吴俊杰：中国交通环境情况对ADAS系统开发的挑战

这个图也是两轮摩托车老是在机非混行进进出出的情况。

中国特有的平板车，主要的问题是不像厢式货车外框棱角好识别，有足够的反射物让雷达做识别，雷达看这个东西，有太多金属反射物，吃不准距离多少。mobile下一代IQ4芯片里面有一个三维的物体识别，将来视频系统里面可以得到很好的解决。如果开的离本车道比较近的前提下，可能会导致误制动。

我们中国驾驶员都是开赛车的，从相临车道在极短的时间内，在本车5米范围内做本车的挤入、加塞。这种情况下对于物体的追踪，包括系统的反应时间提出非常高的要求，我们可以对它进行制动，但是对于其他一些场景来说，太灵敏的制动会导致很多误处罚，影响ACC舒适性。

刚才说的是车的识别，现在是电动车的识别。

即便是自己是一个机动车，也喜欢压线行驶，现在对于道路规划，一方面看车道线的检测，另外一方面看驾驶员对方向盘的动作，预测车箱的行驶轨迹，我预测车辆行驶轨迹，是为了更好的把我感兴趣的目标做识别，这样才能加速制动。

如果我们目标车一直游走于车辆预测道路模型边界上面，会导致算法有一些反复的动作，这种情况是我们在北美或者欧洲做算法开发碰不到的，只有我们中国的工程师解决我们中国的问题。

刚才说的是人家不规矩开，自己不规矩开呢？这辆车故意在两根车道跨线行驶，我会按照我的方向盘，驾驶员意图做路径规划，同时也看车道线，把道路预测模型以车道线为主，前面车也在跨线行驶，这个时候会丢失或者回来，这个时候造成一些控制算法，一会儿对它制动，一会儿对它不制动，这些都是我们说该制动没制动、不该制动它制动了的情况。通过一些路试收集这些情况，去解决这些情况，才能有非常好的提升。

我们分析了这些问题，但是怎么解决这些问题呢？我们环境是复杂的，我们需要有更多的传感器，我们需要有更强的整车构架支持我们的系统，我们需要有更强的控制器、计算能力。事实上国内在SAE的LAB1和LAB2上努力，对于将来的LAB3、LAB4，我们传感器更多，路况更复杂，整车构架上面对于视频来说有一些LVDS，对其他有一些KFD等，整车网络对我们大量数据有一定的支持，包括考虑将来自动驾驶功能安全的问题，要有一些冗余的设备。诸如此类都是要探讨的，今天暂时先开个头，将来有机会跟大家做深入探讨。

今天德尔福给各大主机厂提供了我们四角侧边雷达，包括前面长距离和中距离的雷达、前向的摄像头，以及我们将来如果做第三阶段的自动驾驶 Electrical，对驾驶员状态也要有监控，同时要有非常强大的控制器。德尔福去年收购了卡内基梅隆大学组织的一个公司Ottomatika，这家公司目前在全球做自动驾驶算法是非常领先的一家公司。

今天非常感谢这个机会，我的分享就到这边，谢谢大家！

提问：下沉式停车场的地方，更多的可能是雷达检测认为是一个障碍，但是摄像头认为不是一个障碍，摄像头模板认为这个地方很宽了，遇到类似这种情况，你们怎么处理的？ 

吴俊杰：摄像头和雷达都认为是目标，从而有误判断，如果摄像头判断不是，雷达判断是的，ACC场景认为不是目标，保证驾驶员注意力在驾驶上面，同时尽可能减少误触发，当中平衡更倾向于减少误触发。

提问：上面是两个传感器意见不统一的情况，如果统一呢？

吴俊杰：两个大家确认的情况下我们对它进行制动。

提问：哪个传感器为主导？

吴俊杰：低光照情况下，雷达进行更多传感器自信度方面的权重，这是非常个别的场景，在雨天和晚上更多依靠雷达，这个场景非常非常少和特殊的。

提问：我们在自己的车道行驶，路旁有行人穿马路，在路旁停下了，你有没有做预测行人轨迹的测试，确认他是否进入我的车道，类似方案你们现在怎么解决？

吴俊杰：我们现在系统不光看我们当前的行驶轨迹，同时也要看左边和右边各两条的车道，只要进入我右边的车道范围内，我已经选成感兴趣的目标物，这时候我会预测行进速度，如果预测到我的行驶车道，我会进行制动。刚才的问题，正是因为我预测他会进入，我预测这个人会自己停下来了。    

提问：我说的是人踩到车道线上。

吴俊杰：根据之前0.5秒—1秒的行进速度，预测到那个时候，TTC会撞上，但是突然之间不按照之前预定速度行走了，而是突然停住了，我预测他会来所以我停了，但是他停住了，如果你是驾驶员不会停，这中间有机器和人之间的矛盾。