#技术巡猎 #华为 自动驾驶怎么”看懂”道路边界呢?

#技术巡猎 #华为 自动驾驶怎么”看懂”道路边界呢？引望是用一个AI模型同时搞定双边检测的。

自动驾驶开车上路，最基本的能力就是知道路在哪里、边界在哪里。听起来简单且基础？实际非常复杂。城市道路有实线、虚线、双黄线、白色边线，还有路沿石、护栏、绿化带、施工围挡，甚至什么都没有只有路面和泥土的衔接。更棘手的是路口场景：一条道路在这里结束，多条道路在这里交汇，边界在哪里变得模糊不清，车道线断了，路沿消失了、各种交通标线交错在一起，传统算法很容易”迷路”。

引望，也就是华为的这项专利（CN 122341997 A）瞄准的就是道路边界检测的准确性问题，特别是路口场景下的双边界识别。

传统方案通常把道路边界检测拆成几个步骤。

先做图像分割把道路区域从背景中分离出来，再提取边缘像素，然后拟合曲线得到边界线，最后匹配到高精地图数据进行验证。这种方式的问题是流程太长，每一步都可能引入误差，分割不准导致边缘错位，拟合参数敏感导致曲线抖动，地图匹配失败时直接”断崖式降级”。累积下来最终边界位置可能偏出几十厘米，对自动驾驶来说这已经是致命级别。而且路口场景下，道路边界不连续、被其他车辆遮挡、或者被交通标线干扰，传统算法的鲁棒性很差，经常出现”断线”或”跑偏”。

引望的方案走的是端到端路线，用一个神经网络模型直接从感知信息推理出道路边界。输入是车辆周围的环境感知信息（摄像头图像、激光雷达点云等经过传感器融合后的结构化数据），输出是第一条道路的双边界。关键设计在于，模型会根据路口类型来动态调整推理策略。

路口的类型很关键。

T型路口、十字路口、环形路口、Y型分叉口，每条道路与路口的衔接方式都不一样，有的突然终止，有的平滑汇入，有的弯曲转向。模型先识别路口类型，然后基于这个类型信息来推理第一条道路的两条边界。这种”先认路口、再找边界”的策略，让模型能更好地理解道路拓扑结构，在边界模糊的场景下也能给出合理的推断。比如T型路口，模型知道主路在这里被横向道路切断，边界应该在哪里终止、在哪里转弯，不会盲目地把边界延伸到不该去的地方。

端到端架构的优势在于”一步到位”。传统多步骤管线中，每个模块的误差会传递和放大，像传话游戏一样越传越离谱；端到端模型则从原始感知数据直接映射到边界输出，中间没有显式的中间步骤，误差传递链更短，整体精度上限更高。而且神经网络在训练过程中会隐式学习道路边界的各种先验知识--比如道路宽度通常在一定范围内（3-4米是城市道路常见值）、边界在远处会收敛到消失点、路口处边界会有特定弯曲模式--这些先验让模型在遮挡或模糊场景下有更强的”脑补”能力，即使局部信息缺失也能做出合理推断。

双边界同时推理是另一个关键设计。

有些方案只检测一条边界（通常是左侧），然后假设道路宽度固定来推算另一条。但现实中道路宽度变化很大，从窄巷的2米到八车道高速的30米，宽度差异巨大，固定假设会导致系统性偏差。同时推理两条边界，模型可以捕捉到道路宽度的真实变化，宽处画宽、窄处画窄，不会因为”假设宽度”而导致整体偏移。

专利中提到的”环境感知信息至少指示车辆所处的第一道路的一条边界，以及与第一道路相接的第一路口”，说明输入不是纯图像像素，而是已经经过初步处理的结构化感知结果。这意味着模型运行在感知系统的上层，利用了下层传感器融合的结果---比如已经检测到的部分边界线索、路口位置、道路方向等信息，而不是从零开始处理原始数据。这种分层架构既利用了传统方法的可解释性，又享受了端到端的精度优势。

这项技术是PCT国际申请---华为有意在全球范围内布局。

对华为智驾体系来说，精准的道路边界检测是后续所有决策的基础，车道保持需要知道边界在哪里才能居中行驶，变道需要知道相邻车道的边界位置，路口通行需要知道各条道路的走向。边界检测精度每提升一点，整个系统的安全边界就扩大一圈。尤其是在城市NOA场景下，路口通过能力直接决定了系统的可用范围。从更宏观的视角看，端到端感知模型正在逐步取代传统的多步骤管线。特斯拉的Occupancy Networks、华为的GOD网络，都是这个趋势的代表。