與去年信心滿滿相比，7月23日，在封閉高速路段上，懂車帝對36款“智駕”車型進行了多個特殊場景測試，包括“高速施工”、“匝道遭遇野蠻加塞”、“橫穿的豬”等，毫無意外，這都屬于長尾場景。雖然關于豬的測試通過率最低（竄入高速的豬是典型的“非結構化”對象，通常沒可能訓練到），但“消失的前車”引發(fā)共鳴最多。大概因為這種場景很多人經歷過，因為驚險，所以印象深刻。

AEB與高速NCA的沖突

按照懂車帝的設定，測試車（以下稱“本車”）以時速120 km/h跟隨前車行駛，前車突然向左變道躲避本車道事故車，猝不及防的本車，需要在極短時間內完成感知-決策-執(zhí)行閉環(huán)。36輛車，只有5輛車成功做出了規(guī)避動作。

這一測試，當然是不嚴謹的——因為每輛車面臨的場景條件變量不一致。有的車測試時左車道是空的（后車稍遠），有規(guī)避空間；有的車面臨左道被占，很難繞行。這就造成了結果可信性不高。盡管如此，結果仍然有一定參考價值。就像懂車帝自己說的，重要的不是第幾，而是人是否安全。

“消失的前車”，場景設置非常有技巧，它恰好擊中了智駕系統(tǒng)薄弱的結合部——AEB（自動緊急制動）和高速NCA（導航輔助駕駛）的沖突問題，不管品牌方是否將兩個功能融合在一起。

在感知層，本車需要識別左側車流與突然出現的前方靜止障礙的雙重威脅；決策層需要做出決定，變入左道車流空檔內，還是強力制動；執(zhí)行層則需要AEB和NCA協同。

實際測試中，多車出現嚴重失誤。懂車帝也出來解釋說，很多車型在AEB被觸發(fā)后，NCA功能被抑制，導致車輛硬剎，結果是制動距離不夠，仍然撞上障礙物。這還算好的，更多的車型根本沒有識別最大的威脅——本車道前方靜止障礙，導致一頭撞上去。減速很少或者壓根沒有減速。

無論AEB還是NCA，感知層不管有多少個傳感器源，都是同一組。而決策層則有兩個模塊，而且不能同時主導。不過，這只是表面上的模塊沖突導致決策非最優(yōu)。

靜態(tài)決策導致孤立響應

當前主流智駕普遍采用端到端架構。端到端的設計思想，就是將傳感器輸入通過神經網絡，直接映射為駕駛控制信號，減少中間模塊誤差傳遞的影響，也避免規(guī)控模式覆蓋空白導致系統(tǒng)失能。

人類熟練駕駛，即便面對極端場景，基本都是下意識反應，這和端到端思路有共同之處。但差別在于，即便電光火石間，人類駕駛員做出決策，也是依據“連續(xù)時幀”畫面做出決斷，而非單純依靠一個畫面做出。前者意味著即便做出決斷，隨著時間流逝發(fā)現新的、更嚴重威脅，也能及時矯正，采取新對策（是否成功另說）。

而很多端到端模型采取靜態(tài)數據輸入（單幀畫面或者短時間窗口），忽視駕駛行為本質上是一個強時序相關的連續(xù)決策過程。缺乏時序建模，導致一些需要隨機應變的場景中，智駕系統(tǒng)表現出呆板、控制漂移、變線失穩(wěn)等。

在“消失的前車”場景中，前車緊急剎車-躲避障礙-左道車（如果有理智的話）剎車讓行等行為，站在本車觀察角度，形成了復雜的“信號鏈”。本車根據這些時序信號，也應該形成一個策略序列，而不是孤立的一個策略。智駕有時顯得很傻，道理就在這，即靜態(tài)決策必然導致孤立響應。

智駕判斷缺乏隨機應變性，有時候就顯得很傻

更復雜的是，其他交通參與者給出的信號，往往具有多義性。同一個駕駛員即便面對非常類似的場景，也可能采取不同策略，均為合理行為。但如果這些行為都作為數據輸入，容易模型學習方向不確定，訓練震蕩。如果多個駕駛員處理類似場景風格不同，模型學習到的控制行為，可能飄忽不定。最終在高壓場景（比如本文需要極短時間內決斷的場景）下，“既不充分制動也不果斷變道”的折衷決策，貌似溫和，其實是最壞的選擇。

端到端架構中，前幀感知偏差（如誤判左側車流速度）會通過Transformer等序列網絡不斷放大。測試中車輛向左變道時軌跡線突然消失，正是時序誤差累積的典型表現。

為什么不用“長時幀”

如果簡單認為，采用連續(xù)幀訓練就能解決此類困境，可能有點天真了。要考慮為什么不傾向于用長時間連續(xù)幀訓練。

第一個理由，容易跳幀。如果連續(xù)幀間的目標ID、軌跡或意圖標注不一致，會導致模型誤認為是兩個完全不同的事件，進一步削弱其對跨幀語義的建模能力。簡單說，就是系統(tǒng)認為這是兩個完全風馬牛的事，導致同一目標在兩幀中出現“跳幀”、“漂移”甚至“消失”，這可真成了“消失的前車”了。

連續(xù)幀不僅記錄時空變化，更為關鍵的是提供了其他交通參與者的真實意圖。人類司機不也是靠著連續(xù)觀察，判斷旁道車輛到底想直接加塞，還是想讓行后再加入進來——對行人意圖的判斷更是如此（因為其沒有轉向指示燈）。

優(yōu)化后的標識呈現

個別端到端系統(tǒng)，和人類判斷的方式差不多，也將行為意圖作為顯式標識，通過多目標軌跡回歸進行建模。前提是需要在一定時序內創(chuàng)建客體（其他車或行人）ID一致性標簽。防止跳幀、丟失客體觀察。

這就引出了第二個理由，成本問題。長時幀的標注和ID標簽訓練成本太高了，大家都鼓吹無/輕標注和無監(jiān)督學習，這讓靜止幀訓練成了現實選擇。

長序列不僅要求高質量時空數據樣本，還依賴強化標注，大大擴張了數據量。對大模型和轉移之后的車端小模型構成更多算力壓力。很多品牌已經注意到連續(xù)行為數據的采集、標注與利用。但從這次懂車帝測試情況來看，成果尚未反映到模型訓練和轉移。

不過，目前業(yè)內多品牌的端到端系統(tǒng)，比以前更重視“連續(xù)語義行為”的訓練，盡量模擬人類隨著時序所做的連續(xù)決策與執(zhí)行。目標是讓系統(tǒng)變得更穩(wěn)健可信，構建有清晰合理責任邊界的系統(tǒng)，而不是到關鍵時刻自己掉鏈子要求接管的甩鍋系統(tǒng)。

我們應該相信，隨著技術發(fā)展，智駕將越來越理智，并最終接管人類駕駛。在此之前，還是要謹慎宣傳，避免誤導公眾。

注:圖片部分來源網絡，如有侵權，聯系刪除。

克服AI幻覺？也許在開智駕倒車

2025過半，整車市場終局的端倪

小鵬與華為合作，產業(yè)新動向