出：证明系统是否足够安全，能投入量产应用。

传统安全框架围绕确定性、规则化的软件开发，每一条决策路径都可以被追溯和验证。现代高级驾驶辅助系统越来越依赖机器学习模型，这些模型能够解读复杂的传感器数据，并做出概率性决策。这些方案在复杂模糊的场景中表现更好，但难以用传统方法完成验证。

这导致在可控场景下演示的效果，与能通过认证、面向实际道路的效果产生了差距。

为了弥补这一差距，开发流程正向大规模虚拟测试和仿真转变。软件在环和云验证环境，令工程师在硬件最终定型之前就并行测试了数千个场景。这有助于更早发现系统短板、加快迭代速度，并积累监管审批所需的验证依据。

若没有这种可规模化的验证手段，高级驾驶辅助系统的发展瓶颈将不是感知性能，而是证明系统可靠性的能力。

从功能堆砌到系统思维

高级驾驶辅助系统的下一阶段发展，不再取决于车辆传感器的数量或功能列表的长短。它的衡量标准在于整个系统——感测、计算、软件和验证环节如何高效协同，从而在最难以预测的场景中保持稳定性能。

攻克最后10%的难题，与其说追求技术突破，不如说是坚守工程严谨性。这需要具备支持更深度的数据融合的电子电气架构、能承载海量验证工作的开发流程，以及从项目初期就贯穿始终的系统安全设计理念。

这项工作将决定高级驾驶辅助系统技术能以多快的速度，从受控、明确的场景中应用，拓展到更广泛的市场，成为可靠且能量产落地的成熟功能。

*本文档是在人工监督下使用 Microsoft Translator 翻译的。