自動駕駛在顛簸路面如何確保感知準確性？

[首發于智駕最前沿微信公眾號]當自動駕駛汽車在城市道路、鄉間小路或石子路面行駛時，感知系統的穩定性會面臨前所未有的考驗。這種考驗不僅源于環境光照的變化或障礙物類型的增多，更來自于車輛與路面交互時產生的物理震動和姿態劇烈波動。

顛簸路面產生的震動會直接作用于精密安裝的傳感器硬件，導致傳感器采集到的原始數據出現物理層面的扭曲、模糊甚至信號中斷。

如果感知系統無法有效應對這些動態干擾，車輛可能會出現如將路面的起伏識別為障礙物，或者在劇烈抖動中丟失對前方行人的穩定跟蹤等誤判，那自動駕駛在顛簸路面如何確保感知的準確性？

傳感器安裝架構與機械減震技術

在提升算法之前，首先可以做的是從物理層面盡可能降低震動對傳感器的直接影響。自動駕駛汽車通常在車頂、側翼和前保險杠等位置布置了包括激光雷達、高清攝像頭和毫米波雷達等大量的感知硬件。當車輛高速駛在不平整路面或減速帶時，車身會產生復雜的機械振動。

有針對自動駕駛汽車感知可靠性的調研顯示，安裝在標準車輛結構上的攝像頭在常規行駛條件下，其承受的加速度力通常在3.5g到14g之間，震動頻率能覆蓋10赫茲到2500赫茲的區間。

如果缺乏有效的隔離，這些震動會導致圖像質量嚴重下降，通過調制傳遞函數（MTF）分析發現，超過0.75g的特定頻率震動可能導致圖像清晰度下降超過50%。

圖片源自：網絡

為了抵御這種物理沖擊，傳感器支架的設計需采用力量平衡策略。

硬件工程師通過引入高性能的彈性隔離器來吸收高頻震動，這些隔離器通常由特定邵氏硬度（如25A到65A）的彈性材料制成，能夠有效衰減180赫茲以上的高頻抖動，減震效率可達85%到97%。

對于車輛快速起伏產生的低頻大振幅波動，則需要通過液壓或氣動阻尼系統進行控制，以便將4赫茲到35赫茲的低頻擺動幅度降低78%以上。

此外，支架材料本身的選擇也極為考究。由于自動駕駛系統要求極高的外參穩定性，微小的物理變形都會導致感知誤差。如在50米開外，僅僅1度的安裝角度偏轉就可能導致約87厘米的探測誤差，這在狹窄車道內足以引發安全風險。

因此，高規格的感知平臺傾向于使用低熱膨脹系數、高剛性的復合材料，以確保在-40攝氏度到85攝氏度的劇烈環境溫度波動下，傳感器的位移始終控制在0.035毫米以內的極小范圍內。

除了被動減震，主動穩定技術也會使用在感知系統中。一些自動駕駛平臺借鑒了專業攝影器材的防抖原理，利用微機電系統（MEMS）驅動的主動穩定機構，在毫秒級時間內實時補償攝像頭的微小傾斜。

這種技術可以將校正帶寬擴展到920赫茲，從而在極端的顛簸條件下依然維持圖像水平線的穩定。

軟件層面針對顛簸路面的處理

即便物理減震技術達到了要求，車輛在行駛過程中的實時運動仍會給傳感器數據帶來“畸變”問題。這在機械旋轉式激光雷達（LiDAR）上表現得尤為明顯。激光雷達通過發射激光束并接收反射回波來構建周圍環境的3D模型，即點云。

激光雷達完成一次360度的全周掃描一般需要50毫秒到100毫秒的時間，在顛簸路面，車輛可能在這一掃射周期內經歷了劇烈的俯仰或側傾。

由于激光雷達默認所有點都是從同一原點發射的，如果不進行補償，采集到的點云就會出現明顯的“拉伸”或“扭曲”，如路邊的電線桿會顯示為傾斜的，或者原本平坦的路面在數據中顯得坎坷不平。

為了解決這一問題，自動駕駛系統引入了基于慣性測量單元（IMU）輔助的“去畸變”算法。

這一過程的技術邏輯是利用IMU以極高的采樣率（通常大于200赫茲）實時記錄車輛在三維空間中的角速度和加速度，通過運動微分計算，推導出激光雷達在每一束激光發射瞬間的精確位置和姿態（即PVA狀態：位置、速度和姿態）。

感知系統會將這一掃描周期內的每一個激光點，按照其采集時的瞬時位移量，反向投影到一個統一的基準時間坐標系中。這種運動補償不僅能還原物體的真實幾何形狀，還能顯著提升后續物體識別模型在分割和分類時的準確率。

對于攝像頭而言，顛簸帶來的問題則是運動模糊。當快門開啟的瞬間車輛發生劇烈抖動，光線會跨越多個像素感光單元，導致圖像邊緣變虛。

針對這一問題，可采取硬件控制與軟件修復相結合的策略。

在控制層，系統會實時監測IMU的震動強度，當震動超過預設閾值時，就自動調整攝像頭的曝光策略，通過縮短曝光時間來強行“凝固”瞬間畫面，并同步調高ISO增益以維持圖像亮度。

雖然高ISO會引入一定的噪點，但相比于不可恢復的運動模糊，噪點對深度學習算法的干擾更小，且可以通過后續的AI去噪模型進行優化。

圖片源自：網絡

毫米波雷達作為自動駕駛中唯一具備全天候測速能力的傳感器，在顛簸路面下的表現同樣會不盡人意。它主要依靠發射調頻連續波（FMCW）并分析反射波的相位變化來測定目標的速度。

然而，車輛自身的機械振動會直接改變雷達天線相對于目標物體的物理距離，這種微小的位移會疊加在雷達的回波信號中，導致信號相位發生不規則的偏移。

在信號處理領域，這種現象被稱為相位噪聲，它會導致目標在多普勒頻域中的能量散布開來，形成所謂的多普勒展寬。

這種能量的散布會產生兩個直接的負面后果，一是目標真實信號的強度降低，導致傳感器可能漏掉原本清晰可見的目標（探測概率PD下降）；二是在頻域中產生大量的“側瓣”干擾，使得算法誤以為周圍存在許多虛假的動態物體，從而引發頻繁的誤觸發或誤制動。

針對這種硬件缺陷，雷達信號處理算法可采用“動態相位對消”技術。其基本原理是，雷達系統在探測動態目標的同時，會同步掃描環境中如路邊的護欄、交通標牌或靜止的車輛等大量靜止參考物。

由于這些物體在物理上是靜止的，它們回波信號中的任何頻率波動都可以被視為車輛自身振動的投影。

通過分析這些靜止物體的回波，算法可以反向估計出雷達天線當前的瞬時振動相位，并將其作為補償因子，實時作用于所有探測到的信號點上。

這一過程成功地將雷達的探測焦點重新聚集，恢復了信號的信噪比（SNR），從而確保了即使在非常顛簸的路面上，車輛對前方障礙物的速度判斷依然保持在厘米每秒級的精度。

這種基于軟件定義的雷達增強技術，極大程度上緩解了由于機械安裝不穩或路面惡劣導致的感知質量衰退。

多模態感知與占據柵格網絡

任何單一的傳感器在極端的顛簸環境下都有局限性，真正的感知魯棒性依賴于多傳感器的數據融合（MSF）。在顛簸嚴重的場景下，感知系統會自動進入一種“動態信任管理”模式。

不同類型的傳感器對震動的敏感度不同，攝像頭對光軸偏移和運動模糊最敏感，激光雷達對局部點云密度變化敏感，而毫米波雷達則對相位干擾敏感。

通過卡爾曼濾波（Kalman Filter）或基于變分推理的概率框架，感知系統可以實時評估各路傳感器的數據質量，并動態調整其在最終決策中的權重。

當系統檢測到攝像頭因為劇烈顛簸出現了嚴重的運動模糊時，融合模型會自動降低視覺分類結果的置信度，而將更多的決策依據轉向激光雷達提供的空間幾何特征和毫米波雷達的速度矢量。

這種冗余機制確保了即使在某一傳感器暫時失效的情況下，系統整體依然能維持對環境的基本認知。

圖片源自：網絡

為了進一步提升在非結構化路面上的感知精度，目前技術廣泛轉向了基于“鳥瞰圖”（BEV）的表征學習和占據柵格網絡（Occupancy Network）。

不同于傳統的物體識別任務（即先識別出這是什么物體，再確定它的位置），占據柵格網絡將車輛周圍的空間切分為無數個細小的三維方塊。

系統利用深度神經網絡，綜合多攝像頭的視頻流和激光雷達點云，實時預測每一個方塊被物體“占據”的概率。

這種方法的優勢在于它不依賴于具體的物體模型。在顛簸的路面上，路面可能會飛濺起泥塊、碎石，或者路面本身存在難以描述的塌陷。傳統的分類器很難準確判定這些不規則物體的類別，但占據柵格網絡能直接感知到前方空間的通行性受阻，從而引導規劃系統做出避讓動作。

此外，由于BEV 空間是一個統一的地理坐標系，系統可以通過時間序列模型（如循環神經網絡或Transformer）來記憶過去幾幀的感知信息。如果當前幀因為震動導致感知數據出現瞬時斷檔，系統可以利用歷史幀推斷出障礙物的可能位置，維持感知的連續性。

感知預覽控制與主動底盤系統

感知系統的目標并不是單純地“應對震動”，而是與底盤系統深度協同，主動地“消滅震動”。這種技術被稱為懸架預覽控制（Suspension Preview Control）。在這一技術框架下，感知系統不僅為規劃系統服務，而是作為底盤的“預報員”。

車輛前方的視覺感知模塊（通常是雙目攝像頭或激光雷達）會實時掃描前方5到15米范圍內的路面輪廓，精確測算每一個坑洼的深度或減速帶的高度。

感知系統捕捉到的地形數據會在毫秒級時間內被傳輸給電子底盤控制單元。以蔚來ET9（參數丨圖片）搭載的SkyRide天樞底盤或ClearMotion的主動懸架系統為例，當感知系統預報前方左前輪即將壓過一個5厘米深的坑洞時，懸架系統會提前調整該輪位的阻尼并主動產生一個向下的推力，讓車身在車輪下陷的過程中依然保持水平穩定。

這種“預覽-反饋”的閉環系統極大地優化了感知傳感器的工作環境。因為車身越平穩，傳感器采集到的圖像和點云就越接近理想狀態，這反過來又提升了感知的準確率。

圖片源自：網絡

這種感知與底盤的深度融合，將自動駕駛汽車從一個單純的機械運動物體，變成了一個具備預知能力的智能生物。系統可以利用云端路面地圖，結合當前車輛的實時感知，構建出一個覆蓋全城的“地形數據庫”。

通過這種群體智能，第一輛駛過破損路面的車會將感知的顛簸參數分享給后車，讓后車在接近該區域時提前做好感知精度補強和懸架準備。

最后的話

在顛簸路面行駛時確保感知準確性，是自動駕駛系統工程化能力的集中體現。它要求汽車在硬件設計上具備極端環境下的機械耐久性，在底層算法上具備對物理運動規律的深刻理解，并在頂層架構上具備處理高度不確定性數據的融合智能。

隨著固態激光雷達的普及、端到端模型感知能力的進化以及主動底盤技術的下放，未來的自動駕駛感知系統將展現出更加接近人類甚至超越人類的視覺適應能力，讓智能駕駛在各種路況下都如履平地。