本文以（yǐ）Aeye的气球（qiú）挑战为（wéi）例，解释了自动驾驶（shǐ）在未（wèi）来发（fā）展道路上还要解决（jué）的长（zhǎng）尾（wěi）问题。

portant;" />

卡耐基梅隆大学Argo Lab人工智能（néng）无人驾（jià）驶研究中心首（shǒu）席（xí）科学家约翰·多兰在一（yī）次采（cǎi）访中提到，自动（dòng）驾驶迟（chí）到的原因归结为两点：底（dǐ）层技术和真实应用场景。在技术方面，自动驾驶的底层架（jià）构和大（dà）部分技术问（wèn）题已经被解决，剩下（xià）的5%的（de）长（zhǎng）尾问题，逐渐成了制约自（zì）动驾（jià）驶（shǐ）发展的（de）关键。这些问题（tí）包括各种（zhǒng）零碎的（de）场景、极端的情况（kuàng）和无法预（yù）测（cè）的人类（lèi）行（háng）为。

为了克服这些（xiē）长尾（wěi）问题，目前很多公司（sī）都在进行大量真实路测实验（yàn）来找到并（bìng）解决这（zhè）些边（biān）界化的难题。

最近，激（jī）光雷（léi）达公（gōng）司Aeye就（jiù）做了一次挑战，自动驾驶如（rú）何一个漂（piāo）浮在路（lù）中央（yāng）的气球。通过（guò）在L4级无人（rén）驾驶汽车往往偏向避免碰撞，在这种情况下,它们会采取的（de）规避动作或者踩（cǎi）刹（shā）车，来避免不必要的事故。而（ér）气球是个软性的物体，可以直接无障（zhàng）碍的通过（guò）。

如果让无人（rén）驾驶汽车（chē）判断出（chū）物体的性（xìng）质来判断是否可以通过？

相机往（wǎng）往很难以区分障碍（ài）物的软、硬（yìng），一切在它眼中都只是像（xiàng）素。在这种情（qíng）况下（xià），知（zhī）觉训练（liàn）几乎是不可能的，因为（wéi）在现（xiàn）实世界中（zhōng），软（ruǎn）的物体可以呈现出任意形状、形式甚（shèn）至拟人化的状态（tài）。相机检测（cè）性能是完全依靠适当的训练，通过把所有（yǒu）可能的外观（guān）排列组合（hé）来找到（dào）合适（shì）的类别，但是遇到太阳眩光、阴影或夜（yè）间行驶（shǐ）等条件下，对（duì）性能造成影响。

雷达对物体材料是敏感的。不含金属的软物体（tǐ）或者没（méi）有（yǒu）反射率的物体，无法反射（shè）无线电波，所以雷达不能识别气球。此外，雷达在训练中通常会（huì）忽略静止的物体，否则它会检测出（chū）成千（qiān）上万的目标（biāo），阻碍车辆的行驶。所以,即使气球是由反光金属塑料，但它漂浮在空（kōng）气中，可能没有（yǒu）足够的相对运动让雷达（dá）探测到（dào）它。即使把相机和雷达（dá）组合在一起，也无法在任意条件下，做出（chū）正确的判断。

相比之下，足够密度的激光（guāng）雷达点云，在提供足（zú）够的数据分类以及恰当的（de）路径（jìng）规划（huá）算法的情况下，可以（yǐ）检测（cè）像气球一类的柔（róu）软、可变形物体。收集足（zú）够多的气球数据，并确定其分类、形状和（hé）速度数据发（fā）送（sòng）到域控制器。激光雷达探（tàn）测到气球，并将其标记为动态感兴趣的区（qū）域(ROI)，解决在此类条件（jiàn）下（xià）的长尾问题。

2019年，尽管一些公开（kāi）的道路测（cè）试甚至无人车商用已经开始，同（tóng）时大部分技术问题已不（bú）再是问题，但是我们面临（lín）的车辆长（zhǎng）尾问题仍不在少数（shù）。

有网友专门（mén）整理了（le）这些无人车（chē）很难做出（chū）判（pàn）断的场景，比如（rú）打伞的人，人在车后搬（bān）箱子、树（shù）倒在路（lù）中央等等。

portant;" />

portant;" />

这些有（yǒu）人类行为（wéi）参与的场景，就像正（zhèng）态分布曲线那样。即使图像两端的情况很少发生，我们的测试也要涵（hán）盖进去所（suǒ）有的（de）人类行为情况。既要通过实际路测来发（fā）现，也要通过无（wú）数的仿真测试，去创造、搭建足（zú）够的数据来保（bǎo）证行驶的安全。

portant;" />

我们（men）坚信，经过与长尾问题（tí）不（bú）断的纠缠打磨（mó），未来的自动驾驶系统将变得（dé）越来越可靠。