施工场景为何会成为自动驾驶难点?

一、前言

施工场景一直是自动驾驶的长尾场景（long tail）的主角之一。长尾的意思是稀少但是重要，长尾的累计权重甚至超过了头部效应。可见这类场景的重要性。

图 长尾模型，来自网络

谷歌 Waymo 的无人车曾多次在施工路段出现事故，包括撞上路边停放车辆、静止障碍物，甚至因无法识别交通锥导致交通堵塞。

图 被锥形桶难住的无人车造成堵车，来自

https://www.ithome.com/0/769/063.htm

施工场景已成为阻碍自动驾驶技术广泛应用与发展的一大难点，但是为何呢？

本文意在回答这个问题。

二、施工场景的复杂性 

施工场景的显著特征之一是环境的高度动态变化。施工活动本身具有不确定性，施工人员、设备的位置随时可能改变。例如，在道路维修过程中，施工人员可能会根据实际情况临时调整挖掘区域，原本畅通的车道瞬间变为施工区域，施工车辆与工程设备也会频繁穿梭其中。这种动态变化的频率与幅度远远超出了自动驾驶系统通常所适应的常规交通场景。在常规交通中，车辆、行人的运动模式相对可预测，信号灯、车道线等交通标识也较为稳定。但施工场景下，一切都处于动态变化之中，自动驾驶系统难以依据过往经验或预设规则来准确预判下一步的场景变化，从而导致决策困难。 

与常规道路遵循严格统一的交通设计规范不同，施工场景的布置呈现出强烈的非标准化特征。各个施工场地的规模、施工内容与要求各不相同，导致交通锥筒、警示灯、施工标志的摆放位置与方式缺乏统一标准。有些施工场地可能仅用几个交通锥筒简单围挡，而有些则会设置复杂的警示标志与引导设施。此外，不同地区、不同施工单位在施工布置上也存在差异，这使得自动驾驶系统难以通过学习一种固定模式来应对所有施工场景。相比之下，在标准交通场景中，信号灯的颜色、形状与指示规则全球基本一致，车道线的宽度、颜色与含义也有明确规范，自动驾驶系统能够较为容易地识别与理解。但面对施工场景的非标准化布置，系统常常陷入混乱，无法准确判断哪些区域可通行，哪些是危险区域。 

图 道路遗撒遮盖车道线，来自网络

施工场景下往往会临时制定一些交通规则，以保障施工顺利进行与交通有序。然而，这些临时规则不仅多变，而且缺乏广泛的传播与认知。临时交通信号灯的设置时间与切换规则可能因施工进度随时调整，且并未提前向公众广泛告知。此外，施工人员指挥交通的手势也并非完全遵循常规交通指挥手势，不同施工人员的指挥方式可能存在差异。对于人类驾驶员而言，通过观察与经验积累，尚可在一定程度上理解并遵循这些临时规则。但自动驾驶系统依赖于对标准规则的学习与识别，面对这些临时且不确定的交通规则，系统无法及时获取与更新相关信息，从而在决策过程中出现错误或犹豫不决的情况。 

图 临时交通灯会对基于地图的自动驾驶车辆造成干扰，来自网络

三、自动驾驶系统感知技术的局限

自动驾驶系统主要依靠激光雷达、摄像头、毫米波雷达等多种传感器来感知周围环境。在施工场景中，这些传感器却面临诸多干扰。施工场地中扬起的尘土、飞扬的碎屑会严重影响激光雷达的反射信号，使其无法准确测量距离与识别物体。摄像头则会受到强光、阴影以及施工设备遮挡的影响，导致图像模糊、视野受阻，难以清晰捕捉到交通标志、施工人员与障碍物等关键信息。例如，在阳光直射下，白色的交通锥筒可能会因反光而在摄像头图像中出现过曝现象，丢失部分细节信息；施工车辆庞大的车身也可能完全遮挡住后方的行人或小型障碍物，使摄像头无法察觉。毫米波雷达虽然能够在一定程度上穿透灰尘与障碍物，但面对复杂的金属结构施工设备时，容易产生信号反射与干扰，导致误判物体的位置与速度。

图 工地爆闪灯，亮度很高，会干扰摄像头，来自网络

图 施工人员反光条，来自网络

根据《反光服能让汽车“失明”？自动紧急制动系统存盲区》一文，美国公路安全保险协会高级科学家大卫·基德陈述，随着人体关节活动产生明暗变化的动态反光条，能让司机在200米外就看清行人动作，成为道路工作者的“生命线”，但出乎意外的是，现行部分AEB系统会把肢体的动态反光误判为金属反光或信号灯干扰，导致紧急制动延迟甚至失效，这些会“呼吸”的反光条最终成为了自动驾驶的“视觉陷阱”。

对不规则物体识别困难也是个大难题，训练数据集再庞大，也不可能涵盖所有的物料摆放方式。

施工场景中充斥着大量形状、尺寸不规则的物体，如形状各异的施工工具、临时搭建的脚手架、随意摆放的建筑材料等。这些不规则物体与自动驾驶系统在训练过程中所接触到的标准车辆、行人等物体差异巨大，使得系统的识别算法难以准确对其进行分类与定位。传统的目标识别算法通常基于对大量标准样本的学习，建立起物体的特征模型。但面对施工场景中的不规则物体，这些模型往往无法有效匹配，导致系统将其误判为其他物体或完全无法识别。例如，一个形状奇特的施工吊车臂伸出在道路上方，自动驾驶系统可能无法准确判断其长度、位置以及是否会对车辆行驶造成威胁，从而增加了碰撞风险。 

施工场景也会干扰多场景融合识别。 为了提高感知的准确性与可靠性，现代自动驾驶系统通常采用多传感器融合技术，将激光雷达、摄像头、毫米波雷达等多种传感器的数据进行综合分析。在施工场景中，多传感器融合却面临重重困难。不同传感器的数据采集频率、精度以及对环境的适应能力各不相同，在复杂的施工环境下，各传感器获取的数据可能存在冲突或不一致的情况。激光雷达检测到前方有一个静止物体，但摄像头由于遮挡并未捕捉到该物体，此时系统在融合数据时就会陷入困境，难以做出准确决策。此外，施工场景中的干扰因素可能会同时影响多个传感器，导致融合后的数据依然无法准确反映真实环境，进一步降低了自动驾驶系统在施工场景中的感知性能。 

四、高精度地图与定位问题 

“建筑工地”本身是高精地图的例外，不可能同步更新，只能靠传感器实时感知。但传感器的数据在不同子模型之间依次传递，信息损失难以避免。 

高精度地图是自动驾驶系统的重要支撑，它为车辆提供了详细的道路信息，包括车道线位置、交通标志与信号灯信息等。施工场景下，道路状况变化迅速，而高精度地图的更新却往往存在滞后性。道路可能因施工被临时封闭、改道，新的临时交通标志与设施不断出现，但地图数据未能及时同步更新。这就导致自动驾驶系统依据旧的地图信息行驶，对施工区域的新情况一无所知，从而做出错误决策。例如，地图显示前方道路畅通，但实际该路段已因施工被封闭，自动驾驶系统可能依然按照原路线行驶，直至接近施工区域才发现问题，此时再进行避让往往为时已晚。 

准确的定位location是自动驾驶系统正常运行的基础，目前车辆主要依靠 GPS、惯性导航以及或者RTK（（Real - Time Kinematic，实时动态定位））等多种方式进行定位。施工场景中的多种因素会严重干扰定位信号。施工设备、建筑物等会对 GPS 信号产生遮挡与反射，导致信号减弱或丢失，使车辆定位出现偏差。施工现场的电磁环境复杂，大量施工设备运行产生的电磁干扰会影响惯性导航与地面基站定位的准确性。在高楼林立的城市施工区域，GPS 信号可能会在建筑物之间多次反射，导致车辆定位出现漂移，无法准确确定自身在道路上的位置。这种定位不准确的情况会使自动驾驶系统对周围环境的感知出现偏差，进而影响其决策与控制。 

图 城市峡谷效应干扰RTK定位，来自网络

退一步说，即使在施工场景中有相对及时更新的地图，将地图信息与车辆实时感知到的信息进行准确匹配也并非易事。施工场景的复杂性使得实时感知信息存在大量噪声与不确定性，而地图信息相对较为固定与理想化。施工区域临时设置的交通标志可能与地图中存储的标准标志存在差异，或者由于施工导致道路特征发生改变，这些都会导致地图与实时感知信息难以匹配。例如，地图中标注的车道线可能因施工被部分覆盖或重新绘制，车辆的传感器检测到的车道线与地图中的车道线不一致，自动驾驶系统在融合这两种信息时就会出现错误，无法准确判断车辆应行驶的车道。 

五、决策与规划系统的困境 

自动驾驶系统的决策算法通常基于对大量常规交通场景的学习与建模，针对施工场景这类复杂、罕见且动态变化的场景，现有的决策算法往往无法有效应对。在常规交通中，车辆的行驶决策主要依据交通规则、其他车辆与行人的运动状态等相对稳定的因素。但施工场景下，除了要考虑常规因素外，还需应对临时交通规则、施工设备与人员的随机行为等复杂情况。当施工人员突然在道路上穿行，或者施工车辆未按常规交通规则行驶时，决策算法可能无法迅速准确地评估风险，并做出合理的行驶决策，如加速、减速或避让。此外，施工场景中的多种因素相互交织，使得决策空间变得极为复杂，算法难以在短时间内搜索到最优决策方案。 

目前，自动驾驶系统的训练数据集中，施工场景相关的数据相对匮乏。当然这也是数据闭环的一个主要研究领域，如何算法模拟施工场景的数据。

由于施工场景的特殊性与复杂性，采集高质量的施工场景数据难度较大，成本也较高。这就导致系统在训练过程中对施工场景的学习不足，无法充分掌握施工场景下的各种特征与应对策略。相比之下，系统对高速公路、城市街道等常规场景进行了大量的数据采集与学习，能够较好地应对这些场景中的各种情况。但面对施工场景时，由于缺乏足够的学习经验，系统在决策与规划时往往表现不佳。此外，在模拟测试环节，也难以构建出高度逼真的施工场景模拟环境，无法全面有效地对系统在施工场景下的性能进行测试与优化，进一步阻碍了决策与规划系统在施工场景中的应用。 

在施工场景中，自动驾驶系统需要在保证安全性的前提下，尽可能提高行驶效率。但这两者之间往往存在矛盾，难以达到平衡。为了确保安全，系统可能会采取过于保守的决策策略，如在遇到不确定的施工情况时，长时间停车等待，这虽然降低了事故风险，但却严重影响了交通效率，可能导致交通拥堵。相反，如果系统为了追求行驶效率，采取较为激进的决策，如在对施工场景判断不充分的情况下强行通过，又会增加碰撞等事故的发生概率。在施工区域有多个施工设备与人员活动时，系统若为了尽快通过而选择快速变道，可能会因对周围物体的运动预测不准确而发生碰撞；若一味等待所有施工活动结束，又可能会造成长时间的交通停滞。如何在施工场景下找到安全性与效率之间的最佳平衡点，是决策与规划系统面临的一大难题。 这种效率安全难两全的矛盾，其实不止在施工场景，有些自动驾驶出租车被市民投诉，就是因为犹豫不决阻塞交通。

六、结语 

施工场景因其自身的复杂性，从环境动态变化、非标准化布置到临时交通规则的不确定性，给自动驾驶系统带来了挑战。而自动驾驶系统在感知技术、高精度地图与定位以及决策与规划等方面的局限，使其在面对施工场景时显得力不从心。

施工场景作为一类整体并不少见，但是由于其非标准化的特点，每一个特定的施工场景就成了稀有的长尾场景。现场很多东西都是随手放的，灯具布置也没有一定之规。

简单说，就是场景复杂又特别多，学不会，学不完，还会干扰传感器。

也许在未来随着辅助驾驶乃至自动驾驶车辆变多，会出现一种标准化的围挡挡片，不仅标志统一，视觉遮挡，还能屏蔽电磁干扰和噪音。目的是把复杂的施工现场完全围起来，甚至面积和形状都分为标准化的几个档次。这样对自动驾驶而言，施工场景就变成了一块比较标准化的禁区。自动驾驶只要回避这个面积和位置已知的禁区即可，里面如何变化是不感知的。

这类似于软件工程中的封装概念，用标准化手段把千奇百怪的施工场景封装成少数几种标准化场景，把内部变化和干扰（物料摆放，开挖，人员手势，人员走动，灯光干扰，电磁干扰等等）封装起来，从而大大降低辅助驾驶车辆的运营难度。