特斯拉自动驾驶事故 特斯拉事件再度“反转”，自动驾驶终将驶向何方？
特斯拉自动驾驶经常会发生意外事故，究竟是因为什么？
特斯拉又发生了一次事故！
据国外媒体报道，几天前，美国底特律的一辆白色Y型轿车在T型路口撞上一辆大型卡车。 Y型车的前部很低，直接进入卡车底部，车辆严重受损。
事故发生在当地时间上午3:20左右。事发时，一男一女在车上受重伤，被送往当地医院救治。卡车司机没有受伤。
发生四起事故，两人死亡，两人受伤。为什么特斯拉总是撞上一辆白色卡车？
特斯拉最近在底特律撞上一辆白色卡车
在2016年和2019年，特斯拉在美国发生了两次致命事故。在打开L2级自动驾驶系统的同时，车辆在垂直方向撞到一辆大型卡车，最终导致车辆上人员丧生。
2020年，台湾的Model 3也撞上了一辆以高速翻转的卡车。
在2019年的特斯拉事故车中，驾驶员不幸死亡
发生四起事故，两人死亡，两人受伤。特斯拉为什么总是撞上一辆白色卡车？
2020年事故现场监控画面
这三起事故具有高度相似性。因此，在特斯拉发生另一起类似的事故后，它也引起了极大的关注，与此同时，它继续引发了一个令人深思的问题：
为什么L2自动驾驶系统被称为最强大的量产汽车，却无法避免白色卡车？
答案不是特斯拉的技术不强，也不是特斯拉的白色卡车或“天敌”。
这是因为在当前以“相机+毫米波雷达”为主要传感器的L2自动驾驶方案中，检测静态车辆是一个世界性的问题。每个系统对于固定式车辆来说都是令人头疼的问题。
例如，今年2月，一台蔚来ES8打开L2自动驾驶系统进行巡航时，撞到了行人和静止的五菱宏光。 （请参阅商品《蔚来ES8开L2撞人又撞车，为啥装24个传感器都躲不开？》）
1.尚未确认特斯拉是否已打开L2
如前一篇文章所述，该事故引起了一些中外媒体关注的根本原因在于，特斯拉的车型经历了严重事故，导致L2撞上卡车并杀死了驾驶员。
但是，从当前的外国媒体报道和Twitter上知情网民的新闻来看，事故发生时尚无法确认车辆是否开启了L2自动驾驶系统。
事故现场
因此，此事故的原因与特斯拉的L2自动驾驶系统无关。
当然，就责任分工而言，即使是2016年和2019年发生的两次致命卡车撞车事故也是驾驶员的问题。
2016年类似的事故现场因为特斯拉的AutoPilot系统属于L2级自动驾驶，所以其中一个仅在有限的场景下工作，而另一个则是监视路况并准备接管。
例如，当在垂直方向上有一辆大卡车时，这是一个不在系统中工作的场景，驾驶员需要及时接管车辆。
去年3月23日，美国国家运输安全委员会（NTSB）发布了有关两个Tesla AutoPilot L2自动驾驶系统的最终报告。报告显示，在这两次事故中，驾驶员过度依赖Titla L2级自动驾驶，从而出现了意外现象，最终导致了事故。
特斯拉有2伤2伤，总是撞上白色卡车吗？
NTSB在其网站上发布了最终调查报告
NTSB认为，卡车司机在十字路口不设停车位，而是直接驶入高速公路，属于危险的驾驶行为。特斯拉Model 3驾驶员过分依赖Testla L2自动驾驶技术，导致无法集中注意力。 NTSB最终确定了事故原因，原因是特斯拉AutoPilot L2自动驾驶系统在驾驶员下车时没有及时提醒，并且设计条件不一致，最终导致了撞车事故。
其中，事故是2019年3月1日MODEL 3撞上卡车导致驾驶员死亡的事故。
即使没有L2，Nasla的AEB自动紧急制动系统为什么会出现故障？
特斯拉的自动包围曝光系统可以手动关闭，因此，如果驾驶员关闭自动包围曝光，那么该系统自然将无法正常工作。
二，事故可能性分析传感器的配置
从美国监管机构的报告中可以看出，卡车的垂直碰撞显然超出了特斯拉L2系统的工作范围，加上驾驶员未能及时接手。
因此，问题是，为什么自动驾驶仪系统（被公认为“量产汽车中功能最强大的L2”）不能避开一辆大型卡车？
这与车东关于威来ES8事故的先前报告的结论是一致的：事故的根本原因是“摄像头+毫米波雷达”的传感器配置，很难识别静止的车辆或行驶缓慢的车辆。
与Model 3一样，Tesla Model Y配备有8个摄像头，1个大陆毫米波雷达和12个超声波雷达。
特斯拉传感器配置
当打开L2级自动驾驶系统（自动驾驶仪，NOA或EAP系统）时，车辆主要依靠前视摄像头和毫米波雷达来检测前方的物体。
尽管特斯拉目前有3个摄像头，但它不使用立体视觉。这三个相机主要具有不同的焦距和不同的视场。因此，总的来说，特斯拉与大多数当前的L2自动驾驶系统相同，都是视觉+毫米波雷达传感器解决方案。
无论是使用基于规则的视觉算法还是深度学习技术，在感知外部物体时视觉都永远不可能100％准确，甚至经常会出错。
例如，当作者自己的特斯拉走出地下室时，他会莫名其妙地将隔离墙识别为公共汽车。另一个例子是最近流行的Douyin视频，其中特斯拉莫名其妙地识别了空墓地中的行人。
特斯拉在无人墓地认出行人
另外，还存在将公交车上的人的照片识别为行人并将路侧广告屏幕上的停车标志识别为真实停车标志的情况。
依靠反射的毫米波来检测目标的雷达不会被“听到”，如果前方有东西，就会有回声，如果什么都没有，就不会有回声。
正是由于视觉错误的可能性较高，雷达才更加“可靠”，因此大多数L2系统将在视觉的基础上引入毫米波雷达的检测结果以进行验证。
如果摄像头检测到前方车辆，并且雷达也确认了前方车辆的位置和速度，则可以执行制动操作。
如果将这些错误识别的结果用于做出驾驶决策，则显然会出现更多问题。特斯拉很自然地知道这一点，因此在实践中他不会对纯粹的视觉感知结果做出反应。
因此，这起事故的原因非常清楚。不管视觉上是否能识别前方的车辆，毫米波雷达都不能给出结果，因此最终系统没有响应。
第三，毫米波雷达天生就有缺陷，害怕固定式车辆
毫米波雷达不是“闻所未闻”的，那么为什么它不能识别前方的卡车呢？
东南大学毫米波国家重点实验室的毫米波雷达技术专家，毫米波雷达公司的Falcon Eye Technology的首席技术官张辉反复分析了背后的原因。
从工作原理的底部开始，毫米波雷达主要依靠多普勒效应来感知运动目标。多普勒效应的特征在于，动力学是最容易感知到的动力学，动力学更难以感知到静力学，而静力学则极其难以感知到静力学。
这是因为如果前面的车辆是静止的，则目标信息容易与地面杂波混合，并且需要某种算法来将目标与目标区分开。如果它是一辆正在行驶的汽车，则根据其多普勒信息，最好检测目标。
因此，如果卡车静止不动或行驶缓慢，则雷达算法无法知道前方有物体。
但是这种可能性并不大，因为主要的雷达公司已经制定了一些可以识别静态物体的感知算法。
真正的困难是当前的雷达没有海拔信息，空间分辨率也不足。
没有高度信息，这意味着雷达很难区分横穿道路的路标和桥下的汽车。空间分辨率不足意味着两个非常接近的物体的回波将混合在一起，并且很难知道有多少个目标。因此，在雷达公司和一些汽车公司获得雷达反射数据之后，它们将通过算法直接过滤掉一些静止的物体或怀疑是静止的物体，以避免错误的反应。
例如，在这种事故情况下，由于卡车沿模型Y的垂直方向行驶，如果同时行驶速度非常慢，则由于缺少径向多普勒分量，雷达识别算法可以轻松对其进行过滤列为静态目标。
如果毫米波雷达能够滤除目标，则无论是否可以看见卡车都无法正常工作。
结论：汽车公司仍在优化L2自动驾驶
回到这次事故，尚未确定特斯拉是否开启自动驾驶系统，事故原因仍需当地警察和特斯拉官员调查。实际上，即使打开了L2级自动驾驶仪系统，白色卡车的场景还是有些极端。对于当前量产的L2自动驾驶系统，仍然存在许多无法处理的情况。
鉴于L2级自动驾驶系统中存在的各种问题，汽车公司也给出了自己的解决方案。一方面，通过“阴影模式”和道路测试等方法对自动驾驶算法进行了持续优化，从而使自动驾驶系统继续趋于成熟，同时不断提高了L2自动驾驶的功能。另一方面，随着硬件成本的下降，许多型号都计划搭载Lidar以避免类似事故的发生。
特斯拉官网撤下“全自动驾驶”？
目前特斯拉系统的自动驾驶功能实际上并不能称得上完全自动驾驶，更不是无人驾驶，而是一种驾驶辅助系统。 需要注意的是，一旦踩下刹车，自动驾驶功能自动关闭，需要驾驶员及时介入驾驶。 特斯拉系统中的自动驾驶还提供自动并线功能。
特斯拉事件再度“反转”，自动驾驶终将驶向何方？
最近关于特斯拉的瓜着实让人吃得有点撑，前脚女司机维权事件的热度还没有退去，后脚失控追尾的特斯拉又不断新增，甚至出现了撞击警车的事件。
面对这一切，特斯拉全球副总裁陶琳先是“决不妥协”，而后又称“需加强消费者教育”。可是谁也没想到，近日，特斯拉首席执行官埃隆·马斯克在推特上表示，特斯拉自动驾驶软件已经解决了车辆“幽灵制动”的问题，而在未来几个月内特斯拉将发布大幅改进后的第九版全自动驾驶（FSD）技术。
自动驾驶不靠谱的根源在那？
作为特斯拉最大卖点之一的自动驾驶，在很长时间内备受期待，但从频频翻车的现实来看，因为自动驾驶导致的问题近乎占据整个事故数量的半壁江山，特斯拉自动驾驶频频翻车的问题究竟在哪？
这一切还要从马斯克当年的选择说起，当下自动驾驶的识别体系主要分为“视觉算法”与“激光雷达”两大体系，在 历史 的发展中，自动驾驶工程界形成了一个默认的“公理”——要实现高级别自动驾驶技术（L4以上），最关键的零部件非“激光雷达”莫属。
而特斯拉则是与行业唱反调，选择“视觉算法”，在架构中通过摄像头感知物体，而毫米波雷达则后者负责测距、测速等，共同完成眼睛的任务，在正常路况一般没问题，但一旦环境干扰因素过多，例如光线不足的情况下，就可能会出现误判。
最典型的案例就是之前台湾省发生的“特斯拉无法识别白色卡车”事件，直接撞了上去，重点还不止一次，在美国也曾发生过两次，那段时间白色大货车成了特斯拉挥之不去的噩梦。
视觉算法不靠谱，激光雷达行么？
相较于“视觉算法”流派，“激光雷达”在3D构架能力与准确的深度感知能力是当下“激光雷达”在工业勘测与自动驾驶界地位的基石。
从物理学的角度来说，原子中的电子吸收能量后从低能级跃迁到高能级，再从高能级回落到低能级的时候，所释放的能量以光子的形式放出。被引诱（激发）出来的光子束（激光），其中的光子光学特性高度一致，相比普通光源单色性、方向性好，亮度更高。弥散极少的激光，凭借无数激光点根据物体距离的不同，能在平面上打出深浅不一的线性阴影。
基于这一原理，激光雷达向目标发射探测信号（激光束），然后将接收到的从目标反射回来的信号（目标回波）与发射信号进行比较，作适当处理后，就可获得目标的有关信息，如目标距离、方位、高度、速度、姿态、甚至形状等参数,从而对目标进行探测、跟踪和识别。
激光雷达描绘出的典型3D点云数据图
对于L3及以上等级的自动驾驶而言，环境监控主体从驾驶员变成了传感器系统，驾驶决策责任方由驾驶员过渡到了 汽车 系统。激光雷达兼具测距远、角度分辨率优、受环境光照影响小的特点，且无需深度学习算法，可直接获得物体的距离和方位信息，进而显著提升自动驾驶系统的可靠性。
特斯拉执着于视觉算法的根源在那？
有网络资料表明，特斯拉的摄像头收集到的2D画面，面对3D的道路实景，它只能通过算法去转换，而即便是自动驾驶专用的FSD芯片能以速度为72TOPS的神经网络处理器处理图像，达到2100帧每秒，但对于自动驾驶来说还远远不够。
但这种方式的优势在于对成本的压缩，根据电动车百人会预测，去年摄像头、超声波雷达、毫米波雷达平均成本分别为60美元、12美元、90美元，按当前1个前视摄像头+4个环视摄像头+12个超声波雷达+3个毫米波雷达的主流组合，总成本在714美元。与之形成对比的是当时有“国内激光雷达第一股”之称的禾赛 科技 其生产的激光雷均价约为13932美元。
困境之中谁为先？
从落地角度而言，“视觉算法”在可靠性上虽不如“激光雷达”，但由于其低廉的价格已经逐步开始落地，反观更可靠的“激光雷达”因为多种因素制约反而表现不尽人意。
首先是因为定则问题，早年间有一个传统车厂的采购经理像讲笑话一样对媒体说，他对国内要上激光雷达的量产车项目闻所未闻，“先让车厂把L3级的责任划分搞定再说吧，谁也不愿意为自动驾驶出事儿担责”。
与此同时，博世、安波福、ZF等一众 Tier1 供应商，都以“L3方案以上都在研发，但是需要先解决法律法规的问题”为由不想谈及关于如何将激光雷达纳入 汽车 供应链体系。
而风口的轮回也是制约激光雷达大规模落地应用的原因之一，早年间曾涌现出了大量的从事激光雷达领域的公司，但由于迟迟未有车企接纳，甚至连“卖身”都因为车载激光雷达的资金投入要求长期稳定，以至于迟迟未有车企愿意“接盘”，让不少公司倒在路上。
而现在，由于国内“造车新势力”的涌现，激光雷达公司迎来了期盼已久的“活水”。
一个世代的轮回之后，胆子越来越大的中国车企开始迈出那一步（有资料表明世界上第一个装了激光雷达的奥迪A8，其搭载的激光雷达根本就没“解锁”）。但令人感到“魔幻”的是，在“新世代”中，激光雷达到底是为摄像头主导的方案做辅助工具，还是要做替代摄像头的主导方案，至今没有一个车厂给出了明确的答案。
自动驾驶发生事故谁负责？
就在最近，在经过航空官方几个月对无人机和飞机之间的飞行数量和距离的警告之后，无人机与飞机之间距离过近的时间频频发生。为了让我们真正受益于这些新技术，保险公司、政策制定者和技术生产者必须齐心协力，以确保有人负责并且使风险得到有效管控。
每天，我们的生活都更像电影《回到未来》。虽然我们的车还不能飞，但已经可以自动驾驶了。快递员也在被无人机取代。我们的家、车，甚至城市都变得“智能”，或者说更多地融入到这个“数字世界”。
我们很高兴看到这些创新变成了现实。但新产品也带来了新的风险，而且现在他们正阻止我们将这些创新带到大众市场。7月，一辆自动驾驶的特斯拉汽车发生了第一起致命的事故。就在最近，在经过航空官方几个月对无人机和飞机之间的飞行数量和距离的警告之后，无人机与飞机之间距离过近的时间频频发生。为了让我们真正受益于这些新技术，保险公司、政策制定者和技术生产者必须齐心协力，以确保有人负责并且使风险得到有效管控。
我们尤其应该采取三项行动。首先，人工智能产品的责任应该明确界定并对外界透明。第二，应该建立用互联网功能的共享数据，在不危机安全的情况下允许连接的设备数据共享。第三，一个全球认可的机构应授权以及监督该行业的管理标准。
让我们从责任谈起。
很明显，配备人工智能的产品可以比那些不配备的更好、更安全。 例如，据估计自动驾驶的车辆会将事故率降低90％，成为“本世纪最伟大的健康成就”。
但随着这些智能机器的不断发展，它们导致事故的责任问题出现了。谁应对自主或人工智能的“机器人”造成的伤害负责？ 如果人工智能设备的所有者无法再控制设备的操作，那么他们仍然负有责任吗？
目前，没有为全自动化人工智能设备提供清楚、和谐（认为是全球认可的）故障机制的规定。因此，保险人必须与技术制造商和决策者共同努力，以解决这些责任归属方面的空白。没有明确的责任归属，保险公司将无法弥补个人、制造商或技术设计人员的损失。
第二，考虑创建一个用于数据共享的安全网络。
在“信息物理系统”的时代，我们的汽车不仅是自主的而且是“智能的”，也就是说是数据连接的。但数据连接也会自动带来人为错误和恶意黑客的风险。 2015年，克莱斯勒在了解到车辆容易受到无线黑客攻击，会被第三方控制仪表板功能、转向、传动和制动之后，召回了超过150万辆汽车。
威胁范围远远超出我们的车辆。在过去几个月里，美国和德国政府系统曾被黑客攻击。关键问题不能忽视：如果不只是一辆汽车，而是所有的汽车被黑客攻击呢？ 如果一个意图破坏的组织控制我们的数字基础设施并切断水电，该怎么办？
我在世界经济论坛上组织了一场降低风险的会议，在这次会议中，保险公司都纷纷对上述问题表示了担忧。他们要求与政府、制造商和技术设计人员合作，明确数据需求和树立访问框架，并实时高效地共享数据。这是朝着正确方向迈出的一步：所有利益相关者需要共同努力，使新兴技术的前期设计更加透明化，以便在新技术开发的每一步中实现统一的安全标准并降低风险。
最后，考虑建立一个全球公认的标准体系。
现在，保险标准和规定保险范围的的缺失，抑制了社会在伤害和损失方面的保护。随着按需经济的出现，许多共享平台既没有保险也没有最低限度的自我保险。
此外，城市或地区之间监管不统一。例如，在加拿大，分享经济的合法性因省而异。（在多伦多是合法的，在温哥华不是）
网约车使穿越城市、州和国家线路变得十分容易。在这样的一个世界里，如果我们要保护个人长期性需要的社会保护（即种族歧视，背景调查 /许可证验证和保险要求），协调变得非常重要。
在没有强制要求保险或建立单一认证机构的情况下，共享汽车的驾驶员可能没有商业能力驾驶所需的保险；个人出租自己的房子几个晚上可能没有适当的房主保险; 个人本身可能没有适当的医疗保险、养老金或其他长期保护卖家和用户的受监管的保险，
总之，虽然这些新兴技术为社会带来巨大的利益，但它们本质上带来了新的和更复杂的风险，其中将导致财产和生命的严重损失。分散的监管框架、缺乏责任和缺乏统一标准阻碍了保险公司通过开发新产品来管理这些风险的能力。但通过共同努力，在未来这些风险不仅可以消除，我们甚至可以预防它的发生。
我们可能永远不会像在电影中那样回到未来，但至少我们要回到一个有适当的风险保障和责任的世界。
特斯拉车主酒后坐副驾“自动驾驶”撞路灯， 自动驾驶事故谁来担责？
杭州发生了一起交通事故备受关注，一辆特斯拉SUV在行驶的过程中突然冲出了路面，撞翻了路边的路灯杆。当交警到达现场的时候，车主身上的酒气非常浓。根据事后的调查车主称自己因为喝酒无法驾驶车辆，启动了特斯拉的自动驾驶功能，而自己却坐在了副驾驶上。根据特斯拉官方称特斯拉的这项功能叫自动辅助驾驶，需要驾驶员在驾驶位上才可以启动，此外该功能只有辅助驾驶，并不能做到完全自动驾驶。最终相关部门判定该驾驶员将负全部的责任，并追究相应的法律责任。
自动辅助驾驶。实际上，特斯拉所提到“要驾驶员坐在驾驶位上才能开启使用这项功能”，是因为车内有驾驶员监控系统（DMZ）。但是国内外都有作弊骗过特斯拉DMZ系统，让车辆在主驾无人的情况下上路行驶的例子。所以如果这名车主也是采用这样的方式，在副驾开启自动驾驶，那么对其酒驾的认定并不充分。
酒驾处罚标准。根据我国《道路交通安全法》第九十一条的规定，酒后驾驶将暂扣6个月驾驶证，并处1000元以上2000元以下罚款。如果再次酒后驾驶，处10日以下拘留，并处1000元以上2000元以下罚款，吊销驾驶证。如果酒后驾驶并造成了重大交通事故，将依法追究刑事责任，吊销驾驶证，终生不得重新取得驾驶证。事件中该男子明知道已经醉酒，依旧驾驶车辆行驶，造成了后果需要自己承担。
自动驾驶要求。该技术目前还处于快速发展期。要在道路上完成自动驾驶，除了对相关的驾驶人员具有比较高的要求以外，车辆的质量和技术要求，道路的安全措施等方面都有比较高的要求。目前只有深圳市的部分道路正在进行自动驾驶车辆，人员和道路的测试中，并通过了《深圳经济特区智能网联汽车管理条例》，但是该条例中的内容还不完整。
特斯拉自动驾驶是一种怎么样的体验
特斯拉的自动驾驶有全部自动的，就是你坐在驾驶位，输入目的地，设置为自动驾驶。然后车就自动行走，红绿灯，转弯，你完全不用动。特斯拉我还见过的是高速的自动驾驶，也很爽，就是你在高速上选择定速巡航，然后你的脚就可以离开刹车油门，手可以离开方向盘。这是奔驰宝马不具备的，奔驰宝马为了安全，都在方向盘上加了感应装置，只要手离开方向盘，定速巡航会自动取消。所以只有特斯拉高速定速巡航手可以离开方向盘，算是高速自动驾驶。特斯拉还有个好玩的，高速你打转向灯，他就会变道然后进行加速超车，而这一切都是自动的，是不是很好玩？