據外媒報道，就在幾天前，美國底特律一臺白色 Model Y 在一個 T 字路口正面撞上了一臺大型卡車。Model Y 車頭較低，其直接鑽進了卡車底部車輛嚴重損毀。

事故發生在當地時間凌晨 3:20 分左右，事發時車內一男一女兩名乘客嚴重受傷，並被送往當地醫院救治，卡車司機則並未受傷。

▲近日特斯拉在底特律撞上白色卡車

2016 年和 2019 年，特斯拉在美國出現過兩次致命事故。都是在開啟 L2 級自動駕駛系統的同時，車輛以垂直方向撞上了大型卡車，最終導致車內人員喪生。

2020 年，臺灣一臺 Model 3 在高速上也撞上了一臺側翻的卡車。

▲2019 年特斯拉事故車輛，駕駛員不幸喪生

▲2020 年事故現場監控畫面

這三起事故有很高的相似性，因此特斯拉再次發生類似事故後，也引起了強烈關注，同時又在不斷提出一個靈魂問題：

為什麼被稱為量產車最強的 L2 級自動駕駛系統，卻總是躲不開一臺白色卡車？

答案其實並非是特斯拉技術不強，也根本不是白色卡車就是特斯拉的 “天敵”。

而是因為對靜態車輛的檢測，屬於當下以 “攝像頭 + 毫米波雷達”作為主感測器的 L2 級自動駕駛方案的一個世界性難題，各家的系統對靜止車輛都很頭疼。

比如今年 2 月份，一臺蔚來 ES8 在開啟 L2 級自動駕駛系統巡航時，先後撞了一個行人和一臺靜止的五菱巨集光。

一、尚未確認特斯拉是否開啟了 L2

正如前文所言，這起事故之所以收到了中外一些媒體的關注，核心是因為特斯拉的車型曾經出現過開 L2 撞卡車，並致駕駛員喪生的嚴重事故。

但從目前外媒的報道和推特上知情網友的訊息來看，目前尚無法確認事故發生時車輛是否開啟了 L2 級自動駕駛系統。

▲事故現場

因此這起事故的原因並非與特斯拉 L2 級自動駕駛系統有關。

當然，即使是 2016 年和 2019 年的兩起致命撞卡車事故，從責任劃分上來說也是駕駛員的問題。

▲2016 年類似事故現場

因為特斯拉的 Autopilot 系統屬於 L2 級自動駕駛，一是隻能在有限的場景下工作，二是需要駕駛員全程監控路況並隨時準備接管。

比如垂直方向有大型卡車時，就屬於系統不工作的場景，需要駕駛員及時接管車輛。

去年 3 月 23 日，美國國家運輸安全委員會（NTSB）針對兩起特斯拉 Autopilot L2 級自動駕駛系統致人死亡的事件釋出了最終報告。報告表明，兩起事故當中，駕駛員都過度依賴特斯拉 L2 級自動駕駛功能，從而出現注意力不集中的現象，最終導致事故發生。

▲NTSB 在其網站上的釋出了最終調查報告

NTSB 認為，卡車駕駛員在路口沒有停車，直接左轉駛入高速公路，屬於危險駕駛行為。特斯拉 Model 3 駕駛員過度依賴特斯拉 L2 級自動駕駛技術，導致注意力不集中。NTSB 最終認定，事故原因是特斯拉 Autopilot L2 級自動駕駛系統在駕駛員脫手時沒有及時提醒，與設計使用條件不一致，最終導致發生碰撞事故。

其中一起事故，就是 2019 年 3 月 1 日出現的 Model 3 撞上卡車致使駕駛員死亡的事故。

就算沒有開啟 L2，那特斯拉的 AEB 自動緊急制動系統為什麼也失靈了呢？

特斯拉的 AEB 系統可以手動關閉，因此如果駕駛員當時關閉了 AEB，那麼系統自然就不會工作了。

二、事故可能性分析

感測器配置要背鍋從美國監管機構的報告可以看出，垂直方向撞卡車的事故，明顯是超過了特斯拉 L2 系統的工作範圍，又加上駕駛員沒有及時接管所造成的。

那麼問題來了，為什麼被公認為 “量產車最強 L2”的 Autopilot 系統，就是躲不開一輛活生生的大卡車呢？

與車東西此前報道蔚來 ES8 事故的結論一致：這起事故的根本原因是 “攝像頭 + 毫米波雷達”的感測器配置，很難識別靜止車輛或緩行車輛。

與 Model 3 一樣，特斯拉 Model Y 周身搭載了 8 個攝像頭，1 個大陸的毫米波雷達，和 12 個超聲波雷達。

▲特斯拉感測器配置

在開啟 L2 級自動駕駛系統（Autopilot、NOA 或 EAP 系統）時，車輛主要依靠前視攝像頭和毫米波雷達探測前方物體。

特斯拉雖然是三目前視攝像頭，但並沒有使用立體視覺，三個攝像頭主要是焦距不同，看的視野範圍不同。

所以總的來說，特斯拉與目前絕大部分 L2 級自動駕駛系統都一樣，都是視覺 + 毫米波雷達的感測器方案。

不管是使用基於規則的視覺演算法還是使用深度學習技術，視覺在感知外界物體時永遠做不到 100% 準確，甚至經常會出錯。

比如筆者自己的特斯拉在出地庫時，就會莫名把牆壁識別為公交車。又比如最近很火的一個抖音視訊中，特斯拉在空無一人的墓地，就莫名識別出了行人。

▲特斯拉在無人墓地識別出行人

此外，還出現過把公交車身上的人物照片識別為行人、把路邊廣告螢幕上的停車標誌識別為真實停車標誌的案例。

而靠反射毫米波來探測目標的雷達不會 “見鬼”，前方有東西就有回波，沒有東西就沒有回波。

正是因為視覺出錯概率很高，雷達更 “靠譜”，因此大部分 L2 系統會在視覺的基礎上再引入毫米波雷達的探測結果進行驗證。

如果攝像頭髮現前方有車輛，雷達也確認了前車的位置和速度，就可以做出剎車的動作。

如果用這些誤識別的結果來做駕駛決策，顯然會出現更多的問題。特斯拉自然知道這一點，因此在實際中並不會對純視覺的感知結果進行反應。

所以這起事故的原因就很明確了，不管視覺有沒有識別到前車，一定是毫米波雷達沒有給出結果，所以最終系統沒有反應。

三、毫米波雷達天生缺陷

害怕靜止車輛毫米波雷達即然不會 “見鬼”，那麼為啥會識別不到前方的卡車呢？

東南大學國家毫米波重點實驗室毫米雷達技術專家、毫米波雷達公司隼眼科技 CTO 張慧多次向車東西分析了背後的原因。

從最底層的工作原理來說，毫米波雷達主要是依靠多普勒效應來感知移動目標。多普勒效應的特性是，動態對動態最容易感知、動態對靜態較難感知、靜態對靜態極難感知。

這是因為如果前方車輛靜止，目標資訊容易和地雜波等摻雜在一起，需要一定的演算法才能從中分辨出目標。而如果是一個行駛中的汽車，基於其多普勒資訊，從而比較好探測到目標。

所以如果卡車靜止或者移動速度很慢，雷達的演算法就無法知道前方有物體。

但這種可能性並不大，因為各大雷達公司已經做出了一些感知演算法，可以識別靜態物體。

真正的難點是，現在的雷達沒有高度資訊，並且空間解析度不足。

沒有高度資訊，意味著雷達很難區分橫穿馬路的路牌和橋下的車；空間解析度不足，意味著兩個距離很近的物體，其回波會被混在一起，很難知道有幾個目標。

所以雷達公司和一些車企在拿到雷達的反射資料後，會通過演算法直接將一些靜止物體，或者疑似靜止的物體過濾掉，以避免產生錯誤的反應。

比如本次事故場景中，因為卡車是垂直 Model Y 方向行駛，如果同時行駛速度又很慢的話，因為缺乏徑向多普勒分量，雷達的識別演算法很容易將其當成靜態目標過濾掉了。

如果毫米波雷達把目標過濾掉了，所以不管視覺能否看到這臺卡車，都不起用了。

結語：車企仍在不斷優化 L2 級自動駕駛回到這起事故，特斯拉當時是否開啟了自動駕駛系統還沒有確定，事故原因還需要等待當地警方和特斯拉官方調查。實際上，即便開啟了 L2 級自動駕駛系統，白色卡車這一場景也有些極端。對目前量產 L2 級自動駕駛系統來說，還有不少場景無法處理。

針對 L2 級自動駕駛系統存在的種種問題，車企也給出了自己的解決方案。一方面，自動駕駛演算法不斷優化，通過 “影子模式”、上路測試等方法，讓自動駕駛系統不斷成熟，同時不斷增加 L2 級自動駕駛的功能。另一方面，隨著硬體成本的下降，不少車型已經規劃搭載鐳射雷達，避免類似事故發生。