關注並標星
電動星球News
每天打卡閱讀
更深刻理解汽車產業變革
————————
出品：電動星球 News
作者：胖飛同學
上週末，在中國電動汽車百人會論壇上，理想汽車創始人李想提出了一個觀點：
應該把 AEB 主動剎車系統做成乘用車的標配，並表示會把理想的 AEB 演算法開源。
很快，這個觀點就得到了全國政協經濟委員會副主任苗圩的點贊：
「我非常贊同，有了 AEB 系統後就會大幅度降低由於司機沒注意到而撞上車的可能性。這項技術已經很成熟，成本也不是很高，AEB 應該做成必裝件。」
但就理想 AEB 開源一事，很快就有網友提出了質疑：「
理想真厲害，四個人的團隊兩年的時間就超越了做了 AEB 二十年的博世！」
從輿論上來看，大家對車廠標配 AEB 的倡導是贊同的，但質疑點是理想有沒有這個實力將 AEB 開源？
畢竟像特斯拉、豐田這樣的車企敢把一項技術「開源」是因為他們有足夠厚的技術儲備，在行業內處於一個領先地位，那麼理想呢？
本文將重點介紹什麼是 AEB？AEB 究竟有沒有技術壁壘？開源是否存在意義？新勢力和供應商到底哪家強？
十幾萬AEB研發團隊？文字遊戲！
面對網友們的質疑，李想回答得很簡練：
「理想汽車的 AEB 開發團隊有十幾萬人，每天研發和驗證的里程超過 1000 萬公里。」
不確定李想是無意還是有意在製造輿論，但「開發團隊有十幾萬人」這個說法著實博人眼球。一家初創公司有十幾萬的 AEB 研發團隊？這顯然是不符合常理的。
隨後，理想汽車員工@哲倫班長 解釋說明道，
「每位理想使用者都為 AEB 的正向迭代做了貢獻」
，並丟擲了一句極為引戰的觀點：
「你所認識的博世還真幹不了呢。」
說到這，大家應該不難理解李想口中的「十幾萬開發團隊了」，是類似特斯拉的「影子模式」，
通俗點講就是網友常說的讓使用者作為「小白鼠」，為車企跑資料，推動技術的迭代最佳化。
注意，我這裡說的是
「推動」
，雖然影子模式打通了使用者和車廠之間資料反饋的橋樑，但這並不意味著使用者直接參與了系統的研發的工作，所以個人看來李想的話術存在一定的「文字遊戲」，有譁眾取寵的嫌疑。
我們也就此事採訪了「躺槍」的供應商們，很遺憾，截止到發稿前，博世和安波福這些 AEB 供應商的高管們暫未回覆我們的問詢。
於是我們又採訪了某資深自動駕駛工程師 A 先生，他笑著說：
「理想上海研發中心的 ADAS 團隊從博世蘇州挖了很多人。」
關於十幾萬使用者跑影子模式，他認為國內車企在實際操作上很困難，這對於車輛的算力、資料篩選和回傳都是巨大的挑戰。
「像特斯拉 8 路攝像頭跑幾分鐘的資料就有好幾個 G，車企的流量又很貴，光傳輸這些資料的成本就很高。」
為什麼特斯拉可以？很大的優勢就在於「無監督學習」的能力。
A 先生也向我們介紹了博世的研發邏輯，他說博世是拿不到主機廠一手資料的，但博世會透過自己改裝車輛配備冗餘數倍的感測器進行測試，然後再把資料進行內部回放用於研發。A 先生也坦言，這樣的資料量還是不夠充分。
AEB 到底成熟不成熟？
AEB 又稱自動制動系統，它包含了控制、測距、制動三大模組。
苗圩認為 AEB 技術很成熟，他是從 AEB 的基礎功能或者是主動安全技術角度來評判的（會不會剎車）。
但很多人認為 AEB 不成熟，是
因為大家把它當成是一項基礎的自動駕駛技術。
從這一點出發，那麼它的評判維度就廣得多了，
進而也同樣需要感知、決策、執行三大系統體系。
感知層面也就是測距模組依賴的無非還是攝像頭、毫米波雷達、鐳射雷達這些常見的感測器硬體，決策層也需要對應的算力晶片進行計算。
但和我們常規意義上理解的自動駕駛不同的是，AEB 的效果比較簡單，它沒有多餘的執行動作，它不涉及轉向，能夠做的只有遇到障礙物進行剎車。
工作邏輯可以用一句話概括，感測器偵測到前方有障礙物，然後決策系統去判斷是否存在碰撞風險，如果系統覺得會撞上，它會先報警，如果情況危急那麼執行機構就會作出制動。
可是邏輯雖然簡單，但由於障礙物的種類和出現時機的具有相當大的複雜性，所以 AEB 的感知決策難度不亞於高階的自動駕駛。
比如這個障礙物可以有很多種，汽車、行人、異型物等等，它們可以是動態也可以是靜態，可以規則運動，也可以突然出現，總之場景能有很多。這就意味著 AEB 所要執行的剎車動作雖然看起來簡單，但它想要做好並不容易。
關鍵在於感知和演算法，而
感知除了硬體上的差異，也需要演算法上的配合。
感知差異表現我們可以參考 2021 年懂車帝做的一次特斯拉 Model Y、奧迪 Q5L、蔚來 EC6 的一次 AEB 橫評。
在處理「前車消失」也就是前車「卡視野」的場景下，三臺車表現非常懸殊。
表現最優的是特斯拉，它的雷達可以跳過前車從車底早早地感知到前方靜止停放的車輛，從而提前減速剎車，完美避免碰撞；而其他兩款車子只能等到前車消失之後才能對靜止車輛作出感知，此時留給 AEB 工作的時間就非常有限了。
這是感知差異，接著我們說演算法。
同樣是上述三部車，這次處理的「兒童鬼探頭」的場景。結果很出乎意料，感測器最丐的，僅依靠單目攝像頭的奧迪 Q5L 居然在 20km/h 的情況下「僥倖過關」，而特斯拉和蔚來都相繼折戟。
這個測試並不是說明 Q5L 有多優秀，而是說明在行人識別的演算法上，不同車輛都存在差異。
以新版的特斯拉演算法為例，在硬體不變的情況下，重寫之後 AP 在海外的測試中對行人識別有了明顯的加強，這就很好地說明了演算法的重要性。
豐田就提出過一系列行人識別可能存在的盲區：
身高低於 1 米或高於 2 米的行人；
穿著超大號服裝（如雨衣）的行人（輪廓模糊）；
提著大件行李、打傘的行人（容易遮擋住部分身體）；
彎著腰或蹲下的行人；
緊密相鄰的一群行人；
穿著白色衣服，反光太過明亮的行人；
黑暗中的行人（如夜間或隧道中）；
衣著與周圍環境顏色、亮度幾乎相同的行人；
靠近牆壁、柵欄、護欄或大型物件的行人；
站在井蓋等金屬物體上的行人；
走得很快，或者突然改變速度的行人；
從車輛或大型物體後面走出來的行人。
不光是
行人、靜態障礙物、異型障礙物、光線明暗變化、雨雪雨霧天氣等等，都是 AEB 可能會遇到的挑戰
，這些挑戰有的和演算法有關，有的是感測器的鍋。
比如演算法沒有學習過特殊障礙物、比如隧道、地庫、高速隔離欄對毫米波訊號多次反射、比如極端天氣讓攝像頭抓瞎等等，這些都會影響 AEB 的效能，而能否克服這些挑戰往往就說明了不同廠商在 AEB 方面的實力。
理想的 AEB 究竟如何？
至於理想的 AEB 水平究竟如何，這個我們不敢貿然下定論，所謂沒有調查就沒有發言權，我們只能再次參考懂車帝在今年年初做的《 AEB 年度測試》的結果，
懂車帝的結論是 2021 款理想 ONE 斬獲了 AEB 的年度車榜首。
（各位理想 ONE 車主也不妨反饋下自己實際體驗下來的感受）
關於懂車帝的測試標準，行業內不乏異樣的聲音。那就是如何評判 AEB 是否優秀？
懂車帝一派認為是能夠及時剎停就是好的 AEB；反對派認為 AEB 的意義更多的在於降低車速減少傷害，一味地追求剎停速度可能會加大被追尾的風險，讓結果變得更加糟糕。
這既是理性派和感性派的分歧，也是一個倫理問題，
更是「避責」還是「避險」孰輕孰重的考量
，前者更多的是為車外事物考慮，後者則更關注車內人員的安全。
因為緊急制動導致被追尾的情況是機率事件，所以只能假設它會發生，而且碰撞場景複雜萬千，我們只能具體事件具體分析，當下很難直接指出誰對誰錯。
很簡單的一個例子，面對一個比你弱小的障礙物（人除外），你是選擇直接撞上去，還是冒著被後面大貨車追尾的風險讓 AEB 作出緊急制動？
絕大多數人或許會兩害相較取其輕，但當下的 AEB 演算法甚至說自動駕駛演算法在處理此類場景的時候就比較「刻板」了。
寫到這裡，我們還必須得強調一句，AEB 僅僅只是一項駕駛輔助功能，它並不能完全避免事故的發生，只能在觸發後透過降低車速或者及時剎停的方式降低事故給人帶來的傷害。
而且受限於感測器的感知距離，和系統響應的時間以及制動系統的剎車距離，
AEB 系統並不能夠全速域的工作，它往往只能在 80km/h 以下的速度被觸發
，所以在高速行車中切忌不能依賴 AEB 幫你剎車。
開源究竟有沒有意義？
苗圩說 AEB 技術已經非常得成熟，我們覺得這個應該辯證地看，技術成熟並不意味著「好用」，從眾多測試中我們就可以發現，不同車廠的 AEB 在實際應用中的差異還是很明顯的。
雖然大家一定程度上都能「拔膿」，但未必能稱得上都是「好膏藥」。
這樣的技術差異是由什麼決定？
我們覺得更多的還是演算法，是各家對於道路場景的理解以及對於不同車輛的適配。
在車企自研潮興起之前，絕大部分廠商的 AEB 皆來自於
博世、安波福、Mobileye
這樣的巨頭供應商，它們都是世界級的供應商，服務無數車企。
雖然他們會跟廠家聯手開發 AEB，但總體上採用的還是一套通用型方案，供應商雖有驗證適配的工序但很難對每一臺車的 AEB 進行「量身定製」。
A 先生告訴我們，博世這樣的 Tier 1 往往追求的是市場佔有率，而非技術上的第一。
再加上中國的道路場景又頗為複雜，相比世界絕大部分國家都有明顯的特殊性，所以國內跑的汽車在 AEB 方面的表現又取決於供應商在本土化層面下得功夫。
需要補充說明的是，AEB 的標準和法規在國內外還處於一個起步階段，國標的建立往往更多地還是參考國外的標準，所以即便海外巨頭供應商的產品都是合車規的，但在實際應用中和中國消費者的體驗形成了割裂。
和自動駕駛一樣，本土 AEB 的開發同樣需要符合「中國國情」。
當然還有資料反饋機制，以新勢力為代表的越來越多車廠都開始不願意直接從供應商手裡接過「黑盒」，所以紛紛開始了自研之路，
一來它可以更好地為消費者定製化產品，再者可以方便地實現資料反饋，拿使用者資料反哺自己的研發。
從這個角度來看，有國內廠商願意把自己研究的「中國演算法」共享出來是一件好事，但需要注意的是，任何的演算法開源絕對不是完全的「利他」，李想自然也不是慈善家。
或許是一種營銷手段、或許是一種變相的資料共享、也可能是為了搶佔標準制定的制高點......
具體訴求大家可以細品。
不過，A 先生給理想 AEB 演算法開源潑了一盆冷水，他認為決定 AEB 體驗的重要工作還有「調參」，也就是對車輛硬體引數的一些設定。
理想的演算法並不通用於所有車輛，即便友商拿了過去也很難說就一定就適合自己的產品......
（完）