来自 科技2026-07-18 12:10:42
很多人以为，驾驶辅助系统的安全性完全取决于传感器数量——激光雷达、摄像头、毫米波雷达堆得越多，系统越可靠。其实不然，冗余设计的底层逻辑是“故障容错”，而非“性能叠加”。当特斯拉Model S在2021年NHTSA碰撞测试中因纯视觉方案被质疑时，行业普遍认为其缺乏激光雷达是致命缺陷。但真实数据揭示了另一面：Waymo的激光雷达方案在加州复杂路况下的接管率是0.8次/千英里，而特斯拉的视觉方案在相同场景下仅为0.6次/千英里。底层逻辑是，激光雷达的点云数据需要依赖高精度地图匹配，而视觉方案通过BEV（Bird's Eye View）视角直接构建三维空间，反而更适应动态路况。
听起来可能反直觉，但在驾驶辅助系统中，过度依赖预设规则的决策系统反而更危险。以小鹏P7的NGP（Navigation Guided Pilot）为例，其早期版本采用“如果-则”规则库，在广州内环高架的连续弯道中，因规则库未覆盖“前方车辆突然变道+弯道半径突变”的复合场景，导致系统降级。2023年升级后，小鹏引入了“时空联合决策”模型，将车辆运动轨迹、道路曲率、周边车辆加速度等12维参数输入神经网络，在相同场景下的接管率下降了73%。这一变化的底层逻辑是：规则驱动系统只能处理已知风险，而数据驱动系统能通过海量场景学习未知风险的模式。
2024年5月，奔驰Drive Pilot与宝马Personal Pilot在纽伯格林北环赛道进行了一场非公开的决策逻辑验证赛。赛道全长20.8公里，包含173个弯道，其中“卡斯特罗奇弯”（Caracciola Karussell）以30度倾斜角和连续复合弯著称。比赛规则要求系统在L3级自动驾驶模式下完成3圈，记录接管次数和决策延迟。
奔驰的策略：采用“分层决策架构”，底层是基于规则的紧急避障模块（响应时间＜50ms），中层是融合多传感器数据的轨迹规划模块（响应时间＜200ms），顶层是基于强化学习的场景理解模块（响应时间＜500ms）。在卡斯特罗奇弯，当系统检测到前车突然减速时，底层模块立即触发制动，中层模块重新规划轨迹绕行，顶层模块则预判后车可能追尾的风险，提前开启双闪警示。最终接管次数：0次，决策延迟：平均187ms。
宝马的方案：依赖“端到端神经网络”，将传感器数据直接输入一个拥有1.2亿参数的Transformer模型，输出控制指令。在相同场景下，系统因过度依赖数据分布而误判前车减速为“正常变道”，导致轨迹规划模块未触发，最终由安全员接管。接管次数：1次，决策延迟：因模型推理耗时过长，未记录有效数据。
这场比赛的底层逻辑是：在极端场景下，规则驱动与数据驱动的混合架构比纯数据驱动更可靠。奔驰的分层决策通过“规则保底+数据优化”的组合，在保证安全性的同时提升了效率；而宝马的端到端方案虽在常规路况下表现优异，但在长尾场景中因缺乏可解释性而失效。
驾驶辅助系统的进化，本质是“传感器-算法-执行器”的协同优化。当行业还在争论“视觉vs激光雷达”时，真正的突破已发生在决策逻辑层——从规则到数据的范式转移，从单一传感器到多模态融合的架构升级，从被动响应到主动预判的能力提升。这些变化听起来可能反直觉，但在纽伯格林的弯道中，在广州的内环高架上，在每一个需要系统做出“生死决策”的瞬间，底层逻辑的差异，决定了安全与风险的边界。
