2025年6月4日，全国标准信息公共服务平台公示关于征求《智能网联汽车 组合驾驶辅助系统安全要求》拟立项强制性国家标准（以下简称标准）项目意见的通知。

该标准对组合驾驶辅助系统的安全性，做了详细的要求。其中包括大量常见的驾驶辅助系统弱势场景（或者称为极端工况、边缘工况、Corner Case等），例如：特殊目标的识别，包括侧翻的车辆、锥桶、水马、隔离桶、纸箱等，以及特殊的道路，包括隧道、弯道等，和突然切出、“鬼探头”等极端工况。

并且，很多测试项都要求同时在白天（光照强度不低于2000 lx）和夜晚（光照强度不高于1 lx）、雾天、雨天都进行测试。

• “快”：检测速度快，在一些极端工况，例如弯道、突然切出、“鬼探头”等，可以迅速识别危险目标。
• “准”：检测目标准确，检测的距离、速度、角度信息精度高。
• “稳”：对于各种目标能够稳定检出，例如侧翻的车辆、锥桶、水马、隔离桶、纸箱等。能够适应不同的光照、天气情况，检测稳定，不漏检、不误检。

01

隧道内故障车

1. 场景要求

标准中设置了多个隧道内故障车的场景，具体如下：

2. 场景分析

这个场景对于摄像头（可见光）的挑战主要是：

1）隧道内外光照强度差异较大，对于摄像头的动态范围要求较高；

2）隧道内车辆不是正常角度，尤其是侧翻的车辆，这类目标训练集往往较少，漏检的概率较大。

动态范围不足的摄像头在隧道进出时，会短暂“致盲”，即常说的“黑洞”和“白洞”效应：

在“致盲”时间内，如果道路中有车辆或者障碍物，非常容易发生事故，例如：

3. 应对方案（摄像头）

“黑洞”和“白洞”效应的主要原因是摄像头的动态范围不足。

隧道场景下，动态范围不同的摄像头检测效果对比如下：

目前业界在采用各种方案，提升摄像头的动态范围，例如多曝光合成技术（多帧合成）、大小像素/双增益分层技术、LOFIC（横向溢出积分电容）技术、以及AI ISP技术等等。

TheiaCel™技术主要采用OmniVision的DCG™高动态范围（HDR）技术和横向溢出集成电容器（LOFIC）技术：

TheiaCel的原理示意如下：

这种方法就像用一个水桶来接雨水，如果雨水溢出了水桶，使用一个更大的盆来装多余的水。“桶”内的信号可以非常精准地读取，因此能够实现出色的低光表现。而溢出的盆中则容纳了所有超出的部分，从而扩展了动态范围，并具备捕捉明亮物体和场景真实色彩的能力。整个像素区域可应用于低光条件，而在亮光条件下不会饱和。

小鹏使用豪威OX08D10开发了“AI鹰眼视觉系统”：

安森美早期使用大小像素技术来实现HDR，不过，由于大小像素技术会导致图像质量下降、暗噪声增加以及性能降低，尤其是在较高温度下表现更为明显。安森美目前主要采用超级曝光技术（Super Exposure），也被称为溢出多重曝光技术，该技术和LOFIC原理类似。

两种技术性能对比如下：

图片来源：安森美

AR0823AT的感知效果对比：

图片来源：安森美（下图是AR0823AT，上图是其他产品）

4. 应对方案（激光雷达）

摄像头是一种被动感知器件，感知效果会直接受到环境光的影响。

相对来说，激光雷达是一种主动感知器件，通过主动发射红外激光束进行探测，因此环境光照强度的变化，对激光雷达影响较小（强日光直射，也会对激光雷达有一定影响）。

例如，AT128激光雷达在隧道出口的检测效果：

图片来源：禾赛科技

在黑夜强光照射，也不影响周围目标的检测：

图片来源：速腾聚创

5. 应对方案（毫米波雷达）

毫米波雷达同样是主动感知单元，和激光雷达不同的是，毫米波雷达是通过发射毫米级别波长的电磁波进行探测，环境光线的变化对于毫米波雷达没有影响。

不过，由于隧道是密闭空间，因此电磁波在隧道内的多径效应更为严重，多径导致的大量虚假目标，会影响真实目标的判断。

多径效应的示意图：

02

施工路障

1. 场景要求

施工路障是驾驶辅助系统常见的弱势目标，标准中设置了多个测试场景，如下包括按照一定角度拜访的锥桶、水马和隔离桶。

为了进一步增加难度，标准中还设置下面两种场景，在临近车道放置了静止车辆和来向运动车辆。对于这样的场景，驾驶辅助系统只能刹停，不能转向避撞。如果是在晚上，由于有对向车辆，没有拉起远光灯的话，感知识别的挑战会更大。

另外，标准中还增加了改道的施工场景：

这个场景和2025年3月29日小米SU7的事故场景非常类似：

2. 场景分析

施工场景往往比较复杂，障碍物形态各异，由于训练集的缺乏，对于视觉的识别有较大的挑战。

此类事故经常发生。2025年5月19日，李某驾驶一辆新能源小汽车开启驾驶辅助功能，来到一处弯道路段时，车辆并未正常入弯，而是直冲左侧的防撞水马：

2024年10月4日，一辆特斯拉在开启Autopilot辅助驾驶功能时，撞入了施工区域：

图片来源：观察者网

2025年3月29日，一辆小米SU7在安徽德上高速公路池祁段发生交通事故，造成车上3名女大学生不幸死亡，事故发生前车辆处于NOA智能辅助驾驶状态。

3. 应对方案（摄像头）

对于摄像头来说，需要在训练感知模型是增加足够的相关样本，确保识别的准确性。

2022年，特斯拉提出了Occupancy Network（占用网络），将占用网格技术推向了自动驾驶等领域的前沿应用。该技术可以直接判断道路是否被占用，而不被白名单物体所限制。

4. 应对方案（激光雷达）

对于激光雷达来说，由于测距范围和测角精度比较高，对于这些物体的识别能力较强。

图片来源：速腾聚创

5. 应对方案（毫米波雷达）

对于毫米波雷达来说，有些障碍物（例如水马）对于电磁波的反射率有可能较低，有可能发生漏检。

03

小目标

1. 场景要求

车道上放置了褐色纸箱，长宽高分别是50cm*50cm*50cm。

2. 场景分析

标准中的这个场景主要考察驾驶辅助系统对小目标的检测能力。

在快速路上，尤其是高速上，撞击或者碾压小物体，同样可能非常危险。例如车辆碾压一个啤酒罐之后，车辆失控：

3. 应对方案（摄像头）

摄像头对于小目标的检测有相当大的挑战，一方面还是训练数据集的问题，训练集中可能根本没有这类目标。另一方面，由于小目标体积较小，摄像头分辨率不足，反映到图像上可能只有几个像素，很难识别。

提高摄像头的分辨率，能够进行一些改善，提升对远距离小目标的识别能力。

1）2023年9月，Sony发布1742万像素的CMOS图像传感器IMX735。对于远距离目标的识别更清晰：

图片来源：索尼

清晰度对比：

图片来源：索尼

2）2024年10月30日，豪威发布了采用TheiaCel技术的OX12A10，这是一颗1200万像素CMOS传感器。豪威科技表示，OX12A10将于2025年第三季度投入量产。

4. 应对方案（激光雷达）

激光雷达也需要提升分辨率，用于提升小目标的检测能力。

禾赛和速腾都已经发布了超过1000线的高线束激光雷达，即禾赛的AT1440（1440线）和速腾的EM4（1080线）：

禾赛的AT1440检测效果：

速腾EM4的检测效果：

千线激光雷达成本比较高，另外对于系统通信带宽和处理能力，也有相当大的压力。

5. 应对方案（毫米波雷达）

如果小目标是金属材质的，对于毫米波雷达的检测会更为容易一些。

例如，4D成像毫米波雷达检测250米之外的可乐瓶：

图片来源：傲图科技

Mobileye采用PMCW技术开发的4D成像毫米波雷达，可以稳定检测和跟踪237m处的低矮木质货物托架：

图片来源：Mobileye

由于毫米波雷达的噪点较多，小目标或许可以提前检测，但是在实际应用中，目标的稳定性以及和噪声的区分度，会决定实际的应用效果。这个实际使用的过程中，还是有相当大的挑战。

04

强弱目标混合

1. 场景要求

标准中设计了几个强弱目标的合并场景，例如在纸箱子旁边增加了一个车辆目标：

以及，行人站在静止车辆的后面：

2. 场景分析

小目标单独检测本来就比较困难，如果还有大目标（或者强反射目标）在旁边，由于会有混叠，将会进一步增加检测的难度。

2022年8月10日，一辆小鹏P7在宁波市高架桥路段最左侧车道快速行驶，随后撞上一辆停靠在同一车道的故障车辆，并且将站在故障车尾部的人员撞飞。

3. 应对方案（摄像头）

对于摄像头来说，如果小目标和车辆目标混叠，由于训练集的不足，有可能导致视觉漏检。

4. 应对方案（激光雷达）

这种场景对于激光雷达检测没有影响。

5. 应对方案（毫米波雷达）

对于分辨率较低的毫米波雷达，大小目标合并的场景对于小目标很容易漏检。

分辨率对于目标检测的影响示意如下：

4D成像毫米波雷达通常角分辨率更高，大小目标的区分能力会更强。

05

弯道内静止目标

1. 场景要求

标准中设置了S型弯道内存在静止目标的场景，静止目标包括静止的车辆、摩托车、自行车和儿童：

2. 场景分析

当道路有弯曲时，由于道路遮挡或者车辆的姿态的原因，目标进入智驾系统的感知区域较晚：

类似的，车辆在上坡时，对于对向车辆及坡道上的其他障碍物会检测较晚。

3. 应对方案

这种场景由于超出传感器感知范围，感知单元能做的是尽量增大水平和垂直FOV，尽量减小盲区，从而尽早提前发现危险目标。

更重要的是，在智驾策略中，当识别到类似路况时，需要提前降低车速，给感知单元预留足够的检测时间。

06

前前车静止，前车突然切出

该场景是前面移动的车辆突然切出，而前前车是一个静止车辆。

2. 场景分析

该场景有时也被称为“消失的前车”，由于前车的突然切出，往往会导致后车来不及反应，是一种非常危险的工况，因此相关事故也经常发生，例如：

3. 应对方案（摄像头、激光雷达）

由于有前车遮挡，视觉和激光雷达很难检测前前车。

能做的还是提高检测速度，在目标出现之后，以尽量短的时间完成检测。

4. 应对方案（毫米波雷达）

毫米波雷达的电磁波由于有反射特性，可以通过多径效应，检测“前前车”。

图片来源：大陆汽车

检测前前车的毫米波雷达：

图片来源：华为

不过，由于很多噪声也是由于多径导致的，通过多径生成的目标强度一般较弱，很容易被当做噪点滤除。另外，如果前前车是静止的，毫米波雷达的检测难度将更高。

07

静止车辆后横穿

1. 场景要求

这个场景就是通常讲的“鬼探头”。

2. 场景分析

“鬼探头”在交通事故中非常常见：

3. 应对方案（摄像头、激光雷达）

这类场景对于摄像头来说，较难处理。

之前有观点提到，摄像头可以透过旁边静止车辆的玻璃，来提前识别横穿的车辆或者行人，实际上这个实现起来非常困难。

对于激光雷达来说，也没有太好的方法。

主要能做的还是提高检测速度，在目标出现在FOV范围内之后，以尽量短的时间完成检测。

4. 应对方案（毫米波雷达）

相对来说，毫米波雷达可能有机会更早的检测目标。借助于电磁波有衍射和绕射特性，可以一定程度的检测障碍物之后的目标：

检测示意图：

08

感知系统的持续进步

标准中提到的“危险工况”很多，再叠加不同的光照和天气要求，组合得到的测试案例会更多。不过，相对于真实世界中的“危险工况”来说，这些案例仍然是冰山一角。

如何保证智驾系统的安全，是一个需要长期研究的命题。其中，感知系统的性能，很大程度上决定了智驾系统能应对多少“极端场景”。

摄像头、激光雷达和毫米波雷达作为驾驶辅助系统的主力传感器，工作过程各异：

每种传感器各有优劣势：

1. 摄像头

目前车载摄像头的主要发展方向是：

不过，作为一种被动感知部件，感知效果必然会受到环境的影响。在低光照、高动态、低纹理环境，以及雨雾等恶劣天气下，目前的改进方案只能尽量的减小性能衰减，而很难彻底避免。

2. 激光雷达

激光雷达通过主动发射红外激光束，通过ToF或者FMCW原理，来进行目标测量。由于是主动感知单元，激光雷达受环境光照强度的影响很小，甚至环境光照越低，激光雷达的检测效果越好。

图片来源：摩尔芯光

目前激光雷达的主要发展方向是：

激光雷达受到雨雾影响也比较大，对于高反目标经常会出现高反膨胀、鬼影等问题。高线束激光雷达的成本还比较高，纯固态激光雷达短期内还无法解决大角度和远距离的矛盾。

3. 毫米波雷达

在这三种主要感知部件中，毫米波雷达是最早应用于智能驾驶辅助系统中的传感器。早在上个世纪90年代初，毫米波雷达就被搭载在汽车上，实现ACC、AEB等功能：

图片说明：24 GHz VORAD radar mounted at the front side of a Greyhound bus. Photograph by W. Menzel.

毫米波雷达目前主要的发展趋势：

图片来源：Yole

4. 感知融合

由于每种传感器优劣势各异，感知融合成为感知系统的重要发展方向，例如，激光雷达和摄像头可以做像素级别的融合。

图片来源：欧司朗

京瓷推出的摄像头和激光雷达的融合产品：

图片来源：京瓷

在IEDM 2024上，索尼展示了一款组合式摄像头和ToF传感器，能够同时输出RGB和深度信息，实现高分辨率的无失真图像。

如下是索尼这款堆叠传感器的详细结构，其中可见光被RGB像素吸收，TOF像素记录的红外波长可以穿过底层彩色滤光片，从而实现深度信息的测量：

图片来源：索尼

检测效果如下：

图片来源：索尼

此类融合传感器一旦能够量产，将带来感知系统的革命性变革。

感知系统正在从1D、2D到3D、4D方向发展，未来甚至有5D的感知单元：

图片来源：Yole

09

结语

汽车作为一个商品，也一样面临性能和成本的权衡。通常来讲，摄像头分辨率越高、激光雷达线束数越多、毫米波雷达通道数越密集，传感器数量越多，能够覆盖的“极端场景”越多，但是成本往往也更高。

但是，智驾毕竟不是“冰箱彩电大沙发”，宕个机、运行出现偏差，可能顶多影响点心情。

智驾一旦出问题，可能影响的不仅仅是一点心情。作为一个要代替驾驶员开车的设备，智驾系统的安全性，应该被分配足够的权重。

文章转载自公众号：雪岭飞花

作者：雪岭飞花

原文链接：https://mp.weixin.qq.com/s/L9plTykXkMWNqOW6MQ7EOw