本文以Aeye的氣球挑戰(zhàn)為例，解釋了自動駕駛在未來發(fā)展道路上還要解決的長尾問題。

卡耐基梅隆大學Argo Lab人工智能無人駕駛研究中心首席科學家約翰·多蘭在一次采訪中提到，自動駕駛遲到的原因歸結為兩點：底層技術和真實應用場景。在技術方面，自動駕駛的底層架構和大部分技術問題已經被解決，剩下的5%的長尾問題，逐漸成了制約自動駕駛發(fā)展的關鍵。這些問題包括各種零碎的場景、極端的情況和無法預測的人類行為。

為了克服這些長尾問題，目前很多公司都在進行大量真實路測實驗來找到并解決這些邊界化的難題。

最近，激光雷達公司Aeye就做了一次挑戰(zhàn)，自動駕駛如何一個漂浮在路中央的氣球。通過在L4級無人駕駛汽車往往偏向避免碰撞，在這種情況下,它們會采取的規(guī)避動作或者踩剎車，來避免不必要的事故。而氣球是個軟性的物體，可以直接無障礙的通過。

如果讓無人駕駛汽車判斷出物體的性質來判斷是否可以通過？

相機往往很難以區(qū)分障礙物的軟、硬，一切在它眼中都只是像素。在這種情況下，知覺訓練幾乎是不可能的，因為在現實世界中，軟的物體可以呈現出任意形狀、形式甚至擬人化的狀態(tài)。相機檢測性能是完全依靠適當的訓練，通過把所有可能的外觀排列組合來找到合適的類別，但是遇到太陽眩光、陰影或夜間行駛等條件下，對性能造成影響。

雷達對物體材料是敏感的。不含金屬的軟物體或者沒有反射率的物體，無法反射無線電波，所以雷達不能識別氣球。此外，雷達在訓練中通常會忽略靜止的物體，否則它會檢測出成千上萬的目標，阻礙車輛的行駛。所以,即使氣球是由反光金屬塑料，但它漂浮在空氣中，可能沒有足夠的相對運動讓雷達探測到它。即使把相機和雷達組合在一起，也無法在任意條件下，做出正確的判斷。

相比之下，足夠密度的激光雷達點云，在提供足夠的數據分類以及恰當的路徑規(guī)劃算法的情況下，可以檢測像氣球一類的柔軟、可變形物體。收集足夠多的氣球數據，并確定其分類、形狀和速度數據發(fā)送到域控制器。激光雷達探測到氣球，并將其標記為動態(tài)感興趣的區(qū)域(ROI)，解決在此類條件下的長尾問題。

2019年，盡管一些公開的道路測試甚至無人車商用已經開始，同時大部分技術問題已不再是問題，但是我們面臨的車輛長尾問題仍不在少數。

有網友專門整理了這些無人車很難做出判斷的場景，比如打傘的人，人在車后搬箱子、樹倒在路中央等等。

這些有人類行為參與的場景，就像正態(tài)分布曲線那樣。即使圖像兩端的情況很少發(fā)生，我們的測試也要涵蓋進去所有的人類行為情況。既要通過實際路測來發(fā)現，也要通過無數的仿真測試，去創(chuàng)造、搭建足夠的數據來保證行駛的安全。

我們堅信，經過與長尾問題不斷的糾纏打磨，未來的自動駕駛系統(tǒng)將變得越來越可靠。