传感器帮助驾驶员感知车辆附近情况。新华社记者 牟宇 摄

　　近日，有人开车行驶到野外时发现车内屏幕显示周围有十几个行人，而他却发现周围空无一人。此消息引发了人们的激烈讨论。

　　之后有专业人士表示，该汽车的传感器采用的是激光雷达和视觉摄像头融合感知，受限于当前市场传感器识别能力的局限性，出现了识别偏差。

　　那么，不同厂家使用的传感器性能相当，是否在同样情况下也会出现多个人影呢？多个人影背后的原因是什么？如何才能解决？

　　不同的传感器在功能上有什么不同

　　现在用于辅助驾驶的车载传感器主要有三种，分别是视觉摄像头、毫米波雷达和激光雷达。

　　视觉摄像头类似于人的眼睛，善于识别物体的形状和颜色，但不具备测距能力，夜晚的识别能力会大幅下降。

　　毫米波雷达对目标的位置和速度非常敏感，而且抗干扰能力很强，对烟雾和尘埃穿透能力很好，但它对目标的形状和性质的感知能力较差。

　　激光雷达的测距能力强，多线激光雷达还可以描绘目标的轮廓。但它不能区分颜色，而且受烟雾和尘埃的影响很大。

　　3种传感器的原理和能力各不相同，分别适用于不同的场景，各有优势和短板。将三种传感器采集到的信息进行整合，取长补短，发挥“1+1+13”的优势，这叫作“多传感器信息融合”，是一门非常高深的信息技术。

　　白天多依赖视觉传感器，雾霾天多依赖毫米波雷达，晚上多依赖激光雷达，这种定性说法很好理解，但如何对环境进行定量分析，三种信息的置信度和权值该如何确定，是一个很复杂的系统工程。

　　比如，当我们只戴一块手表，看时间就不会有问题，如果我们同时戴3块手表，对于时间的概念就会产生混乱。但有人精通3块手表的误差特性，通过补差校准后，能得出比戴任何一块表都更精准的时间。

　　但是，如果补差校准（即多传感器信息融合）的方法不对，把3块表的时间进行一番加减乘除，就可能得出一个远离正确时间的数据。

　　为什么车载电脑会显示多个人影

　　用3部雷达观测同一批空情目标，会得到3个不同的航迹，这就需要用很复杂的技术方法进行航迹融合。融合好了，航迹精度会比单部雷达高，融合不好，航迹精度反而比单部雷达低。

　　所以说，并不是传感器越多精度就越高，“多传感器信息融合”的能力才是关键，如果能力不够，效果反而更糟。

　　从长远看，汽车的多传感器信息融合是必然趋势，但现阶段的能力还有待观察。

　　当前市场传感器的性能是一致的，激光雷达和视觉摄像头融合感知也是各厂家的普遍做法。如果其他厂家的传感器在相同场景中也感知到多个人影的话，那问题就出在了“多传感器信息融合”方面，而不是传感器性能本身。

　　通过传感器识别车外目标，并通过车载电脑显示出来，这需要对车外目标进行模式识别，“模式识别”是人工智能的重要内容，也是近年来很热门的研究方向。

　　车外环境目标大体有六种，分别为卡车、大客车、小客车、摩托车、自行车和行人。

　　如果传感器的探测规则是：高度1～2.5米，宽度小于1米，速度小于2米/秒，就判定为行人，而不是卡车等其他五种目标。

　　这是一个很合理的模式识别方法，但样本只有6个，空间实在是太小了。如果按照上述的规则，路边的垃圾桶也会被显示成行人。

　　好比是一个人只见过苹果和香蕉，你给他橘子、鸭梨、石榴，他都会判定为苹果。很明显，这次事件中被判定为人影的物体并没有被该厂家纳入样本空间。

　　除了样本空间要大，还要增加一个“负逻辑”。

　　以行人为例，不仅要有符合哪些标准就可以判定为行人的正逻辑，还要有符合哪些标准就可以判定不是行人的负逻辑。

　　例如，路边有个塑料的衣服模特，高度、宽度、速度都符合行人标准，但它没有头，就可以判定它不是行人。没头的就不是行人，这就是一条很重要的负逻辑。

　　如何提高传感器的准确度

　　既然我们知道了传感器的工作原理，那该如何改进呢？

　　简单来说，提高传感器的灵敏度需要提高判决阈值，即在原有基础上，缩小判定为行人的数值范围，路边的其他物体就不会被显示成行人了，但有些正常行人就会显示不出来了。

　　这就是通过提高“漏报率”的方法来降低“误报率”，本质就是拆东墙补西墙，这种简单方法不是正路。

　　其次，就是不断提高“多目标信息融合”和“模式识别”的能力，不断增加样本空间，不断充实正负逻辑，从而从根本上提升目标识别的能力。