自动驾驶还有哪些长尾问题需要解决？

本文以Aeye的气球挑战为例，解释了自动驾驶在未来发展道路上还要解决的长尾问题。

卡耐基梅隆大学Argo Lab人工智能无人驾驶研究中心首席科学家约翰·多兰在一次采访中提到，自动驾驶迟到的原因归结为两点：底层技术和真实应用场景。在技术方面，自动驾驶的底层架构和大部分技术问题已经被解决，剩下的5%的长尾问题，逐渐成了制约自动驾驶发展的关键。这些问题包括各种零碎的场景、极端的情况和无法预测的人类行为。

为了克服这些长尾问题，目前很多公司都在进行大量真实路测实验来找到并解决这些边界化的难题。

最近，激光雷达公司Aeye就做了一次挑战，自动驾驶如何一个漂浮在路中央的气球。通过在L4级无人驾驶汽车往往偏向避免碰撞，在这种情况下,它们会采取的规避动作或者踩刹车，来避免不必要的事故。而气球是个软性的物体，可以直接无障碍的通过。

如果让无人驾驶汽车判断出物体的性质来判断是否可以通过？

相机往往很难以区分障碍物的软、硬，一切在它眼中都只是像素。在这种情况下，知觉训练几乎是不可能的，因为在现实世界中，软的物体可以呈现出任意形状、形式甚至拟人化的状态。相机检测性能是完全依靠适当的训练，通过把所有可能的外观排列组合来找到合适的类别，但是遇到太阳眩光、阴影或夜间行驶等条件下，对性能造成影响。

雷达对物体材料是敏感的。不含金属的软物体或者没有反射率的物体，无法反射无线电波，所以雷达不能识别气球。此外，雷达在训练中通常会忽略静止的物体，否则它会检测出成千上万的目标，阻碍车辆的行驶。所以,即使气球是由反光金属塑料，但它漂浮在空气中，可能没有足够的相对运动让雷达探测到它。即使把相机和雷达组合在一起，也无法在任意条件下，做出正确的判断。

相比之下，足够密度的激光雷达点云，在提供足够的数据分类以及恰当的路径规划算法的情况下，可以检测像气球一类的柔软、可变形物体。收集足够多的气球数据，并确定其分类、形状和速度数据发送到域控制器。激光雷达探测到气球，并将其标记为动态感兴趣的区域(ROI)，解决在此类条件下的长尾问题。

2019年，尽管一些公开的道路测试甚至无人车商用已经开始，同时大部分技术问题已不再是问题，但是我们面临的车辆长尾问题仍不在少数。

有网友专门整理了这些无人车很难做出判断的场景，比如打伞的人，人在车后搬箱子、树倒在路中央等等。

这些有人类行为参与的场景，就像正态分布曲线那样。即使图像两端的情况很少发生，我们的测试也要涵盖进去所有的人类行为情况。既要通过实际路测来发现，也要通过无数的仿真测试，去创造、搭建足够的数据来保证行驶的安全。

我们坚信，经过与长尾问题不断的纠缠打磨，未来的自动驾驶系统将变得越来越可靠。