作者 | 利荣 Bruce
编辑 | 德新
做一项好用的打灯变道功能，这个任务难倒了一大批车企。
如果你的车售价在20万元以下，那打灯变道基本上和“好用”二字无缘了，仅仅可以算得上“能用”，它可能会经常出现“想变道时变不过去、不想变道瞎变”的情况。
只有那些售价超过20万元的车，才有机会体验到相对好用的打灯变道功能。这里的好用，指的是打灯变道过程中体感舒适，你会感觉到自己的车像个老司机一样，可以在和相邻车道的车辆博弈后轻松胜出。
为什么好用的打灯变道这么少，以前的方案都是什么样子的，做一个好用的打灯变道功能应该怎么入手？围绕这些问题，我们向主机厂、智驾方案供应商、芯片公司、自动驾驶域控制器供应商进行了一番调研。
交流完发现，打灯变道的研发难点，绝不只是感知硬件和方案成本的问题，而是需要进一步提升感知、规控算法的能力。更深层的，做一项好用的打灯变道功能，还需要车企建立一套能够持续学习人类驾驶行为的认知模型。
如果说传统的打灯变道方案做到了及格分，今天用户心中期待的打车变道，则需要无限接近满分。
目前，打灯变道采用的主流方案是1V5R，包含1个摄像头、1个前向毫米波雷达和4个角雷达。
这一方案的好处是传感器部件少，成本低。
缺点也很明显。
“打灯变道时，侧后方的感知主要依靠毫米波雷达，而毫米波雷达的探测距离和精度并不好。对侧面尤其是平行的静态物体的感知性能有限。而且，毫米波雷达对于目标物的尺寸、朝向和速度很难估算准确。” 毫末智行技术总监潘兴告诉XEV研究所。
毫米波雷达的感知缺陷，会导致进入下一个规控环节时出现噪声，最终影响变道决策。
打灯变道方案还有一个问题，那就是角雷达性能不稳定。
东风汽车自动驾驶负责人边宁向XEV研究所表示：“从量产角度讲，打灯变道方案中配备的角雷达，国内做的都不好，从而导致识别能力差。现在真正做得好的是海拉的角雷达，国内角雷达技术比较落后，只能做盲区监测、预警等功能。一旦涉及到变道，国内角雷达性能表现相对较差。”
实际上，1V5R方案对于实现打灯变道来说，在行业里属于低配方案。
为了做出好用的打灯变道方案，行业里找到了一种解决路径，那就是通过增加感知硬件，来弥补毫米波雷达的不足。
周视摄像头登场。
地平线产品总监吕鹏认为，“周视摄像头对相邻车道的检测距离和检测精度都会大幅提升。因为毫米波雷达在跨越两个车道时检测能力较弱，周视摄像头的感知检测距离较长，能够准确识别车道，这就提升了变道的成功率和安全性。”
不过，增加周视摄像头后，就需要用到更多的算力，也就需要引入更多自动驾驶芯片，方案成本会进一步提升。
传统的1V5R方案成本大概在1000 - 2000元之间。
增加周视感知摄像头和自动驾驶芯片后，比如，采用2颗地平线征程3 1V5R 周式感知的方案，整体系统方案的成本接近4000元，基本上翻了一倍。
再向上探，其实还有更高配的方案，比如7V5R，甚至是7V5R 侧向两颗补盲激光雷达，这些高配的方案可以支持实现自动打灯变道。
但是，高配方案已经不能算是打灯变道的专用方案。
这些高配方案中的感知硬件，比如激光雷达，对于打灯变道来说是大材小用。
高配方案主要是为了实现城市领航辅助驾驶等功能，属于在通往高阶自动驾驶途中，捎带着解决了打灯变道，相当于降维打击。
总的来说，一个好用的打灯变道功能，需要更高配的传感器和更大的芯片算力，成本也相应水涨船高较高，考验着车企和用户的承受力。
德赛西威研究院院长黄力向XEV研究所表示，“目前打灯变道表现比较好的车一般是搭载20万元以上的车型上。至于15 - 20 万区间的汽车，还没有非常好的打灯变道功能出现。15到20万区间的车主要聚焦在纵向或者横向控制，也就是 ACC、LCC等功能。”
不过别担心，多数汽车业内人士认为，未来两年内好用的打灯变道方案就会搭载在15-20万的车上。
硬件层面的问题，砸钱增加配置就能解决，更难的是软件层面也在限制打灯变道功能的进化。
仍然以传统的1V5R方案进行分析。
常规的打灯变道方案，主要通过后融合的方法，包括跟踪等，来对目标物进行感知分析。但是单摄像头有个缺点是，很多障碍物在跟踪时会跟丢，或者被截断导致看得不准，感知效果大打折扣，从而造成对障碍物的朝向、速度估算不准，最终对变道效果产生很大的影响。
Minieye技术副总裁郑伟告诉XEV研究所，量产车的打灯变道方案中，视觉是一个必不可少的模块。“现在的解决方案是用BEV做周视感知，360°的感知，视觉确保语义的连续性，毫米波雷达负责测距，有些方案中会用到激光雷达，是为了更精准的测距和冗余性。”
BEV全称Bird's Eye View，中文名为鸟瞰图，可以用来解决对于远处目标物的测距不准的问题，以及解决一些近处目标物的截断问题，进而解决跨传感器的融合和跟踪难题。
但问题是，国内能够提供类似的BEV感知方案的供应商太少了。
除了蔚小理和毫末智行等少数玩家建立了感知算法自研能力，大多数车企的感知算法研发能力并不扎实，而且能够提供出色的感知方案的供应商也不多。
即便过了感知环节这一关，打灯变道还面临规控环节的挑战，需要系统给出适合的变道策略。
毫末智行的潘兴认为，目前许多车辆的打灯变道功能，在变道时要么特别保守，要么特别激进，体感效果都不太好。比如特斯拉在打灯变道时给人的感觉就是激进，由于要避免交通事故，而大多数车企在打灯变道时的策略又会显得保守，很少去和其他的车辆进行博弈。
如果在高速场景下，激进或者保守的打灯变道策略也许还能接受。但如果进入城市场景，任何不像老司机的变道策略都会让用户感觉到不好用。
因为，城市内的道路场景丰富，会涉及到和更多的车辆进行交互、博弈，完全靠规则式的变道策略，基本上很难让用户满意。
怎么解决这个问题？
一些公司比如毫末智行，会借助人类驾驶的数据，对变道策略的决策算法进行优化。通过模型去学习人怎么开，再通过模型体现在打灯变道的功能上，让自动驾驶系统学习成熟的人类驾驶员在变道时的博弈过程，并对系统的认知进行优化，保证变道策略和人类驾驶更加接近。
人类驾驶数据的来源比较复杂，这就又涉及到对场景的识别和理解。毫末智行的解决方案是，首先会对场景进行人工划分，再用机器进行非语义级的划分。最后，在每个场景内，进行动作的拟合。
简单来说，就是让认知模型学习更好的人类驾驶行为，通过模仿和学习，再形成系统的驾驶风格。
潘兴告诉我们，现在许多车企都在推进数据驱动型乃至学习型的规控算法。其中，学习型的规控系统还处于早期阶段，不像感知模型已经非常成熟。
如果说感知看的的是客观世界，认知看到的就是千人千面。
“目前的自动驾驶策略都是比较一致的，未来最终还是要实现千人千面。为男士、女士、20岁、40岁用户提供的自动驾驶策略会有区别。在这种情况下，数据的多样性、规模量是一个重要的胜负手。”潘兴说。
所以，建立数据回传机制后，卖出更多搭载好用的打灯变道功能的车，自然会回传更多的用户数据，进而用来优化打灯变道功能，有助于卖出更大规模的车，这个正向循环会让领先的车企越跑越快。
让打灯变道难用的，除了这些功能本身能力不足，还有一方面的原因是，用户体验完之后觉得难用。
有可能是车企在设计打灯变道方案时忽略了和用户的交互。比如，在打灯变道过程中，没有通过车机界面、语音交互等方式让用户注意到变道已经启动。
也有可能，这套打灯变道方案忽略了用户的心理感受。
比如，打灯变道功能本身没有问题，但是用户在变道时，由于对功能不信任进行了接管，或者觉得变道太墨迹进行了接管，又或者是变道时给用户造成了恐慌或者不舒服，用户也会进行接管。
种种问题如果得不到解决，最终就会让用户给出结论——打灯变道不好用，然后减少使用频次。如果得不到解决，最终就会让用户给出结论——打灯变道不好用，然后减少使用频次。
从地平线的角度看，吕鹏认为背后的原因是，“主机厂通常会与多家供应商进行合作，智驾方案会选择一家供应商，车机方案选择另一家，车机上的交互方案再选择一家。如何协调这几家供应商做出一项好用的交互，对车企来说仍然是一件有挑战的事情。”
站在车企一端，边宁也给出了一些方案建议，“目前，对于人机交互而言，只有安全要求，没有标准。一个好用人机交互要让驾驶员有一个适应的过程，当驾驶员开启打灯变道后，通常希望中控屏上能够显示整个变道的动态过程。比如，可以将从左边道路变到右边道路的系列动作展示出来。除了动态展示以外，用户还希望中控屏上能够显示整体交通流状况，提醒人们注意附近的车辆情况。”
最后，让打灯变道难用的原因，还和传统车企的转型节奏有关。
当前，许多传统车企的核心业务仍然是燃油车，而打灯变道对于燃油车的控制，比电动车遇到的挑战要大很多。
电动车的控制很精准，响应很快，燃油车做不到同样精准度的控制，决策链路会比较长。而且，电动车接口非常统一，油车的接口则由于供应商太多而无法统一。算法层面，也要求燃油车要考虑延迟和无法精准控制带来的影响，调参要调得更好，工程改造的工作量也比电动车要大。
正是拖着燃油车包袱，拿不到用户使用打灯变道等功能时的数据等等因素，让大多数车企在推出打灯变道功能时，显得四处掣肘。
其实，今天我们能用到的大多数打灯变道功能，方案技术在两年前推出。至于要看到大多数车企的好用的打灯变道功能，正如上面提到的，可能还要再等两三年。
令人庆幸的是，打灯变道也不是并非全军覆没。
目前，已经有少数玩家比如蔚小理、长城旗下魏牌和上汽旗下智己等品牌的车型，正在通过更高配置的感知方案和自研算法，顺利打通打灯变道这一关。并正在朝着高阶方案演进，比如各家正在争夺的城市领航辅助功能。
剩下的大多数车企，可能仍然在权衡打灯变道方案的成本、算法和数据等之间的关系。眼下，智能化的趋势已经不可逆转，虽然打灯变道仅仅是入门功能，但也是通往高阶自动驾驶的基础。所以，别等了，车企们。
