天气太热，法拉利都自燃了。近日武汉高架桥上发生的一幕：一辆红色法拉利突发自燃，熊熊火焰迅速吞噬车身，而紧跟其后的萝卜快跑自动驾驶出租车却未及时做出反应，直到逼近至近前才匆忙识别并尝试换道。这一事件瞬间在网络上引发轩然大波，公众对自动驾驶技术的安全性和可靠性产生关切。
萝卜快跑作为百度Apollo 旗下的自动驾驶出行服务平台，在自动驾驶商业化运营领域一直处于行业前沿，已在多个城市开展载人测试运营服务。此次面对火焰障碍物时的惊险一幕，让车内乘客惊出一身冷汗，根据车内录像，当时乘客在车内大喊：“你要去哪里”。当然萝卜快跑听不懂乘客在说什么，它也没有安装VLA，VLM之类的视觉语言模型，至少目前没有报道安装。
图 萝卜快跑紧贴着自燃车辆尾部开始避让，来自腾讯视频https://v.qq.com/x/page/f3167u2ilt5.html?ptag=bing.com
从技术层面深入剖析，这一事件暴露出当前自动驾驶传感器在识别特定障碍物，如火焰或者大型水体方面，可能存在的局限性与不足。火焰作为一种特殊且危险的障碍物，其形态、颜色、亮度处于动态变化之中，相较于传统的静态或动态障碍物，识别难度极大。
最后是萝卜快跑开到离自燃车辆很近的地方才开始避让，笔者猜测要么是传感器对自燃车辆的金属实体发生了反应，要么是远程驾驶员接管了车辆，具体是哪一种需要看后台日志。但大概率不是检测到火焰障碍物自动避让火焰，因为如果是检测到自动避让，应该是远远地就开始避让了。
如果障碍物没有金属实体，只有一团纯火，目前的自动驾驶技术能否识别避让，还是直接压上去，尚未可知。也许下一次懂车帝或者中汽中心测评自动驾驶时，可以在地面用汽油制造一团没有实体又足够巨大的火焰路障，看看会发什么。
（一）传感器类型及工作原理在火焰识别中的应用
摄像头传感器
摄像头是自动驾驶车辆获取视觉信息的关键传感器，通过捕捉火焰的颜色、形状、纹理及动态变化等视觉特征来进行识别。基于深度学习的目标检测算法，如YOLO（You Only Look Once）系列和 Faster R-CNN（Region-based Convolutional Neural Networks），在摄像头图像数据处理中应用广泛。
以 YOLOv8 为例，其采用了改进的神经网络结构，能够在高分辨率图像中快速检测出火焰目标，实现每秒数十帧的实时检测速度，适合应对自动驾驶场景中的实时性需求。火焰通常呈现出明亮的橙红色，与周围环境形成鲜明对比，算法通过学习大量火焰样本的颜色分布特征，在图像中定位火焰区域。
然而，摄像头受光照条件影响显著，在强光直射、逆光或夜间环境下，火焰的视觉特征可能被干扰或弱化，导致识别准确率下降。此外，烟雾、灰尘等环境因素会遮挡火焰，使摄像头难以获取完整的火焰图像，增加误判和漏判风险。
激光雷达传感器
激光雷达通过发射激光束并接收反射光，构建周围环境的三维点云模型。在火焰识别方面，激光雷达可捕捉火焰区域的空间位置、形状及动态变化。火焰的高温会使周围空气密度发生变化，导致激光束反射特性改变，形成独特的点云分布。
通过点云分割和聚类算法，能够分离出火焰区域的点云簇。例如，某些先进的激光雷达系统每秒可发射数十万次激光脉冲，实现对火焰动态的高频监测。结合机器学习算法，对火焰点云的特征进行学习和分类，可进一步提高识别精度。但激光雷达也存在局限性，其对小火焰或远距离火焰的点云特征捕捉能力较弱，因为火焰在远距离或尺寸较小时，反射的激光信号有限，可能导致点云稀疏，难以准确识别。
毫米波雷达传感器
毫米波雷达利用毫米波频段的电磁波来检测目标物体的距离、速度和角度。在火焰识别中，毫米波雷达主要通过检测火焰周围空气分子的振动和运动引起的多普勒频移来感知火焰存在。火焰燃烧时会引起周围空气的对流和扰动，毫米波雷达能够捕捉到这些细微变化，从而判断火焰的大致位置和动态。
其优势在于不受光照、天气等环境因素影响，可在恶劣天气条件下持续工作。然而，毫米波雷达的分辨率相对较低，对火焰的形状和细节特征识别能力不足，单独使用时难以精确区分火焰与其他具有类似多普勒频移的物体，如高速行驶的车辆尾气排放区域，容易产生误判。
我们这里没有提到超声波雷达，因为作用距离太短，而且对火焰几乎没有探测效果。
（二）多传感器融合技术在火焰识别中的优势与挑战
为克服单一传感器在火焰识别中的局限性，多传感器融合技术应运而生。通过将摄像头、激光雷达和毫米波雷达等多种传感器的数据进行融合处理，实现信息互补，可显著提高火焰识别的准确性和可靠性。
例如，华为的GOD（General Obstacle Detection，通用障碍物检测网络） 算法采用了多传感器融合方案，将激光雷达的深度信息、摄像头的视觉信息和毫米波雷达的速度信息进行融合，通过 Transformer 网络将激光雷达点云转换为稠密图像特征，再与摄像头图像数据进行软关联，在多种复杂场景中对火焰障碍物的识别率高达 99.9%。在工业道路场景中，面对工厂内复杂的光线环境和烟雾干扰，多传感器融合系统能够综合分析各传感器数据，准确识别出火焰，有效避免了单一摄像头因光线问题或烟雾遮挡造成的误判，以及单一激光雷达对小火焰检测不敏感的问题。
图GOD感知算法，也是一个神经网络
然而，多传感器融合技术在实际应用中也面临诸多挑战。首先，不同传感器的时间同步和空间校准难度较大，若校准不准确，会导致融合数据偏差，影响识别效果。其次，融合算法的复杂度高，对计算资源要求大，如何在保证实时性的前提下，高效处理海量的多源传感器数据，是亟待解决的问题。此外，不同传感器数据的特征表示和数据格式差异大，如何有效融合这些异构数据，实现无缝对接，也是多传感器融合技术发展的关键难题。
（三）当前技术水平下火焰识别的准确率与局限性
综合当前各类传感器及融合技术的应用情况，在理想环境下，即光照充足、无遮挡、火焰特征明显的场景中，自动驾驶传感器对火焰障碍物的识别准确率可达到较高水平，部分先进系统的识别准确率根据报道能超过95%。但在实际复杂交通环境中，准确率会受到多种因素影响而大幅下降。如在城市街道场景中，存在大量建筑物遮挡、车辆尾气排放产生的烟雾干扰，以及复杂多变的光照条件，火焰识别准确率可能降至 70%-80%。在极端天气条件下，如暴雨、沙尘等，准确率甚至可能低于 50%。
现有技术的局限性主要体现在对复杂背景干扰的鲁棒性不足。烟雾、灰尘等环境因素以及红色设备、落日余晖等与火焰颜色相近的物体，容易干扰传感器的识别，导致误报率升高。对于小火焰和远距离火焰的检测，由于其特征信号较弱，现有传感器的分辨率和灵敏度难以满足精准识别需求，漏报风险较大。此外，实时性与计算资源的平衡问题也制约着火焰识别技术的进一步发展。复杂的识别算法虽然能提高准确率，但会消耗大量计算资源，在车载计算平台资源有限的情况下，难以实现高精度与实时性的兼顾。
谈到火焰障碍物，就也需要谈一谈水体障碍物，车辆开进水里也是常有的事情。到底是没有危害的路面水洼，还是足以卡住车轮甚至淹没车辆的大型水体，都需要识别并评估危险等级。特别是今年北京频繁大雨，地下涵道淹没车辆是可能的。永远不要自信自己车辆的涉水能力，而应该安全第一及时避让，至少不要开进去。
图水体是绝对值得识别和避让的障碍物，图片来自网络
（一）水面环境特点及对传感器的挑战
水面环境相较于陆地环境，具有独特的复杂性，给自动驾驶传感器带来了诸多严峻挑战。首先，水面存在反射和折射现象，光线在水面发生反射时，会形成镜面反射或漫反射，导致摄像头采集的图像出现光斑、倒影等干扰信息，严重影响对水体障碍物的视觉识别。例如，在阳光直射下的湖面，水面反射光强度可能超过障碍物本身的反射光，使摄像头难以区分障碍物与水面背景。
对于激光雷达而言，激光束在接触水面时，部分能量会被反射回传感器，部分能量会折射进入水中，导致返回的点云数据出现异常，无法准确构建水体障碍物的三维模型。此外，水面的波动和涟漪也增加了识别难度，不断变化的水面形态会干扰传感器对障碍物位置和形状的判断，尤其是对于基于视觉或激光雷达的检测方法，水面波动可能被误判为障碍物，造成大量误报。
（二）各类传感器在水体障碍物识别中的应用及效果
视觉传感器
视觉传感器在水体障碍物识别中主要依赖图像识别技术。基于深度学习的语义分割算法，如U-Net 及其改进版本，可对摄像头采集的水面图像进行像素级分类，尝试识别出水面上的障碍物，如漂浮物、船只等。通过大量标注好的水面场景图像训练模型，使其学习到不同障碍物的视觉特征。
在较为平静、光照良好的水面环境中，视觉传感器能够取得一定的识别效果，对于大型、形状规则的障碍物，如大型货船，识别准确率可达 80% 左右。但在复杂水面环境下，如前文所述的强光反射、水面波动等情况，视觉传感器的识别性能会急剧下降，误判率可能超过 50%。
此外，视觉传感器对远距离障碍物的识别能力有限，受摄像头焦距和分辨率限制，难以清晰捕捉远距离小尺寸障碍物的细节特征，容易漏检。
雷达传感器
雷达传感器在水体障碍物识别中具有一定优势，尤其是毫米波雷达和激光雷达。毫米波雷达通过发射毫米波并接收反射波来检测目标物体，能够有效穿透烟雾、小雨等恶劣天气条件，不受水面反射光影响。
在水体环境中，它可检测到水面上运动物体的速度和距离，对于快速移动的船只等障碍物能够及时预警。但其分辨率相对较低，难以精确识别障碍物的形状和轮廓，对于静止或低速移动的小型漂浮物，检测效果不佳。激光雷达在水体障碍物识别方面，可利用其高精度的三维点云成像能力，对水面及障碍物进行精确建模。
在理想情况下，能够清晰区分水面与障碍物，准确获取障碍物的位置、形状和大小信息。然而，如前所述，激光雷达受水面反射和折射影响严重，在实际应用中，需要采用特殊的数据处理算法来补偿因水面特性导致的点云数据误差，但即便如此，在复杂水面环境下，其识别准确率仍会受到较大影响，在存在大量波浪和涟漪的水面，对小型障碍物的识别准确率可能降至60% 以下。
其他辅助传感器及技术
为提高水体障碍物识别的准确性，一些辅助传感器和技术也被应用。红外传感器可通过检测物体的红外辐射特性来识别障碍物，在夜间或低光照条件下，能够有效弥补视觉传感器的不足。热成像相机能够生成物体的热图像，不同温度的物体在图像中呈现出不同灰度值，对于与水面温度差异较大的障碍物，如发动机运转产生热量的船只，具有较好的识别效果。
但这些辅助传感器也各有局限性，红外传感器和热成像相机受环境温度影响较大，在温度变化剧烈的环境中，识别性能会下降；声纳传感器的探测范围有限，且声波在水中传播受水质、水流等因素影响，可能导致检测结果不准确。
当然，热红外类型的传感器也可以用于火焰检测，这是非常简单直接的办法。
（三）针对水体环境的传感器优化与算法改进
为应对水面环境的挑战，科研人员和企业在传感器优化与算法改进方面进行了大量研究与实践。在传感器优化方面，一些厂商研发了具有抗反射涂层的摄像头镜头，减少水面反射光对成像的干扰；改进激光雷达的发射和接收机制，增强对水面反射光的抑制能力，提高点云数据质量。
在算法改进方面，提出了多种针对水体环境的识别算法。例如，针对视觉传感器，开发了基于多尺度特征融合的语义分割算法，通过融合不同尺度下的图像特征，提高对不同大小障碍物的识别能力；引入注意力机制，使模型更加关注水面上可能存在障碍物的区域，减少背景干扰。对于雷达传感器，采用基于卡尔曼滤波的目标跟踪算法，结合雷达的距离、速度和角度信息，对障碍物进行动态跟踪，提高检测的稳定性和准确性。
此外，多传感器融合算法在水体障碍物识别中也得到了广泛应用，通过融合视觉、雷达、红外等多种传感器的数据，充分发挥各传感器的优势，弥补单一传感器的不足，有效提高了在复杂水体环境下对障碍物的识别性能。例如，某研究团队提出的一种基于深度学习的多传感器融合算法，在模拟的复杂水面环境测试中，对各类水体障碍物的综合识别准确率达到了85% 以上，相比单一传感器识别准确率提高了 20%-30%。
自动驾驶技术的发展正处于关键阶段，传感器作为其感知外界环境的“眼睛”，对火焰和水体等特殊障碍物的识别能力至关重要。从火焰障碍物识别现状来看，当前各类传感器及融合技术在理想环境下已取得一定成果，但在复杂交通环境中仍面临诸多挑战，如复杂背景干扰、小火焰和远距离火焰检测困难以及实时性与计算资源的矛盾等。在水体障碍物识别方面，水面环境的反射、折射、波动等特点给传感器带来了极大挑战，尽管视觉、雷达等传感器及辅助技术在不断优化改进，但在复杂水面条件下，识别准确率和稳定性仍有待进一步提高。
光是探测水体是不是足够深足够大，足够伤害车辆，就十分困难。如果是雨后路面一点点积水，虽然看起来很宽，但浅得很，几厘米深度，直接开过去就好。特别是越野车和SUV，本身就有一定的涉水能力，过分避让就没必要了，浪费了涉水能力。但如果检测到看起来面积不大但很深，足以让车轮子陷进去，那就要规避了。
存在测深激光雷达，这是专为探测浅水水下信息而设计，能够从空中对水体进行监测。它通过发射激光脉冲，精准记录水面反射回波和水底反射回波的时间，同时结合激光传播速度、水的折射率、飞机的位置和姿态、激光束指向等信息，从而计算出水底三维位置坐标及水深，实现对水体厚度的测量。以常见的机载测深激光雷达为例，其一般使用波长为532 纳米的蓝绿激光进行水下信息探测。这是因为海水对不同波长的光吸收和散射特性不同，波长为 470 - 580 纳米的蓝绿光是电磁波的 “海水窗口”，在该波段范围内，蓝绿光受海水的吸收和散射最小，衰减程度最弱，使用这种损耗最小的蓝绿光，可以让测深激光雷达达到更大的探测深度。但是车载应用不能从空中向下探测水体厚度，而是要水平向前探测，这个难度更大。
也许视觉技术加上某种水平向前探测水体深度厚度的雷达，结合起来可以让自动驾驶有效判别危险水体并提前规避、
类似的，对于火焰障碍物，也许视觉+红外传感器的混合感知加AI检测算法，能够有效地感知和规避。不过目前，红外传感器在自动驾驶技术栈里面非常冷门。
如您对我们的产品感兴趣，欢迎联系咨询电话：135 1009 9916（微信同号）
学习了解更多碳化硅功率器件产品知识 请查看碳化硅课堂
