飞机先生

{{detailStore.create_time}} {{item.series_title}}

{{detailStore.author.is_follow?'已关注':'关注'}}

原创评测

日榜 TOP{{detailStore.day_rank}} 月榜 TOP{{detailStore.week_rank}}

1024 全场景的智能辅助驾驶演示版体验已经过去了半年，而仅仅过去的这段时间里我们看到了市场也发生巨变。

大算力平台的“疯狂”以及激光雷达传感器的“前装量产”，大家都在聚焦在下一代高阶辅助驾驶中。

与之不同的是，在去年 1024 全场景的演示中，小鹏是基于 30TOPS 的 Xavier 架构实现，这也是未来小鹏的一大愿景。而目前小鹏也逐步的将这一愿景逐一落地为现实。

今天我们体验的 ACC/LCC-L 是基于激光雷达的增强版本，相比普通 ACC/LCC 在大曲率弯道、错位路口、识别静止障碍物绕行、加塞体验等都有了新的体验优化。

事不宜迟，我先带大家这一次增强版的 ACC/LCC-L 有哪些惊与险？

一、打磨得更像人开车？

我们此次设定的路段是一条长 13.7 公里的开放道路体验，从小鹏总部出发到华观路、大观中路、广园快速路再到科韵北路回到小鹏总部，围绕一圈耗时大概为 30 分钟，途径有错位路口、丢失车道线的路段、环岛等场景，值得一提的是，还有具广州特色的近距离加塞、人车混杂、公交车不按规定行驶等场景也在我们这一次的体验中。

在第一部分我们将带大家看看 ACC 的跟车加减速体验，第二部分为 LCC 的通过性体验，第三部分为特殊场景讲解。

场景一：防加塞能力

解决城市通勤的一个大前提是「实现产品价值」，而这个价值便是如何让辅助驾驶的决策更像人。

比如在防加塞的处理上，这里的难点是保持与前车距离防加塞的同时，也需要确保每次加减速舒适性体验，需要达到一个权衡。

在此次体验中，我们发现在数字仪表的模型渲染界面中多了对前车转向灯的信号捕捉。

转向灯对于感知系统其实是一个重要的信号，它可以帮助系统对前方车辆做预测，这在后期我们即将发布的城市领航中会起到一个更为关键的作用。 

我们也为大家展示一个代表性的例子，也就是在堵车状态下的跟车距离与加减速体验。

我们在进入隧道前遇到一个小的塞车场景，从跟车距离与加减速体验上表现尚可，没有突兀的加减速，同时低速蠕行情况下的跟车距离也可以有效防加塞。

场景二：应对前车切入时加减速体验

前车切入对于ACC/LCC本身功能并不友好，但加塞是我们在城市穿行遇到的常见场景，也考验 ACC 的基本功。

此次体验中我们分别遇到后车快速向我们车道切入、公交车切入、连续多台车辆加塞。

这几个场景都具有代表性，在快速切入时候本身加速度快，留给传感知的时间很短。而如果感知不稳定除了带来漏检、误检等安全问题，在规划与决策上也会出现明显的错误、犹豫，最终导致我们实际体验明显不佳。

我们这次遇到的是出租车，分别是快速切入后离开，以及慢速加塞。

我们也可以看到时速表从 43 km/h 减速到 35km/h 后时速再缓慢提升，整个减速体验和我们自己开车类似，从“吓一跳”后下意识的点一下刹车然后“判断“没有影响后又快速提升到正常时速值，整个反应大概为 2 秒。

我们此次体验到的另一个场景是公交车切入。

除了我们基础的人、汽车、泥头车以及电单车等等基础的车辆识别外，其实公交车的识别是比较困难的。

因为公交车的车身长，同时城市道路中留给视觉识别的空间比较窄，会受到其它车辆的遮挡，这样会导致整个检测框框被分割成几个。

我们看到在这个场景中，公交车慢速切入后系统做了识别并且减速，整个识别表现较为流畅。

在遇到多车加塞的场景也是我们常见的，我们此次体验的场景是由于右侧前前车并入我们车道内，随后前车也做了一个加塞动作，在连续两台车加塞后我们准备提速时，此次左侧车辆继续加塞。

连续多车的加塞场景可以考验系统对于规控的能力，不同车辆加塞进来的时速、距离不同，系统需要应对的决策也不同。

可以看到前两台车加塞时由于有较大的空间系统从 40km/h 时速降到 21 km/h ，我们留意到仪表盘的时速是呈缓慢线性下降，随后在第三台加塞时由于空间虚构，系统速度值变化不大，从 32 km/h 降速到 29 km/h 后又重新起步。

二、重新定义 LCC ？

场景三：通过环岛

有了激光雷达的加入，LCC-L 在通过性有很强的提升，比较有代表性的就是通过环岛。

环岛的难题不只是单一的通过性，还需要考虑遇多车汇集等多重场景。

在城市领航辅助驾驶中，有了高精地图的先验信息，我们就会知道环岛“长什么样子”，我们该走哪条车道等等，在 LCC-L 没有高精地图的情况下，难度会有所提升。

我们就需要通过自身条件判断弯道的曲率、车道线检测，更具难点的是环岛通常也是复杂的“多车汇流”的集中地。

首先我们看到车辆在进入环岛前是一个右曲率弯道，在进入环岛后是左朝向的曲率弯道，普通 LCC 在进入弯道时因为车道线的变化后，系统会退出。

但我们从 P5  的仪表中看到 LCC-L 进入环岛后迅速改变车道的指引线，快速变换为左朝向的曲率弯道，随后快速匹配车道线通过环岛。

而在出环岛前会遇到位于右后方的来车加塞，也有较强的通过性。

场景四：通过错位十字路口

在最为复杂的前视感知场景中，红绿灯路口通过能力的难点包括信号灯识别、通过路口时车道线丢失等等，目前在 LCC-L 状态下系统能够基于摄像头读取信号灯信号，仅作提示作用，在城市领航辅助驾驶中能够做识别和启停。

目前比较有代表性的是通过错位路口，此时车道线丢失以外通过的路口也是错位的，考验系统的通行能力。

P5 在通过十字路口时，即使带有曲率弯道也能够渲染出车道指引线，最终顺利通过路口。

P5 是如何解决错位这种带曲率弯道呢？

其实在车道线检测中，激光雷达本身没有颜色识别能力同时没有车道线纹理带来的语义信息，此时实际视觉检测效率会更强，所以长焦摄像头可以通过对远处做车道线检测来提高通过能力。

当然激光雷达也可以在黑夜、暗亮光切换等场景有着冗余能力。

而这样自找车道线的能力我们也在另一场景中验证。

在这一场景中，我们看到 P5 在通过一个无标线的右转路口，在车道线出现后系统能够自寻车道线向右行驶，从识别、转向过程非常流畅，效率很高。

这样的场景其实在城市道路中非常场景。

而另一个值得提的有趣场景，是车道线变化时车道线刚好被前车遮挡，在前车离开时我们刚好在车道线中间，这时候 P5 能够迅速找到新的车道线继续行驶。

可以看到，具备强的车道线检测能力在 LCC 场景中非常重要，即提高我们的通行效率同时也提高我们功能的连续性。

三、特殊场景

场景五：遇障碍物实现绕行避让

我们看到我们遇到的场景是左侧车道向右侧车道合并，这样的场景在我们日常生活中非常常见，三车道变为两车道，四车道变三车道等等，P5 能够实现减速绕障。

看似一小步，但实际上绕行是智能驾驶前进的一大步。

因为简单的绕行涉及从感知、预测、规划到控制一整个大链路。首先系统需要解决基础的认知问题，懂得如何什么是障碍物，接着需要预测周围环境信息是否满足绕行，随后规划出一条新路线避让，配合方向盘与加速踏板控制车辆脱困。

所以如果我们 对目标物的识别、感知和融合算法不够准确的话，一个出现短板都会导致整个功能实现不出来，目前主流的解决方式是直接退出。

另外城市场景中有一个难点是预测障碍物体状态、比如我们需要知道前面突然的停止的车到底是在等红灯、堵车还是它想靠边停车，如果是遇到前方停车情况我们就需要做绕行动作。

另外是弱势交通参与者（行人、电瓶车等）的预测，比如我们常见的电单车、行人等，由于弱势交通参与者随意性比较低、目标物较小、速度慢，我们避让它们时需要更为精准。

我们简单的把避障总结为几个阶段：

• 第一个是我们通过识别障碍物完成简单刹停动作，你可能不认识这个障碍物，你只能做简单的刹停，停止整个机器驾驶行为，这也是当前主流辅助驾驶所处理的方式；
• 第二个阶段是你能识别障碍物后还能完成绕行，就是避障，这需要大量的深度学习以及感知训练，赋予视觉决策一个聪明的大脑，去分配它的“四肢”。
• 第三阶段是针对避障路径不断持续优化收敛，比如在变道时如果遇到车流，我们如何寻找时机汇入车流等。

场景六：对远距离静止物体检测

在此次体验中，我们遇到了红绿灯路口处有在排队等候红灯的车辆，此时 P5 刚好遇到一个小曲率弯道。

在出弯时在前车有静止车辆下系统仍旧在缓慢提速，直到与前车距离较近时再做一个比较大幅度的减速，舒适性体验不佳。

场景七：变道遇侧方车辆提速加塞

我们期间还遇到一个特殊场景，也就是当我们自行打灯变道时，车辆准备汇入右侧车辆时刚好有一台准备侧前汇入车道的社会车辆，这时候系统无法避让，需要人工介入。

五、总结

XPILOT 3.5 的到来充分展现了小鹏在全栈自研中的优势，软件算法的自研即摆脱了高算力平台的依赖，同时也提升了辅助驾驶的舒适体验调教。

相比普通版 ACC/LCC ，可以看到 ACC/LCC-L 在大曲率弯道、识别错位路口、遇静止物体绕行、应对车辆切入、防加塞以及加减速体验都有新的升级，直观对比之下升级后的系统有更强的通过能力。

从优化点中可以看到增强版是未来小鹏步入更高阶城市辅助驾驶的“雏形”，特别是在车辆通过性上有了新的升级，而这也是基于不依赖高精地图的情况下，更考验系统自身的能力。

我们也看到小鹏采用了以视觉为主，以激光雷达为辅的方案，激光雷达解决了摄像头存在的部分弱势场景，包括夜间、进出隧道的光线变化、距离检测等。

伴随着 ACC/LCC-L 增强版的到来，我们也更期待城市领航辅助驾驶的表现。