使用权：
2021年阿里云采购季节：购买补贴，充值券和抢先购买
云通信分会场：热门产品低7.2％，短信低至0.034元/条
▲最近，特斯拉在底特律撞上一辆白色卡车
在2016年和2019年，特斯拉在美国发生了两次致命事故。 在打开L2级自动驾驶系统的同时，车辆在垂直方向撞到一辆大型卡车，最终导致车辆上人员丧生。
2020年，台湾的Model 3也撞上了一辆以高速翻转的卡车。
▲2019年特斯拉事故车不幸身亡
▲2020年事故现场监控画面
这三起事故具有高度相似性，因此在特斯拉发生另一起类似事故后，它也引起了人们的高度关注，同时，它不断引发人们深切的疑问：
为什么L2自动驾驶系统被称为最强大的量产汽车，但却无法避免白色卡车的出现？
答案不是特斯拉的技术不强，也不是特斯拉的白色卡车或“天敌”。
这是因为在当前以“相机+毫米波雷达”为主要传感器的L2自动驾驶方案中，检测静态车辆是一个世界性的问题。 每个系统对于固定式车辆来说都是令人头疼的问题。
例如，今年2月，一台蔚来ES8打开L2自动驾驶系统进行巡航时，撞到了行人和静止的五菱宏光。 （请参阅文章“驾驶L2的Nio ES8撞人并坠毁，为什么我不能摆脱24个传感器？”）
1.尚未确认特斯拉是否已打开L2
如前一篇文章所述，该事故引起了一些中外媒体关注的根本原因在于，特斯拉的车型经历了严重事故，导致L2撞上卡车并杀死了驾驶员。
但是，从当前的外国媒体报道和Twitter上知情网民的新闻来看，事故发生时尚无法确认车辆是否开启了L2自动驾驶系统。
▲事故现场
因此，此事故的原因与特斯拉的L2自动驾驶系统无关。
当然，就责任划分而言，即使是2016年和2019年发生的两次致命卡车撞车事故也是驾驶员的问题。
▲2016年类似的事故现场
由于特斯拉的自动驾驶系统属于L2自动驾驶系统，因此一方面可以在有限的情况下使用，另一方面，驾驶员需要在整个过程中监控路况并随时准备接管。
例如，当在垂直方向上有一辆大卡车时，这是系统无法工作且驾驶员需要及时接管车辆的情况。
去年3月23日，美国国家运输安全委员会（NTSB）就涉及特斯拉Autopilot L2自动驾驶系统的两起致命事故发布了最终报告。 报告显示，在两次事故中，驾驶员过分依赖特斯拉的L2自动驾驶功能，导致疏忽，最终导致了事故。
▲NTSB在其网站上发布了最终调查报告
NTSB相信卡车司机不会在十字路口停下来而是左转进入高速公路，这是危险的驾驶行为。 特斯拉Model 3驾驶员过于依赖特斯拉的L2自动驾驶技术，导致注意力不集中。 NTSB最终确定事故原因是特斯拉的Autopilot L2自动驾驶系统在驾驶员释放时没有及时提醒驾驶员，这与设计和使用条件不一致，最终导致了碰撞。
事故之一是事故，其中Model 3于2019年3月1日撞上卡车，导致驾驶员死亡。
即使L2没有打开，特斯拉的AEB自动紧急制动系统为什么也会出现故障？
特斯拉的自动包围曝光系统可以手动关闭，因此，如果驾驶员当时关闭了自动包围曝光，该系统自然将无法正常工作。
2.发生事故的可能性分析
从美国监管机构的报告中可以看出，卡车的垂直碰撞显然超出了特斯拉L2系统的工作范围，加上驾驶员未能及时接管。
因此，问题是，为什么自动驾驶仪系统不能躲避大型活卡车，而自动驾驶仪系统被公认为“量产汽车中功能最强大的L2”？
这与该汽车先前关于蔚来ES8事故报告的结论是一致的：该事故的根本原因是“摄像头+毫米波雷达”的传感器配置，很难识别静止的车辆或慢速行驶的车辆。
像Model 3一样，Tesla Model Y配备有8个摄像头，1个大陆毫米波雷达和12个超声波雷达。
▲特斯拉传感器配置
当打开L2级自动驾驶系统（自动驾驶仪，NOA或EAP系统）时，车辆主要依靠前视摄像头和毫米波雷达来检测前方的物体。
尽管特斯拉目前有3个摄像头，但它不使用立体视觉。 这三个相机主要具有不同的焦距和不同的视场。
因此，总的来说，特斯拉与大多数当前的L2自动驾驶系统相同，都是视觉+毫米波雷达传感器解决方案。
无论是使用基于规则的视觉算法还是使用深度学习技术，在感知外部物体时视觉都永远不可能达到100％的准确度，并且经常会出错。
例如，当作者自己的特斯拉走出地下室时，他会莫名其妙地将隔离墙识别为公共汽车。 另一个例子是最近流行的Douyin视频，其中特斯拉莫名其妙地识别了空墓地中的行人。
▲特斯拉在无人墓地识别出行人
另外，还存在将公交车上的人的照片识别为行人并将路侧广告屏幕上的停车标志识别为真实停车标志的情况。
依靠反射的毫米波探测目标的雷达不会被“毁坏”。 如果前面有东西，就会有回声，如果什么都没有，就不会有回声。
正是由于视觉错误的可能性很高，雷达才更加“可靠”，因此大多数L2系统将在视觉的基础上引入毫米波雷达的检测结果以进行验证。
如果摄像头检测到前方车辆，并且雷达也确认了前方车辆的位置和速度，则可以执行制动操作。
如果将这些错误识别的结果用于做出驾驶决策，则显然会出现更多问题。 特斯拉自然知道这一点，因此在实践中他不会对纯粹的视觉感知结果做出反应。
因此，这起事故的原因非常清楚。 不管视觉上是否能识别前方的车辆，毫米波雷达都不能给出结果，因此最终系统没有响应。
第三，毫米波雷达固有的缺陷是怕固定式车辆
毫米波雷达不是“闻所未闻”的，那么为什么它不能识别前方的卡车呢？
东南大学毫米波国家重点实验室的毫米波雷达技术专家，毫米波雷达公司的Falcon Eye Technology的首席技术官张辉反复分析了背后的原因。
从工作原理的底部开始，毫米波雷达主要依靠多普勒效应来感知运动目标。 多普勒效应的特征在于，动力学是最容易感知到的动力学，动力学更难以感知到静态，而静态则很难感知到静态。
这是因为如果前面的车辆是静止的，则目标信息容易与地面杂波混合，并且需要某种算法来将目标与目标区分开。 如果它是移动的汽车，则基于其多普勒信息，最好检测目标。
因此，如果卡车静止不动或行驶缓慢，则雷达算法无法知道前方有物体。
但是这种可能性不太可能，因为主要的雷达公司已经制定了一些可以识别静态物体的感知算法。
真正的困难在于，当前的雷达没有海拔信息并且空间分辨率不足。
没有高度信息，这意味着雷达很难区分横穿道路的路标和桥下的汽车。 空间分辨率不足意味着两个非常接近的物体的回波将混合在一起，并且很难知道有多少个目标。
因此，在雷达公司和一些汽车公司获得雷达反射数据之后，它们将通过算法直接过滤掉一些静止的物体或怀疑是静止的物体，以避免错误的反应。
例如，在这种事故情况下，由于卡车沿模型Y的垂直方向行驶，如果同时行驶速度非常慢，则由于缺少径向多普勒分量，雷达识别算法可以轻松对其进行过滤列为静态目标。
如果毫米波雷达能够滤除目标，则无论是否可以看见卡车都无法正常工作。
结论：汽车公司仍在优化L2自动驾驶
回到该事故，尚未确定特斯拉是否已打开自动驾驶系统，事故原因仍需当地警察和特斯拉调查。 实际上，即使打开了L2级自动驾驶仪系统，白色卡车的场景还是有些极端。 对于当前量产的L2自动驾驶系统，仍然存在许多无法处理的情况。
鉴于L2级自动驾驶系统中存在的各种问题，汽车公司也给出了自己的解决方案。 一方面，不断优化自动驾驶算法。 通过“影子模式”和道路测试等方法，自动驾驶系统不断成熟，同时，不断增加L2自动驾驶功能。 另一方面，随着硬件成本的下降，许多型号都计划配备激光雷达以避免类似事故的发生。