最近有一個熱點事件，有個人開車到墓地，車內屏幕顯示周圍有十幾個行人，甚至還有一個騎自行車的，而當時的墓地道路上空無一人。

居然在墓地看到了“鬼影”，這個消息一下子就火爆全網了，說啥的都有。

汽車廠家作出了回應，稱采用的是激光雷達和視覺攝像頭融合感知，受限于當前市場傳感器識別能力的局限性，出現了識別偏差，后續會升級改進。

那問題就來了，不同廠家使用的傳感器性能相當，是否在同樣情況下是也會出現鬼影呢？“鬼影”背后的技術原因是什么？如何才能解決？這些問題都值得深究。

01、不同廠家的傳感器有什么不同？

現在用于輔助駕駛的車載傳感器主要有三種，分別是視覺攝像頭、毫米波雷達和激光雷達。

視覺攝像頭類似于人的眼睛，善于識別物體的形狀和顏色，但不具備測距能力，夜晚的識別能力會大幅下降。

毫米波雷達對目標的位置和速度非常敏感，而且抗干擾能力很強，對煙霧和塵埃穿透能力很好，但它對目標的形狀和性質卻無能為力。

激光雷達的測距能力強，多線激光雷達還可以描繪目標的輪廓。但它不能區分顏色，而且受煙霧和塵埃的影響很大。

三種傳感器的原理和能力非常不同，分別適用于不同的場景，各有優長和短板。將三種傳感器采集到的信息進行整合，取長補短，發揮 1+1+1＞3 的優勢，這叫作“多傳感器信息融合”，是門非常高深的信息技術。

白天多依賴視覺傳感器，霧霾天多依賴毫米波雷達，晚上多依賴激光雷達，這種定性說法很好理解，但如何對環境進行定量分析，三種信息的置信度和權值該如何確定，這是很復雜的系統工程。

好比是你戴一塊手表，看時間沒有問題，讓你戴三塊手表，就不會看時間了。可有人精通三塊手表的誤差特性，通過補差校準后，能得出比戴任何一塊表都更精準的時間。

但是，如果補差校準（即多傳感器信息融合）的方法不對，把三塊表的時間進行一番加減乘除，就可能得出一個遠離正確時間的數據，這就悲劇了。

02、為什么車載電腦會顯示“鬼影”？

我曾從事多年的雷達相關工作，對“多傳感器信息融合”的感觸很深。

用三部雷達觀測同一批空情目標，會得到三個不同的航跡，這就需要用很復雜的技術方法進行航跡融合。融合好了，航跡精度會比單部雷達高，融合不好，航跡精度反而比單部雷達低。

所以說，并不是傳感器越多精度就越高，“多傳感器信息融合”的能力才是關鍵，如果能力不夠，效果反而更糟。

某國外著名新能源車采用的是“純視覺方案”，其實就是只戴一塊表，避開了“多傳感器信息融合”的難題，成本低這頭先占上了，而且現階段的識別能力更穩定。

從長遠看，汽車的多傳感器信息融合是必然趨勢，但現階段的能力還有待觀察。

回到墓地鬼影事件，廠家的解釋是“采用的是激光雷達和視覺攝像頭融合感知，受限于當前市場傳感器識別能力的局限性，出現了識別偏差”。

當前市場傳感器的性能是一致的，激光雷達和視覺攝像頭融合感知也是各廠家的普遍做法。如果其他廠家在相同場景不出現鬼影的話，那問題就出在了“多傳感器信息融合”方面，而不是傳感器性能本身。

通過傳感器識別車外目標，并通過車載電腦顯示出來，這需要對車外目標進行模式識別，“模式識別”是人工智能的重要內容，也是近年來很熱門的研究方向。

車外環境目標大體有六種，分別為卡車、大客車、小客車、摩托車、自行車和行人。

如果傳感器的探測規則是：高度 1～2.5 米，寬度 ＜1 米，速度 ＜2 米/秒，就判定為行人，而不是卡車等其他五種目標。

這是一個很合理的模式識別方法，但樣本只有 6 個，空間實在是太小了。如果按照上述的規則，路邊的垃圾桶、郵筒都會被顯示成行人。

好比是一個人只見過蘋果和香蕉，你給他橘子、鴨梨、石榴，他都會判定為蘋果。很明顯，墓地墓碑等景物，并沒有被該廠家納入到樣本空間。

除了樣本空間要大，還要增加一個“負邏輯”。

以行人為例，不僅要有符合哪些標準就可以判定為行人的正邏輯，還要有符合哪些標準就可以判定不是行人的負邏輯。

例如，路邊有個塑料的衣服模特，高度、寬度、速度都符合行人標準，但它沒有頭，就可以判定它不是行人。沒頭的就不是行人，這就是一條很重要的負邏輯。

那該如何改進呢？有簡單和復雜兩種方法。

簡單方法就是提高判決閾值，即在原有基礎上，縮小判定為行人的數值范圍，墓碑等就不會被顯示成行人了，但有些正常行人就會顯示不出來了。

這就是通過提高“漏報率”的方法來降低“誤報率”，本質就是拆東墻補西墻，這種簡單方法不是正路。

復雜方法，就是不斷提高“多目標信息融合”和“模式識別”的能力，不斷增加樣本空間，不斷充實正負邏輯，從而從根本上提升目標識別的能力。

這是一條艱辛的道路，但它是能獲得真正技術進步的正路。