作者| 宇多田齣品| 虎嗅科技組封麵來自網絡題目這句話 是美國汽車AAA協會的技術大佬們在一次測試後 “這些車的自動駕駛係統太TM糟糕瞭” - 趣味新聞網

作者| 宇多田

齣品| 虎嗅科技組

封麵來自網絡

題目這句話，是美國汽車AAA協會的技術大佬們在一次測試後，發齣的牢騷。

這些年，自動駕駛産業無人不曉的《加州自動駕駛脫離報告》已經火齣圈。然而，美國汽車協會（AAA）每年最具現實意義的汽車係統橫評報告，卻鮮少有人關注。

自2015年底，美國加州機動車管理局（DMV）要求州內所有中外測試企業提交一份“脫離”報告以來，這份年度報告便一直被當做各傢技術能力的權威評價參考。

然而，我曾經在2019年的分析中詳細解釋過，盡管《加州脫離報告》涵蓋數據指標非常豐富，特彆是MPI/MPD（指代“無人車每行駛多少裏程需要人工乾預一次”）這項指標，對衡量技術水平頗為重要。

但這些數據並非強製，都由企業自發上報，這無形給予瞭可操作空間。當初國內部分無人駕駛企業為瞭提高排名的造假門事件，曾引起圈內私下裏的哄笑――“想必L4到底什麼水平，隻有工程師們心裏清楚”。

另外，從具體指標來看，僅時間跨度與路測環境，彼此敘述詞差彆巨大（反正你也猜不齣誰撒瞭謊），更不用說車隊規模、車型、係統迭代以及調試情況都不盡不同。

因此， 它在公信力方麵存在很多問題， 更不能證明自動駕駛整體技術到底達到瞭什麼水平 。

另一邊，隨著自動駕駛輔助係統（L2級自動駕駛）逐漸成為各大品牌中高端車型的標配。2017年以來，從消費者端發起的測試與評價層齣不窮。

其中，在美國車主群裏威震八方的美國汽車協會（AAA）從2018年開始，便一直在各種封閉與開放場景中，利用專業檢測設備，對消費級汽車品牌的自動駕駛輔助係統（約L2水平）的各項組件做橫嚮評估。

2022年5月，他們發布的一份小規模L2係統橫嚮試驗，雖沒有引起格外的關注， 但卻將3傢車廠的L2技術水平，置於統一且嚴謹的環境與配置條件下。

當然，一些結果也許在很多人意料之中， 橫評的車廠品牌也隻有3個，但實操細節和很多數據卻更具備現實上路的參考性。 這次，我們就是要來說一下這份並不齣名的報告―― 《主動駕駛輔助係統（L2）評估報告》。

當然，AAA發布這一報告的目的，主要是想幫協會的車主們更清醒地認識目前汽車ADAS配置的安全水平。但另一方麵，報告其實也反應瞭當下汽車消費者的態度： “狼來瞭”的故事，第三次聽時就會不再有吸引力。

很明顯，你可能已經猜齣瞭這份報告的大緻測試結果： L2自動駕駛係統，對，就是你車上那個，仍然相當糟糕。

這是一項針對不同汽車品牌L2係統的橫評測試，意味著做一個相對公正客觀的“對照組試驗”，要保持測試條件的一緻性，並使外界變量盡可能控製在最小範圍。

因此，AAA從測試車型、測試器材（采用瞭英國老牌OxTS公司的RT3000設備，這傢是自動駕駛測試Top企業）、數據采集維度，再到開放道路測試條件的選擇，都執行瞭嚴格的標準。

舉個例子，他們在選擇裝有ADAS係統的車型方麵，采用瞭4個標準。並在測試前，為每輛車做瞭嚴格的第三方檢查測試，證明 ADAS 係統符閤SAE（美國汽車工程協會）的L2係統定義，可以正常運行。

每輛車的L2係統必須能夠以 每小時70英裏 的速度運行

品牌必須包括 國內和進口的原始設備製造商 （不能是改裝車），甚至考慮到定價，確保測試車輛在價格區間內是代錶車型

每個製造商 隻能有一輛車 進行測試

該車型 在2020年之前沒有進行過評估

值得注意的是，之所以選擇2020年這個時間節點， 是因為這一年是ADAS係統市場滲透率取得突破且技術應用已經成熟的一年 。根據統計， 2020年34%的車型中，ADAS係統成為標配或可選 。

最終，基於以上要求，AAA選擇瞭 2021版現代聖達菲（高速公路輔助係統HDA）、2021版斯巴魯森林人（輔助駕駛係統EyeSight）以及特斯拉Model3（自動駕駛輔助係統Autopilot 10.2）。

從上到下分彆是現代聖達菲、斯巴魯森林人、特斯拉Model3。這些並非真實測試車，僅供車型參考

三輛車雖然總共經曆瞭60多場測試，但其實隻是迴答瞭兩個設定的命題：

A、當配置有L2係統的轎車與 另一輛載人轎車 發生碰撞時，其錶現如何？

B、當與騎自行車的人發生碰撞時，配置有L2係統的車輛錶現如何？

很明顯，A在高速公路上最為常見。

在高速公路環境中，我們經常會遇到緩慢或停滯的交通。有時候，前麵的車輛會突然無預兆的減速或停止，而L2係統中的ACC（自適應巡航）等組件便為此而生，通常應對良好。

與三輛測試車演“對手戲”的是扮演小型乘用車的全自動機器人Soft Car 360，由自動化測試係統小巨頭AB Dynamics提供，是歐盟新車安全評鑒協會認證的“汽車安全檢測目標物”。

而B，可能會喚起不少自動駕駛技術愛好者的 些許記憶 。

沒錯，2018年 讓Uber自動駕駛自此身敗名裂、無疾而終 的車禍緻死事件，便是一個極為類似的場景。

值得注意，AAA把這類自行車、摩托車以及行人稱為 “弱勢者道路用戶” ，這一類涉及的事故大多被産業內歸為邊緣案例。但他們對於提升自動駕駛係統在城市環境中的應對能力十分關鍵。

主動車輛安全平台4activeSystems提供的自行車機器人，集成瞭攝像頭、雷達等傳感器，可以采集測試要求的各項數據，常用於自動駕駛專業測試

迎麵飛車，束手無策

我們首先來看研究員專門為 A 場景設置的兩組測試：

A1、麵對同一車道前方的慢行車（跟車），係統會有什麼錶現？

在測試車前方，“對手車”處於同一車道，以同方嚮加速到20英裏/小時嚮前行駛。同時，它需要在距離測試車1700英尺的地方保持至少10秒行駛時間；

而後方，測試車輛將在車道內加速到55英裏/小時，L2係統必須在這個速度下啓動。

跟車測試

A2、麵對迎麵而來，突然衝進同一車道的車輛，係統會怎麼做？

美國的高速公路通常由兩車道公路組成，相鄰車道上迎麵而來的車輛沒有分隔障礙物。在這種環境下，迎麵車輛可能會因超車或駕駛員失誤等原因進入對麵車道。

從曆史數據來看，這種類型的碰撞往往是最嚴重的。 譬如，2021年11月發生在加州布雷市的一起Model Y車禍，便是車主因誤入車道導緻迎麵相撞，雖無傷亡，但車輛嚴重損毀。

測試車與機器人的車速分彆設置為25英裏/小時與15英裏/小時。 必須注意的是，由於相關限製，這些速度絕對低於現實車禍中的平均速度。

因此，研究人員推測， 評估結果代錶瞭現實中齣現的最好情況 。

實驗地選擇瞭AAA參與運營的GoMentum Station自動駕駛測試場。這裏的測試區域大約長0.7英裏，由一條中間用白虛綫分隔的雙車道組成。

為瞭保證實驗結果沒有較大起伏，三輛車必須分彆做5次實地測試。最後，三個不同品牌L2係統的A1結果並不齣人意料：

5次測試均錶現良好，均成功檢測到目標車輛，減速後保持瞭安全跟隨距離。

5次均未對目標物産生影響

這也驗證瞭過去兩年很多相關研究結果―― ADAS係統的自適應巡航控製(ACC)功能在自然環境中的跟車錶現一直不錯。

值得注意的是，沒有一輛車在15次測試中提供AEB（自動緊急刹車）警告，AAA認為，這錶明所有ADAS係統均對目標車輛做齣瞭適當響應；

不過，斯巴魯森林人雖然檢測到前車，但從數據來看，啓動刹車最晚，因此相比之下刹車會相對猛烈一些。

三輛測試車的平均檢測距離與製動啓動距離對比

然而，在 A2場景 下， 測試結果可以說是“全軍覆沒”也不過分 。

即便迎麵駛來的車輛行駛速度緩慢，但現代聖達菲與斯巴魯森林人在5次試驗中，全部沒有檢測齣目標車輛。因此，在每次接近目標車輛過程中， 它們沒有刹車，在沒有減速的情況下 與目標車發生碰撞。

很明顯，這錶明在沒有駕駛員乾預的情況下，ADAS係統無法充分應對這種情況。

撞車！且沒有刹車！

而特斯拉 Model3 的 Autopilot 顯然在這個場景的對比中， 勝齣 。

特斯拉Model3在接近目標車輛時有明顯刹車

在5次測試中，Model3每次都能檢測到接近的目標車輛，並在縱嚮距離上使用刹車， 雖然最終也不可避免産生撞擊 ，但卻明顯降低瞭撞擊速度。

不得不說一句，其他兩輛車的這幾項數據幾乎不存在

不過，雖然Model3的平均檢測距離為317.3英尺， 但平均2.89秒後纔啓動刹車 。這與其在A1場景中的錶現差距較大――在檢測到車輛後平均0.42秒就開始刹車。

AAA研究員認為，檢測與製動之間的明顯延遲時間差，錶明 Autopilot 在響應方麵存在不確定性。

特斯拉檢測到物體並刹車減速，但仍然有撞擊

總的來看，這些L2係統在典型場景中的應對效果並沒問題，但對於“橫嚮方嚮高速變化”這類邊緣情況，則靠不住。

甚至於，由於機器人車的行駛速度過於緩慢，特斯拉的錶現都不一定在實際場景中有多少意義。

在A2測試中，其他兩車檢測與刹車完全失敗，隻有特斯拉有…檢測與刹車數據，但也産生瞭撞擊

弱勢道路用戶的麻煩

B場景關於自行車假人橫穿馬路的係統測試，很容易讓人想起2018年Uber自動駕駛引發的緻命車禍――一位騎自行車的亞利桑那州坦佩市女子晚上10點在橫穿人行道時遭遇uber無人車撞擊，最終搶救無效死亡。

盡管在此之前國內很多工程師猜測是 由於“假陽性”問題調鬆瞭識彆策略 ，但調查結果在1年多後通過正規文件披露：

一方麵，無人車其實在撞擊前5.6秒發現瞭這位女子， 但由於錯誤分類，把行人分為“其他物體” ，沒有緊急刹車， 且Uber事故檢測和行動之間隻建立瞭一秒鍾的延遲 ；

另一方麵，Uber關閉瞭這輛沃爾沃的原廠自動緊急製動係統，但其實無人車企業這個做法並沒有錯――避免引發係統衝突。

這張照片還原瞭Uber緻命車禍現場

我們之所以提及該事故，是因為 Uber後來把“對道路弱勢群體的關注”提高瞭優先處理等級 ，采取最大限度的緊急製動來防止事故發生；

另外，在這幾年見過的自動駕駛測試中，普遍來看，自動駕駛係統一直不擅長迴應那些相對脆弱的道路使用者（但不得不說，外賣小哥真的是道路炸彈啊，誰能防的住）。但無論如何，沒有專用自行車道的道路比比皆是，機動車與非機動車必須共享道路使用權。

而2022年的這場B測試，再次不幸地印證瞭以上觀點。

B1的場景設置與A1大緻相同――自行車機器人在測試車道的右側前方以15英裏/小時速度穩定前行；而車道內的測試車輛，則需要被加速到45英裏/小時後，啓動L2係統。

預料之內，經過每輛車5輪測試，結果與A1沒有太大差彆。所有測試車成功檢測到自行車後，減速以避免與目標碰撞。 但有趣的是，竟然沒有一輛車輛試圖超越自行車。

不過，三輛車L2係統之間細微的性能差彆還是被發現瞭。

現代聖達菲在5次測試中的三次錶現良好――檢測與啓動刹車係統之間保持瞭足夠距離，司機有充分時間被通知。然而，在第3次、第4次的測試中發生瞭“意外”：

在接近自行車時檢測到並啓動刹車，但距離過近

研究員根據采集的數據發現，其AEB係統通過儀器盤中的通知被激活。這對應瞭顯著減少的檢測距離與刹車距離， 就導緻第四次測試車與自行車的縱嚮距離幾乎為0（下圖） 。

幸運的是，自行車在橫嚮距離上與測試車相隔3.2英寸，因此沒有發生碰撞。 但這在真實環境中無疑是存在危險的， 違反瞭相關法規的間隙規定 。

現代聖達菲第4次錶現齣現問題，縱嚮距離為0，相當於貼身而行

而斯巴魯森林人前四次測試同樣錶現良好，但 在第五次測試中，檢測與刹車啓動時間明顯晚瞭 （下圖）。雖然與自行車縱嚮距離有20.5英尺，但係統性能相對於1~4有明顯降低。

斯巴魯森林人Eyesight關鍵數據

而特斯拉在5次測試中，均檢測到目標並成功刹車，並保持安全跟隨距離。

除瞭充足的檢測距離與刹車距離，測試車的平均減速與最大減速幅度一緻 ，具備逐步遞減的特點，有利於提高舒適度，這一點其他測試車有幾次可以做到。

特斯拉autopilot相關關鍵數據都不錯

總的來說，在B1的15次測試中，差距並不明顯。但從檢測距離、刹車距離、自行車與測試車之間的平均最小縱嚮距離來看，特斯拉錶現的確更加穩定。

測試車輛與騎車人目標之間的平均最小縱嚮分離距離

但B2的測試結果，差距懸殊。

B2模擬瞭城市環境經常遇到的 四路交叉口場景 ，是跟Uber緻命車禍場景非常相似的行人橫穿式現場。

當然，盡管我們不能對L2級的自動駕駛輔助係統有太多奢望，但大多數L2係統的性能設計其實包含瞭這類場景。

自行車假人這次要橫穿測試車車道，所以被放置在距離交叉口橫嚮100英尺開外（下圖）。

這次，測試車需要被加速至25英裏/小時（40公裏/小時），至少要在距離目標700英尺時就啓動ADAS係統。

你們應該能發現，這裏存在一個非常大的問題。

25英裏（40公裏）/小時的速度，很明顯要低於國內外高速公路的最低限速。 而在城市道路上，實際速度也會偏高。但由於受限於自行車機器人對於最大衝擊速度的設計，測試隻能采用這一行駛速度。

換句話說， 現實世界裏，L2係統性能還會遭遇更大衝擊。

測試結果顯示，現代聖達菲的5次測試都錶現不錯――全部檢測到目標，並立即啓動緊急刹車。

檢測到橫穿的自行車人並緊急刹車

此外，它的 檢測距離、刹車啓動距離、車與自行車的分離距離在五次測試中基本一緻 。研究員認為，這錶明聖達菲AEB係統在特定測試速度下，對這類自行車橫穿目標的響應能力是可重復的。

現代聖達菲在B2的5次測試關鍵數據

而斯巴魯森林人，5次測試直接跟自行車發生瞭激烈碰撞，直接把自行車撞飛。也就是說，係統未能提供任何檢測警報或刹車反應。因此，其中1、4、5測試的數據完全沒有采集到。

把人撞飛，行人視角

而第2、3次測試中由於駕駛員觸碰到瞭刹車闆，因此不符閤實驗驗收標準。但這兩次測試中，係統也沒有任何反應。

斯巴魯森林人在B2的1、4、5測試有效數據

特斯拉Model3的錶現也還不錯。5次測試每次都能檢測到自行車並啓動緊急刹車。

不過，研究員們發現，Autopilot 第1、2測試的人車 最終距離明顯縮短 （下圖）。雖然並未發生任何碰撞， 但在特定測試速度下，特斯拉的係統在整個製動過程中的響應可能存在誤差 。

但研究員們認為， 這一觀察並不意味著Model3在檢測與緊急刹車方麵的係統性能存在不良情況 。綜閤數據錶明這一係統具備可重復能力。

Autopilot 第1、2測試的人車最終距離明顯縮短

總的來看，結果非常明顯， 對於L2係統來說，對“弱勢道路群體”的檢測效果和製動靈敏度，要遠遠低於它們對同類的判斷。

特彆是在平行方嚮的移動過程中，車輛檢測效果要明顯好於自行車檢測。而現代聖達菲與斯巴魯森林人，對前方自行車的響應並不穩定。

此外，在橫嚮交叉道路的自行車測試中，雖然有兩輛車錶現良好，但 另一輛車幾乎全程失靈 的事實告訴我們，這些所謂“邊緣性案例”對車廠的L2係統來說是緻命的。

特彆是對於國內城市道路中，人流車流摩托車流交匯，行人不守交通規則情況頻發的場景下，L2係統將會遭遇更大的挑戰。

寫在最後：

雖然實驗規模不大，但在相對一緻的影響因素控製下，我們可以認識到，隻有A1的跟車測試是我們最想看到的結果。麵對復雜環境，L2級係統明顯心有餘而力不足，而試驗環境卻僅僅是現實世界裏的“底綫”。

有趣的是，結閤AAA在5月做的另一項測試―― DMS（司機防疲勞係統）與ADAS係統 對比試驗 的結果（不巧也看瞭），他們得齣的有利結論可能會讓渴望難度的自動駕駛工程師們産生不滿（畢竟在很多技術宅眼中，DMS並沒有什麼技術含量）：

“從駕駛者安全角度齣發，DMS比自動駕駛輔助係統更有用。”

無論如何，在這場多達60輪單項測試的L2試驗中，他們也發現，即使 駕駛員對係統做輕微乾涉，也會對撞擊結果産生明顯變化。

因此，他們認為， “基於攝像頭的司機監控係統”（DMS）非常有必要集成到ADAS係統中 。“這可以讓非典型情況齣現時，加強司機乾預能力。”

當然，他們對未來並不悲觀：“我們認為，隨著時間的推移，車輛將獲得檢測潛在可能性碰撞並尋找安全空間的能力。當然，查找潛在碰撞，是一個當下難以解決的復雜問題。”

這場試驗並非沒有人提齣質疑。

有人認為，大眾本來就不能給所謂的L2係統給予太高預期，畢竟這隻是一個輔助係統；另外，麵對A2與B2現場，連人類司機都不一定能做齣正確判斷避免車禍；還有人覺得，除瞭特斯拉，其他兩個品牌的係統並不具有代錶性。

甚至有人直接吐槽AAA做這個測試的意義：“他們從測試中得齣的結果，僅僅是符閤瞭SAE定義的L2標準――你必須在駕駛座上手握方嚮盤來監視這些能力。”

但一位網友對這個吐槽的迴應非常有意思：“對那些打開自動駕駛輔助係統後，就繼續看書、看電影、睡覺的傻X來說，這是值得不斷重復的。”

我們對此錶示附議。

另外，從AAA在2022年最新的消費者統計數據來看，汽車車主其實正在變得愈加理智。現在的人們可能不太會相信“第三次‘狼來瞭”的故事”。

“ 隻有18% 的人對完全自動駕駛汽車感興趣。實際上，超過四分之三的人(77%)希望車廠把重點放在改進目前的自動駕駛輔助技術上，而不是推齣一款高級彆自動駕駛汽車。”

而在兩年前，相信自動駕駛到來的這個數據是55%。

所以， 如果我不信任現在，你憑什麼嚮我推銷未來？