[首發于智駕最前沿微信公眾號]不知道大家是否遇到過被風吹歪的樹、斜插在路中央的路燈桿，或者一簇從路邊低垂下來的茂密樹枝這類的場景。對于人類駕駛員來說，一眼就能看出這些物體是否會擋住去路，但對于完全依賴傳感器的自動駕駛汽車而言，識別這些空間中的懸空物體卻是一個極其復雜的過程。

圖片源自：網絡

這些物體不與地面直接相連，或者其主體部分位于傳感器常規掃描范圍的邊緣，很容易被算法誤認為是背景噪聲或者是可以安全通過的虛警信號。那自動駕駛汽車是如何識別懸空物體的？

激光雷達的避障原理

激光雷達作為自動駕駛汽車的“深度眼睛”，是識別懸空物體最得力的工具。其通過不斷發射激光脈沖，并計算這些脈沖碰到物體后返回的時間，可以精準地測算出物體與車之間的距離。

當成千上萬個激光點打在周圍環境上時，系統就能獲得一個密集的“點云圖”。不同于普通照片的扁平，點云圖是三維的，它記錄了每一個點在空間中的確切坐標，包括高度信息。這意味著，當激光打在橫跨道路的樹枝或歪斜的燈桿上時，系統能立刻感知到這些物體的幾何輪廓和它們距離地面的高度。

在實際行駛過程中，系統首先要解決的是“如何把地面撇開”的問題。激光雷達采集到的數據極其龐大，其中絕大部分是平坦的路面。為了讓懸空物體顯現出來，系統會運行“地面過濾”的算法。

這種算法會分析點云的垂直高度差異，將符合地面特征的點云去除，剩下的就是那些凸起于地面的障礙物。對于像樹枝這樣形狀不規則的物體，系統會利用多幀點云疊加的技術，通過車輛在行駛過程中的位置移動，從多個角度給物體“拍照”，從而拼湊出它在空中的準確形狀和體積。

圖片源自：網絡

除了形狀，激光雷達還可以“反射強度”。不同材質的物體對激光的反射效率是不一樣的。路燈桿是金屬材質，它的反射率非常高且穩定；而樹葉含有水分，表面粗糙，反射回來的信號則相對雜亂且微弱。

通過分析反射強度的差異，自動駕駛系統可以初步判斷前面的障礙物到底是不可觸碰的金屬桿，還是可以輕微擦碰的軟樹葉。對于那些極細的樹枝，雖然單個激光點可能難以捕捉到完整的輪廓，但通過如隨機采樣一致性方法等特殊的線段擬合算法，系統能夠從零散的干擾點中識別出具有一定直徑和長度的線性結構，從而預判出那是樹木的延伸。

當然，激光雷達也有它的局限性。隨著探測距離的增加，激光點會變得越來越稀疏。一個遠處的路燈桿可能只被一個激光點掃到，這給判斷帶來了難度。

但自動駕駛汽車通常會將激光雷達安裝在車頂的最高處，通過向下傾斜的掃描角度，確保對車輛前方的上方空間實現全覆蓋。

通過這種俯瞰視角，車輛可以在進入危險區域之前的幾百米外，就通過稀疏的點云預警到上方可能存在的高度障礙。

毫米波雷達的避障原理

毫米波雷達通過發射無線電波來探測物體的速度和距離，而且它幾乎不受大雨、濃霧或黑夜的影響。然而，傳統的毫米波雷達缺乏“俯仰角”的分辨力。

簡單來說，它能感覺到前面有個東西，但它很難分清楚這個東西是停在路面上的一輛壞車，還是懸在半空中的一塊交通指示牌。

這種高度感知能力的缺失，曾經導致過很多自動駕駛系統的“幽靈剎車”事故，也就是車子突然對著空無一物的路面或者高處的路牌猛踩剎車的原因。

為了攻克這個難題，4D成像雷達技術應運而生。這里的“4D”指的是在原有的距離、速度、方位角基礎上，增加了第四個維度，即高度。通過引入更多數量的天線陣列和更先進的數字信號處理算法，4D成像雷達能夠像激光雷達一樣產生具有垂直分辨率的點云。

當車輛駛向一個歪斜的路燈或者是低矮的立交橋時，4D雷達能夠清晰地測出這些物體底部到地面的凈空高度。如果這個高度大于車輛自身的高度加上安全余量，決策系統就會知道那是可以安全通過的，從而避免了不必要的驚慌剎車。

圖片源自：網絡

4D成像雷達對物體運動狀態也可以敏銳觀察。通過微多普勒效應，雷達可以捕捉到物體表面極其細微的顫動。像是風吹動樹枝時的搖擺，或者是電線桿在氣流中的細微共振，這些動態特征在雷達信號中都有獨特的表現。

相比之下，停在路邊的靜止車輛或固定在地面上的障礙物，其信號表現則完全不同。利用這些細微的物理特性，系統能夠將懸空的自然景物與人造的結構件區分開來，極大地提升了識別的準確度。

此外，由于無線電波在金屬物體上的反射極其強烈，而在植物葉片上的反射較弱，雷達系統通過計算回波的能量強度，也能輔助判斷物體的硬度。當一個歪斜的金屬燈桿出現在路徑上時，雷達會收到一個非常強且集中的反饋信號；而當它遇到樹枝時，信號則會顯得破碎且分散。

這種對物體“質地”的感應，為自動駕駛汽車在復雜的城市場景中提供了一層額外的安全冗余。即便是激光雷達因為大霧失效，4D成像雷達依然能守住最后一道防線，確保車輛不會一頭撞向那些懸掛在高處的硬質物體。

占據網格技術幫汽車理解復雜形狀？

除了激光雷達和毫米波雷達，自動駕駛汽車還配備了大量的攝像頭。傳統的視覺識別方法主要依賴于“目標檢測”，也就是給照片里的物體畫框。

但是，這種畫框的方法在面對懸空物體時會失靈。這是因為一棵垂落的柳樹或者一根不規則傾斜的電線桿，很難用一個規整的方框來準確描述它們在空間中的實際位置。

為了更真實地還原世界，一種被稱為“占據網格預測”或者“占據網絡”的技術正在成為主流。

這種技術不再糾結于“這個物體叫什么”，而是把汽車周圍的空間切割成千上萬個微小的正方體格子，也就是所謂的“體素”。系統通過深度學習模型去預測每一個格子是被物體占據了，還是空出來的。

圖片源自：網絡

對于懸空物體來說，這種方法簡直是量身定做的。即使是一個形狀極其復雜、半垂半懸的樹枝，系統也能通過攝像頭捕捉到的多角度畫面，計算出它在三維空間中到底占用了哪些格子。

這樣一來，車輛的路徑規劃器會尋找一條完全由“空閑格子”組成的路徑，從而巧妙地從懸空物體的下方或側面繞過去。

在占據網格的體系下，視覺系統能夠捕捉到極其細微的語義信息。通過對圖像像素的逐個分析，攝像頭可以識別出哪些格子屬于“植被”，哪些屬于“交通設施”。

當車輛面對歪斜的路燈時，視覺系統能識別出其金屬頂部的紋理和結構特征，并將其標記為不可逾越的剛性障礙物。而當面對樹枝時，如果占據網格顯示這些格子的分布非常稀疏，且語義標簽顯示為“樹葉”，系統可能會將其風險權重調低，認為即使發生輕微觸碰也不會產生嚴重后果。

視覺系統還可利用“視差”原理來增強對高度的感知。就像人類用兩只眼睛看東西能分辨遠近一樣，自動駕駛汽車通過多顆不同位置的攝像頭，可以計算出同一個物體在不同畫面里的位置偏差。

對于懸空物體，這種視差變化非常明顯。當汽車行駛時，距離較近的懸空樹枝在畫面中移動的速度遠快于遠處的背景。

通過這種動態的視覺信息，系統能夠實時更新物體在三維空間中的位置和高度，這種能力在缺乏高精度地圖支持的區域尤為關鍵，它讓汽車具備了“邊走邊看邊想”的自主判斷能力。

面對不同材質的障礙物時汽車該如何做出決策？

識別出物體只是第一步，更難的是決定“怎么辦”。決策規劃系統需要根據傳感器收集到的所有信息，對懸空物體的威脅程度進行分級。這里涉及到一個非常核心的邏輯，即剛性物體與柔性物體的區分。

歪斜的路燈桿是典型的剛性障礙物，它的直徑、材質和位置決定了車輛絕對不能與其發生接觸。而樹枝則情況復雜，它們可能是柔軟的細枝，也可能是足以撞壞前擋風玻璃的粗壯干枯分支。

為了做出準確判斷，系統會采用“多傳感器融合”的機制。

圖片源自：網絡

想象這樣一個場景，車頭前方的攝像頭識別出了一些綠色的葉子，激光雷達測算出這些葉子距離地面約兩米高，而毫米波雷達卻幾乎沒有探測到強烈的反射信號。綜合這些信息，系統會得出一個結論，這大概率是一簇低垂的軟樹枝，不會對行車安全造成實質性威脅。

但如果激光雷達和雷達同時在那個高度探測到了強烈的信號，且視覺系統識別出了灰色的金屬質感，系統則會立刻將其判定為危險物體，并在規劃路徑時將其設為絕對禁區。

針對那些半遮半掩的枝叢狀物體，系統還會利用特定的算法來評估它們的“穿透性”。在一些極端的越野或者鄉村路況中，車輛可能不得不穿過一些茂密的植被。

此時，系統會分析激光雷達回波的穿透率。如果激光能夠輕易穿過物體打到后面的背景上，說明物體非常稀疏；如果激光全部被擋住，說明物體非常結實。這種基于物理特性的判斷，使得汽車在決策時不僅僅是在做簡單的避障，而是在進行復雜的環境風險評估。