雷达噪音太多。不好训练。
刚坐朋友的特斯拉自动驾驶，遇上大暴雨
版主： who， shepherd17
Re: 刚坐朋友的特斯拉自动驾驶，遇上大暴雨
这东西绝不假装咱都懂。
在大到暴雨的环境下，融合感知（多种雷达 + 视觉）的安全性与稳定性明显优于纯视觉方案。
两种方案在暴雨天气的核心表现与底层逻辑差异如下：
- 纯视觉方案（以相机为核心）
- 优势： 成本低、符合人类驾驶逻辑，能精准识别路面标线、交通信号灯及路标含义。
- 暴雨中的致命短板：
- 光学遮挡： 暴雨会导致雨刮器高频摆动、镜头挂水或被前车甩起的水雾（Spray）遮挡，引发图像模糊、失真。
- 深度感知失效： 相机高度依赖光线与清晰度来推算距离。在暴雨天气、暴雨夜间或大面积路面上积水反射光线时，AI 深度估计容易发生剧烈抖动，导致“误刹车（幽灵刹车）”或“漏检前方障碍物”。
- 多种雷达 + 视觉方案（多传感器融合）
- 优势： 利用不同物理波段的特性进行优势互补，建立冗余安全网。
- 各传感器在暴雨中的分工：
- 毫米波 radar（核心主力）： 毫米波穿透力极强，完全不受雨滴、浓雾、水雾影响，能穿透暴雨精准测量前方车辆和大型障碍物的距离与相对速度。
- 激光雷达 LiDAR（高精度补充）： 尽管激光在极浓密雨滴中会出现光束散播（点云噪点增多），但通过算法滤除噪点后，仍能提供厘米级的三维空间建模，弥补视觉丢失的空间结构。
- 视觉摄像头： 辅助辨识车道线与车流状态。
在暴雨恶劣天气下，带毫米波雷达和激光雷达的多传感器融合系统能够提供不可替代的安全冗余。即便摄像头因水雾完全看不清，毫米波雷达依然能锁定前车位置，防止追尾。传感器类型 暴雨/雨雾穿透力 距离与速度测量能力 雨天主要局限 摄像头 较差（光散射、水雾遮挡） 依赖计算，不稳定 视野模糊、夜间失明 激光雷达 (LiDAR) 中等（雨滴折射会有噪点） 极高（三维立体建模） 点云衰减 毫米波雷达 (Radar) 极强（穿透雨雪） 极高（多普勒测速） 分辨率较低，难识小物体
注：极端暴雨导致路面严重积水、完全掩盖车道线时，任何智能驾驶系统的风险都会显著增加，建议人工接管或靠边避雨。
多问几个ai。结果还是毫米波雷达。做自动驾驶或者驾驶辅助。千万不能因为省钱就把雷达拆了。
Re: 刚坐朋友的特斯拉自动驾驶，遇上大暴雨
枫林晓1 写了： 昨天, 21:24这东西绝不假装咱都懂。
在大到暴雨的环境下，融合感知（多种雷达 + 视觉）的安全性与稳定性明显优于纯视觉方案。
两种方案在暴雨天气的核心表现与底层逻辑差异如下：
- 纯视觉方案（以相机为核心）
- 优势： 成本低、符合人类驾驶逻辑，能精准识别路面标线、交通信号灯及路标含义。
- 暴雨中的致命短板：
- 光学遮挡： 暴雨会导致雨刮器高频摆动、镜头挂水或被前车甩起的水雾（Spray）遮挡，引发图像模糊、失真。
- 深度感知失效： 相机高度依赖光线与清晰度来推算距离。在暴雨天气、暴雨夜间或大面积路面上积水反射光线时，AI 深度估计容易发生剧烈抖动，导致“误刹车（幽灵刹车）”或“漏检前方障碍物”。
- 多种雷达 + 视觉方案（多传感器融合）
- 优势： 利用不同物理波段的特性进行优势互补，建立冗余安全网。
- 各传感器在暴雨中的分工：
- 毫米波 radar（核心主力）： 毫米波穿透力极强，完全不受雨滴、浓雾、水雾影响，能穿透暴雨精准测量前方车辆和大型障碍物的距离与相对速度。
- 激光雷达 LiDAR（高精度补充）： 尽管激光在极浓密雨滴中会出现光束散播（点云噪点增多），但通过算法滤除噪点后，仍能提供厘米级的三维空间建模，弥补视觉丢失的空间结构。
- 视觉摄像头： 辅助辨识车道线与车流状态。
在暴雨恶劣天气下，带毫米波雷达和激光雷达的多传感器融合系统能够提供不可替代的安全冗余。即便摄像头因水雾完全看不清，毫米波雷达依然能锁定前车位置，防止追尾。
传感器类型 暴雨/雨雾穿透力 距离与速度测量能力 雨天主要局限 摄像头 较差（光散射、水雾遮挡） 依赖计算，不稳定 视野模糊、夜间失明 激光雷达 (LiDAR) 中等（雨滴折射会有噪点） 极高（三维立体建模） 点云衰减 毫米波雷达 (Radar) 极强（穿透雨雪） 极高（多普勒测速） 分辨率较低，难识小物体
注：极端暴雨导致路面严重积水、完全掩盖车道线时，任何智能驾驶系统的风险都会显著增加，建议人工接管或靠边避雨。多问几个ai。结果还是毫米波雷达。做自动驾驶或者驾驶辅助。千万不能因为省钱就把雷达拆了。
当这三种传感器给出的信息相悖的时候，电脑根本没法处理，最后出错的概率翻了好几翻
Re: 刚坐朋友的特斯拉自动驾驶，遇上大暴雨
在多传感器融合（雷达 + 视觉）的系统中，如果底层算法没有处理好信号冲突，确实有可能引发危险行为（最典型的是突然的“幽灵刹车”或迟疑不决的延时响应）。
但从现代自动驾驶的架构设计和安全冗余来看，融合方案在设计上已经专门针对“信号冲突”建立了决策机制，其综合安全性依然远高于单一的纯视觉系统。
- 信号为什么会冲突？
在暴雨、大雾或强光等恶劣场景下，不同传感器会给出截然相反的数据：- 案例 A（虚报/误报）： 暴雨天，视觉看到前方被大水雾遮挡，判定“有障碍物”；但毫米波雷达穿透了水雾，回报“前方畅通”。
- 案例 B（漏报/漏判）： 前方停着一辆侧翻的白色卡车。视觉因为强光折射把卡车误判为天空（漏报）；但激光雷达和毫米波雷达检测到了巨大的物理实体障碍物。
如果系统不知道该听谁的，就会出现决策冲突。
- 传统方案 vs 现代方案：冲突是如何被解决的？
历史上（以及早期部分车型）确实出现过因为“信号冲突”导致恶劣体验甚至事故的情况，但自动驾驶算法经历了三个演进阶段：
早期：硬编码规则（决策级融合 / Late Fusion）- 做法： 各传感器独立计算结果，最后按固定规则打分。例如“只要有一个传感器报警就刹车”，或者“两个以上同意才刹车”。
- 隐患： 容易引发冲突。如果视觉说有、雷达说没有，规则设定不好就会导致频繁误刹车或漏刹车。
现代主流：特征级融合与 Occupancy Grid（占用网络） - 做法： 不再让各个传感器各自做决策，而是把摄像头拍摄的图像像素、激光雷达的点云、毫米波雷达的反射波，全部输入到同一个神经网络中。
- 效果： 算法直接在中后级提炼“三维空间占用率（Occupancy）”。系统不再纠结“视觉和雷达谁对”，而是直接计算“空间中的那个位置到底有没有物体占据”。
最终底线：安全第一（Fail-Safe 冗余机制）
在安全控制层，系统遵循物理实体优先与概率置信度原则： - 静态物理阻挡优先： 当激光雷达或毫米波雷达明确探测到前方有不可穿透的物理实体时，即便视觉“看不见”或误判，系统也会优先执行减速防撞（避免直接撞击大货车或路障）。
- 时域连续性校验： 系统会结合上一帧、上十帧的数据进行判断，过滤掉因暴雨水花引起的单帧雷达噪点。
- 两种方案在冲突发生时的对比
总结场景 纯视觉方案 多传感器融合方案 发生冲突/感知模糊时 没有其他传感器可以校验，只能基于“模糊的视觉”做赌博式决策（容易直接误判或失灵）。 拥有不同物理原理的传感器互为校验，虽然可能引发短暂的误刹，但避免了致命撞击。 主要风险点 漏检（把实体当空气撞上去）、深度计算突变。 幽灵刹车（误把水花/路边铁皮当障碍物）。
信号冲突确实增大了算法设计的复杂度，如果融合算法写得很差，体验会非常糟糕（例如频繁无故刹车）。
但从安全底线（Safety Baseline）的角度来看：- 纯视觉在恶劣天气的风险是“盲区导致的致命漏撞”；
- 多雷达融合系统的冲突风险更多是“过度敏感导致的误刹”。
在自动驾驶工程学中，“宁可误刹，不能漏撞”是基本的安全准则。因此，具备多重信号冗余的方案在极端天气下的风险控制能力，依然显著优于单一视觉方案。
Re: 刚坐朋友的特斯拉自动驾驶，遇上大暴雨
ai的幻觉率很高的，你有几条命？ai也很难处理多重信号，而且，问你个简单问题，你不用摄像头，ai看得到红绿灯，限速牌，stop sign嘛？如果摄像头看不清这些，说明车就不能开了，用不用毫米波雷达都不行阿