一般而言，科學(xué)與鬼神是毫不沾邊的。但是，在自動(dòng)駕駛領(lǐng)域，他們卻產(chǎn)生了聯(lián)系。

日前，一位遼寧沈陽的理想汽車車主在社交媒體發(fā)布視頻稱，自己的理想L9在空無一人的陵園道路上識(shí)別并標(biāo)注出了數(shù)位行人。據(jù)悉，該車主在陵園祭祖，發(fā)現(xiàn)園區(qū)沒人，汽車?yán)走_(dá)卻顯示全是人，不僅有走路的還有騎自行車的。

該事件也引起了網(wǎng)友的熱議。

很快，理想汽車方面就此作出了回應(yīng)，“理想Max系列車型，使用激光雷達(dá)和視覺攝像頭融合感知，受限于當(dāng)前市場(chǎng)上傳感器識(shí)別能力的局限性，車輛在某些場(chǎng)景下會(huì)出現(xiàn)顯示異常，我們會(huì)在后續(xù)的OTA優(yōu)化算法來加強(qiáng)識(shí)別能力。”

這已經(jīng)不是理想汽車第一次出現(xiàn)靈異事件了，1月15日，上海浦東的一位理想汽車車主，就稱其夜間駕車出行，中控屏突然顯示有人在后方追車，檢查后發(fā)現(xiàn)車后并沒有人。

事實(shí)上，“看到鬼”這個(gè)技能并不是理想汽車獨(dú)有的，特斯拉車主很早就爆料過類似的事情。

2021年7月，成都的一位特斯拉車主爆料，他的特斯拉在凌晨一兩點(diǎn)的成都酒店地下停車場(chǎng)里“抓到了鬼”。這位車主凌晨一兩點(diǎn)下樓準(zhǔn)備開車走人，坐上車啟動(dòng)后，車輛顯示“左側(cè)有人”，然而車主一眼望去，什么都沒有。

更早時(shí)期，一名外國(guó)網(wǎng)友在Tiktok上發(fā)視頻稱，自己駕駛特斯拉行經(jīng)無人墓地，特斯拉卻感應(yīng)出了很多行人，此舉引發(fā)不少網(wǎng)友跟帖，表示自己的特斯拉在無人街道也曾感應(yīng)出行人。

2021年7月，一位特斯拉車主在美國(guó)紐約市的曼哈頓區(qū)駕駛時(shí)，他的特斯拉車載攝像頭記錄下了一段視頻，視頻中顯示了一個(gè)看起來像是人的物體從車輛前方快速閃過。但是，該車主表示，當(dāng)時(shí)他的車輛附近沒有任何人或物。

2019年4月，一位特斯拉車主在新加坡的高速公路上行駛時(shí)，他的特斯拉車載攝像頭記錄下了一段視頻，視頻中出現(xiàn)了一個(gè)模糊的人影。但是，該車主表示，當(dāng)時(shí)他的車輛附近沒有任何人或物。

還有更“邪門”的，有些特斯拉車主爆料，他們的特斯拉汽車曾被“幽靈”控制過：

2020年5月，一位特斯拉車主在華盛頓州的公路上行駛時(shí)，他的特斯拉突然加速，并在高速公路上沖向障礙物。這位車主認(rèn)為，他的特斯拉被“鬼魂”或其他超自然力量控制。

2019年9月，一位特斯拉車主在美國(guó)加利福尼亞州的公路上行駛時(shí)，他的特斯拉突然啟動(dòng)了緊急剎車系統(tǒng)，導(dǎo)致車輛突然停止。這位車主認(rèn)為，他的特斯拉被幽靈控制。

2019年4月，一位特斯拉車主在美國(guó)佛羅里達(dá)州的公路上行駛時(shí)，他的特斯拉突然加速并撞上了一堵墻。這位車主認(rèn)為，他的特斯拉被幽靈控制。

作為一個(gè)科技媒體，我們當(dāng)然不相信理想、特斯拉汽車真的可以“看到鬼”。但是，這樣的靈異事件一再出現(xiàn)，到底是什么原因?qū)е碌哪兀?/p>

接下來，我們?cè)噲D從科學(xué)角度來剖析一下自動(dòng)駕駛汽車的攝像頭、雷達(dá)能夠感知到“鬼影”的原理。

自動(dòng)駕駛汽車的攝像頭和雷達(dá)是通過使用傳感器技術(shù)進(jìn)行感知和感知環(huán)境的。這些傳感器可以檢測(cè)周圍的物體、行人、車輛等，并通過對(duì)這些物體的分析來識(shí)別它們的位置、速度、方向和距離等信息。但是，即使這些傳感器非常先進(jìn)和精確，也可能會(huì)出現(xiàn)錯(cuò)誤的情況，導(dǎo)致汽車看到不存在的人或物體。

一種可能的原因是傳感器在進(jìn)行感知時(shí)受到環(huán)境因素的干擾，例如強(qiáng)烈的陽光、陰影、雨雪等天氣條件可能會(huì)影響攝像頭和雷達(dá)的精度。此外，路面上的反射和折射也可能會(huì)導(dǎo)致傳感器的感知誤差。

另一個(gè)原因是傳感器的算法和軟件可能存在漏洞，這些漏洞可能會(huì)導(dǎo)致傳感器錯(cuò)誤地識(shí)別物體的位置或速度等信息。例如，某些算法可能會(huì)將道路上的標(biāo)志牌或路緣石等物體錯(cuò)誤地識(shí)別為行人或車輛。

可以發(fā)現(xiàn)，一輛自動(dòng)駕駛汽車的感知、決策核心主要包括三個(gè)方面，分別是傳感器、AI算法、軟件系統(tǒng)。

接下來，我們來更深入分析傳感器、算法、軟件的工作原理，并在此基礎(chǔ)上來推測(cè)一下哪些環(huán)節(jié)可能出現(xiàn)問題，導(dǎo)致了上面提到的看到鬼影這樣的靈異事件。

先來看看傳感器。

傳感器方面：

自動(dòng)駕駛汽車一般會(huì)使用多種傳感器來感知周圍環(huán)境，主要包括以下幾種：

攝像頭：它們可以通過采集視頻流來感知環(huán)境中的物體和場(chǎng)景。一般而言，攝像頭會(huì)使用計(jì)算機(jī)視覺算法來分析視頻流中的圖像，并從中提取出目標(biāo)物體的位置、速度和方向等信息。

雷達(dá)：雷達(dá)利用電磁波來感知物體，其原理是向物體發(fā)射電磁波，并通過接收反射回來的波來測(cè)量物體的位置、速度和方向等信息。雷達(dá)一般可以工作在不同的頻率范圍內(nèi)，包括毫米波和厘米波等。

激光雷達(dá)：激光雷達(dá)使用激光束來掃描周圍的環(huán)境，其原理是通過測(cè)量激光束反射回來的時(shí)間和強(qiáng)度來測(cè)量物體的位置和形狀等信息。激光雷達(dá)一般具有很高的精度和分辨率。

那么，在看到鬼影這件事情上，傳感器可能會(huì)扮演什么角色呢？

一般而言，傳感器出現(xiàn)錯(cuò)誤的可能情況主要是以下幾種：

環(huán)境干擾：例如，強(qiáng)烈的陽光或者陰影、雨雪等天氣條件會(huì)影響傳感器的精度。此外，道路上的反射和折射也可能會(huì)導(dǎo)致傳感器的感知誤差。

感知誤差：例如，由于傳感器的分辨率限制，小型或者遠(yuǎn)距離的物體可能無法被正確地識(shí)別。此外，傳感器的盲區(qū)、視野范圍等也可能導(dǎo)致識(shí)別錯(cuò)誤。

感知器件故障：例如，傳感器的元器件（例如鏡頭、探頭等）損壞、偏移或者失靈等也可能導(dǎo)致感知誤差。

一言以蔽之，光線、雨雪等因素影響，可能會(huì)讓自動(dòng)駕駛的各類傳感器“看花眼”。事實(shí)上，在強(qiáng)光、黑夜、大霧、暴雨等惡劣環(huán)境下，人類也可能會(huì)看花眼。人眼睛會(huì)犯的錯(cuò)誤，自動(dòng)駕駛汽車的攝像頭、雷達(dá)等傳感器也完全有可能犯。

傳感器是硬件，接下來，我們?cè)倮^續(xù)從算法、軟件角度來找找原因。

自動(dòng)駕駛汽車的檢測(cè)與識(shí)別技術(shù)是其實(shí)現(xiàn)自主導(dǎo)航的關(guān)鍵，要分析為什么汽車感知系統(tǒng)能夠“看到鬼”，最關(guān)鍵的就是要從檢測(cè)與識(shí)別技術(shù)上找原因。

現(xiàn)代自動(dòng)駕駛汽車通常采用多種傳感器來感知周圍環(huán)境，包括攝像頭、雷達(dá)、激光雷達(dá)、超聲波傳感器等。這些傳感器獲取到的數(shù)據(jù)需要通過算法和軟件進(jìn)行處理，才能提取出有用的信息。

在檢測(cè)與識(shí)別技術(shù)中，常用的算法包括了神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）、支持向量機(jī)（Support Vector Machine，SVM）等。

以攝像頭為例，它可以采集到道路、交通標(biāo)志、車輛、行人等物體的圖像信息。對(duì)這些圖像信息進(jìn)行處理的核心算法是卷積神經(jīng)網(wǎng)絡(luò)（CNN）。CNN通過多層卷積和池化操作來提取特征，并將這些特征輸入到全連接層中進(jìn)行分類。這種算法在圖像分類和目標(biāo)檢測(cè)中表現(xiàn)優(yōu)秀。常用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括了AlexNet、VGG、GoogLeNet、ResNet等。

除了圖像信息，雷達(dá)、激光雷達(dá)等傳感器可以提供目標(biāo)的距離和速度信息。這些信息可以通過雷達(dá)信號(hào)處理算法進(jìn)行處理。常用的雷達(dá)信號(hào)處理算法包括了峰值檢測(cè)、脈沖壓縮、距離濾波、速度濾波、多普勒處理等。

在識(shí)別行人等物體時(shí)，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）也經(jīng)常被應(yīng)用。RNN是一種能夠處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，它可以在輸入序列中保留歷史信息，并進(jìn)行預(yù)測(cè)。在行人檢測(cè)中，RNN可以用來預(yù)測(cè)行人的位置和行走方向。當(dāng)然，除了算法，軟件也是實(shí)現(xiàn)自動(dòng)駕駛汽車檢測(cè)與識(shí)別技術(shù)的重要組成部分。常用的軟件包括了OpenCV、TensorFlow、Caffe等。

搞清楚了自動(dòng)駕駛的一些核心算法，接下來我們就來推測(cè)一下可能是在哪些算法或者環(huán)節(jié)上出現(xiàn)問題，導(dǎo)致汽車看到鬼。

一般而言，可能會(huì)存在以下一些問題導(dǎo)致自動(dòng)駕駛汽車“看到”不存在的人：

意外目標(biāo)檢測(cè)錯(cuò)誤：自動(dòng)駕駛汽車中常用的目標(biāo)檢測(cè)算法包括RCNN、YOLO、SSD等，這些算法都需要在訓(xùn)練時(shí)輸入大量的標(biāo)注數(shù)據(jù)來訓(xùn)練模型，以便在行駛過程中識(shí)別路面上的行人、車輛、交通信號(hào)燈等目標(biāo)。然而，在標(biāo)注數(shù)據(jù)中可能存在一些錯(cuò)誤標(biāo)注或者遺漏的情況，這些問題可能會(huì)導(dǎo)致算法出現(xiàn)誤判。例如，如果訓(xùn)練數(shù)據(jù)中沒有正確標(biāo)注人行道或者人行橫道，那么當(dāng)自動(dòng)駕駛汽車遇到這種情況時(shí)，就可能會(huì)將路面上的其他物體（如路邊的灌木叢、垃圾桶等）誤認(rèn)為是人或者人群。

深度學(xué)習(xí)模型框架問題：深度學(xué)習(xí)模型是目標(biāo)檢測(cè)算法的重要組成部分，它是一種通過多層神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)和提取特征的機(jī)器學(xué)習(xí)算法。深度學(xué)習(xí)模型的訓(xùn)練數(shù)據(jù)集和模型架構(gòu)對(duì)其性能至關(guān)重要。如果訓(xùn)練數(shù)據(jù)集中缺乏一些場(chǎng)景的數(shù)據(jù)，或者模型架構(gòu)沒有設(shè)計(jì)好，就有可能導(dǎo)致自動(dòng)駕駛汽車誤判。例如，如果訓(xùn)練數(shù)據(jù)集中缺乏夜間行人的數(shù)據(jù)，那么模型在夜間可能會(huì)誤將一些不存在的物體視為行人。

多傳感器數(shù)據(jù)融合錯(cuò)誤：自動(dòng)駕駛汽車中采用了多種不同類型的傳感器，如相機(jī)、雷達(dá)、激光雷達(dá)等，它們可以獲取不同類型的信息。為了更好地感知環(huán)境，需要將不同傳感器獲取的信息進(jìn)行融合。如果融合算法存在缺陷，就可能會(huì)導(dǎo)致誤判。例如，如果車輛傳感器融合算法沒有考慮到相機(jī)和雷達(dá)在低光照下的不同表現(xiàn)，就可能導(dǎo)致相機(jī)誤將一些不存在的物體視為行人。

獲取信息不完整：自動(dòng)駕駛汽車感知環(huán)境時(shí)，其傳感器獲取到的信息不足以完整地描述周圍環(huán)境和目標(biāo)物體的特征，導(dǎo)致識(shí)別出現(xiàn)錯(cuò)誤。具體來說，當(dāng)傳感器獲取的圖像、雷達(dá)或者激光雷達(dá)數(shù)據(jù)不完整時(shí)，自動(dòng)駕駛汽車可能會(huì)誤認(rèn)為周圍環(huán)境中存在不真實(shí)的障礙物體，包括行人、車輛、道路設(shè)施等，這就可能導(dǎo)致出現(xiàn)“看到”不存在的人的錯(cuò)誤。

舉個(gè)例子，假設(shè)自動(dòng)駕駛汽車正在行駛在城市中的一條街道上，該街道上人流量較大。此時(shí)，一輛自動(dòng)駕駛汽車的攝像頭可能會(huì)誤認(rèn)為路邊的一棵樹或燈柱等為一個(gè)人，因?yàn)樗鼈兊男螤罨蝾伾赡芘c行人相似。此時(shí)，算法可能會(huì)根據(jù)前面介紹的模型對(duì)圖像進(jìn)行分析，并將圖像中的物體進(jìn)行分類。由于前后文信息不完整，算法可能會(huì)將這個(gè)“看似”行人的物體誤分類為人。這樣，系統(tǒng)會(huì)將一個(gè)不存在的人物添加到它的感知系統(tǒng)中，這就是一個(gè)錯(cuò)誤的判斷。如果車輛沒有及時(shí)糾正這個(gè)錯(cuò)誤，可能會(huì)導(dǎo)致安全風(fēng)險(xiǎn)。。

綜上所述，自動(dòng)駕駛汽車“看到”不存在的人這個(gè)問題可能涉及到多個(gè)算法和軟件的問題。其中，目標(biāo)檢測(cè)算法、深度學(xué)習(xí)模型和車輛傳感器融合算法是可能出問題的關(guān)鍵點(diǎn)。如果算法或者軟件出現(xiàn)缺陷，就可能導(dǎo)致自動(dòng)駕駛汽車誤判，將一些不存在的物體視為行人或車輛。

正如歷史上的諸多靈異事件最終都能找到一個(gè)科學(xué)解釋一樣，自動(dòng)駕駛汽車看到鬼這個(gè)事情，也可以從技術(shù)角度找到一些原因。更關(guān)鍵的是，我們可以從技術(shù)角度來進(jìn)行優(yōu)化，找到問題并解決問題，避免類似的錯(cuò)誤再次發(fā)生。

可以預(yù)見，通過傳感器、算法、軟件層面的優(yōu)化，以后的自動(dòng)駕駛汽車“看到鬼”這個(gè)問題將得到有效的解決。

還是需要相信科學(xué)！

文：一蓑煙雨 / 數(shù)據(jù)猿

來源：數(shù)據(jù)猿