本文以Aeye的气（qì）球挑战（zhàn）为例，解释了自动驾驶（shǐ）在未来发展道路（lù）上还（hái）要解决的长尾问题（tí）。

portant;" />

卡耐基梅隆大学Argo Lab人工智能无人驾驶研究中心首（shǒu）席科学家（jiā）约翰（hàn）·多兰在一次采访（fǎng）中（zhōng）提（tí）到，自动驾驶迟到的原因归结为（wéi）两点：底层技术（shù）和（hé）真实应用场景。在技术方面，自（zì）动（dòng）驾（jià）驶（shǐ）的底层架构和大部分技术（shù）问题已经被（bèi）解决，剩（shèng）下的5%的长尾（wěi）问题，逐渐成了制（zhì）约自动驾驶发展的关键（jiàn）。这些问题包括各种零（líng）碎的场景、极端（duān）的情况（kuàng）和无法预（yù）测的人（rén）类行为。

为（wéi）了克服这些长尾问题（tí），目前很多公司都在进行大量真实路测实验来找到（dào）并解（jiě）决（jué）这（zhè）些边界化的难题。

最近，激光雷达公司Aeye就做了一次挑战，自动驾驶如（rú）何（hé）一个漂浮（fú）在路中央的气球（qiú）。通过在L4级无人驾驶汽车往往偏（piān）向避免碰撞，在这种情（qíng）况下（xià）,它们会采取（qǔ）的规避动作或者踩（cǎi）刹车，来避免不必（bì）要的事（shì）故。而气球是个软性的（de）物体，可以直（zhí）接无障碍的通过（guò）。

如果让无人驾驶汽车判断（duàn）出物（wù）体的性质来判断是否可以通过？

相机往往（wǎng）很难（nán）以区分障碍物（wù）的（de）软、硬（yìng），一切在它眼中都只是像素。在（zài）这（zhè）种情况下，知觉（jiào）训（xùn）练几乎是不可能的，因为在现实世界（jiè）中，软的物体可以呈现出任意形（xíng）状、形式甚（shèn）至拟人化的状态。相机检测性能是完全依靠适当的训练，通过把所有可能的（de）外（wài）观排列组合来找（zhǎo）到合适的类别，但是遇到（dào）太阳眩光、阴（yīn）影（yǐng）或夜间（jiān）行驶等条件（jiàn）下，对性（xìng）能造成影响。

雷达对物体材料（liào）是敏感的。不含（hán）金属的软物体或者没有（yǒu）反（fǎn）射率的物体，无（wú）法反（fǎn）射（shè）无（wú）线（xiàn）电波，所以雷达不能识（shí）别气球。此外，雷达在（zài）训练中通常会忽（hū）略静止的物体，否则它会检测出成（chéng）千上万的目标，阻碍车辆的行驶。所以,即使气球是由反光金属塑料，但它漂浮在空（kōng）气中（zhōng），可能没有足（zú）够的相（xiàng）对运动让雷达探测（cè）到（dào）它。即使把（bǎ）相（xiàng）机和（hé）雷（léi）达组合（hé）在一（yī）起，也（yě）无法在任意（yì）条件下，做出正确的判断（duàn）。

相（xiàng）比之下，足够密（mì）度（dù）的激光雷达点云，在提供足够的数据（jù）分类以及恰当的（de）路（lù）径规划算法的情况下，可以检测像气球一（yī）类的柔软、可变形物体。收集足够（gòu）多的气（qì）球（qiú）数（shù）据，并（bìng）确（què）定（dìng）其分类、形状（zhuàng）和速度数据发送到域控制器。激（jī）光雷达探测到气球（qiú），并将其标记为动态感兴趣的区（qū）域(ROI)，解决（jué）在此类条件下的（de）长尾问题。

2019年，尽管一些公开的道路测试甚至（zhì）无人（rén）车（chē）商用已经开始，同时大部（bù）分技术问题已不再（zài）是（shì）问（wèn）题（tí），但是（shì）我们面临的车辆（liàng）长尾问题仍不在少数。

有网友专门整（zhěng）理了这些无人车很难做出（chū）判断的场景，比如（rú）打伞的（de）人，人（rén）在车后搬箱子、树（shù）倒（dǎo）在路中央等等。

portant;" />

portant;" />

这些有人类行为参与的场景，就像正态分（fèn）布（bù）曲线那样。即使图（tú）像两端的（de）情况很少发生，我们（men）的测（cè）试也要涵盖进去所有（yǒu）的人类行为情况。既要通过实际路测来发现（xiàn），也要（yào）通过无数（shù）的（de）仿（fǎng）真测试，去创造、搭建足够的（de）数据（jù）来保（bǎo）证行驶的安全。

portant;" />

我们坚信，经过与长尾问（wèn）题不断（duàn）的纠缠打磨，未来的自动驾驶系（xì）统将变得越来越可（kě）靠。