編者語：后臺回復“入群”，加入「智駕最前沿」微信交流群
只要汽車在道路上行駛，無疑會遇到一個場景，那就是在路口遇到紅綠燈時，根據紅綠燈的情況及時停車或繼續行駛。這一看似簡答的駕駛動作，對于人類駕駛員來說，是非常自然的一件事，很多老司機憑借視覺和經驗，可以快速判斷紅綠燈的情況。
這一簡單的場景對于自動駕駛汽車來說，卻有很多值得討論的地方。雖然只是根據燈的顏色決定行駛步驟，但紅綠燈識別無疑是自動駕駛系統最基礎、最重要的任務之一。如果自動駕駛汽車不能準確判斷信號燈狀態，就無法安全地在城市道路上通行，這將直接關系到車輛的安全性和通過能力。
圖片源自：網絡
自動駕駛的核心任務就是在沒有人為干預的情況下，自己完成感知、決策和控制等動作。紅綠燈屬于“規則性行為”的典型場景，它是道路上明確、可預測的交通控制規則。那自動駕駛汽車是如何識別紅綠燈的？
紅綠燈是怎么被看到的？
自動駕駛汽車識別紅綠燈，最基礎的工具就是攝像頭。自動駕駛汽車上安裝的車載攝像頭，就像是人的眼睛，可以從不同角度不停獲取周圍環境的畫面。在這些視頻流里面，系統只有做到知道紅綠燈是什么、在哪里、當前狀態是怎么變的等信息，才可以準確地識別紅綠燈。
圖片源自：網絡
自動駕駛汽車最早識別紅綠燈的方法來自計算機視覺的經典思路，即基于顏色和形狀的檢測。具體做法是先分析圖像中的顏色分布和幾何特征，把可能包含燈組的候選區域找出來，然后判斷這些區域是紅、黃還是綠。傳統算法一般用顏色分割和邊緣檢測來篩選候選區域，再通過模板匹配或手工提取的特征來確認它是否是信號燈，最后確定燈的當前狀態。
隨著自動駕駛技術的不斷發展，深度學習進一步提升了紅綠燈識別的準確性與魯棒性。深度學習模型可以從大量標注數據中學習什么樣的圖像是紅綠燈、它在不同環境光照、不同距離或部分遮擋下是什么樣子，然后自動輸出檢測結果。這類神經網絡模型相比傳統方法對復雜場景更具適應性，因此在自動駕駛感知里被大量使用。
實際上，已經有專門針對交通信號燈檢測優化的網絡模型，用于實時識別和分類紅綠燈的燈狀態。這些模型會結合多個時間幀進行處理，而不是僅分析單幀圖像，這樣可以利用時間連續性提高紅綠燈識別的穩定性和準確率。
不只是相機，多種感知協同更穩妥
雖然攝像頭是識別信號燈的主要傳感器之一，但自動駕駛汽車的“眼睛”其實不止一個。為了提升準確性和可靠性，系統會把攝像頭識別結果與其他傳感器的信息融合一起判斷。
圖片源自：網絡
一個典型的組合就是攝像頭+高精度地圖（HDMap）。高精度地圖會提前記錄路口的位置、信號燈的位置甚至一些配時信息。在自動駕駛系統里，當車靠近某個地點時，它就已經知道這個路口有紅綠燈，這樣可以幫助感知系統減少盲區和誤檢。對于攝像頭來說，它不再是“無目的地找信號燈”，而是可以提前知道紅綠燈的大致位置和可能的狀態。這樣配合起來，車輛的識別準確率會得到明顯提升。
還有一些自動駕駛方案會用到激光雷達（Lidar）數據。雖然雷達無法直接識別顏色，但它可以幫助確認信號燈的位置和空間關系，比如可以判斷信號燈是否被其他物體局部遮擋，或者測量燈距離車輛的精確距離。這些信息交給融合算法一起判斷，就能進一步提高自動駕駛系統整體感知的穩定性。
識別之后怎么讓車輛準確執行
對于自動駕駛汽車來說，識別出信號燈才是第一步，下一步是讓車輛做出正確的決策。自動駕駛系統的決策模塊需要根據識別結果和當前車速、路況、地圖信息綜合判斷下一步動作。
大家在開車時應該可以發現，很多路口的紅綠燈并不統一，有些路口有單獨的右轉向指示燈，有些路口有單獨的左轉向指示燈。自動駕駛系統不僅要準確識別出這些燈的位置及狀態，更要正確理解指示燈的含義，從而為決策模塊提供準確的數據。譬如在遇到有單獨的右轉指示燈的路口，一定要先辨別右轉指示燈的狀態，再決定是否要右轉，而不能盲目地直接執行右轉操作。
圖片源自：網絡
當然，在真實的交通環境中，并不是所有的路口都是非常理想的狀態，會出現一系列的干擾。在日出、日落時，紅綠燈可能會被強光“淹沒”，識別變得模糊。晚上雨天波光反射也會干擾傳感器判斷。為了應對這種情況，自動駕駛系統需提前學會各種路況下的紅綠燈狀態，從而提前適應復雜場景。
很多車主在開車時一定遇到過大型卡車停在前面擋住信號燈，或是背景中出現類似紅綠燈光源干擾的情況，對于自動駕駛汽車而言，這類場景一定會遇到。對于這些場景，自動駕駛系統可通過利用時間連續性（如結合前幾幀與當前幀的信號狀態一致性）、車輛自身的精確定位信息，以及高精度地圖數據等多維度信息進行判斷，從而全面提升信號燈識別的魯棒性與可靠性。
不僅是實時感知還有預測
對于自動駕駛系統來說，紅綠燈識別不僅僅是拍到信號燈之后判斷顏色，其中還會涉及預測信號燈變化趨勢。在接近路口時，只有做好紅綠燈的變化趨勢，才可以讓行駛的過程更加平順，從而不會出現急剎或急起的情況，影響乘客的乘坐體驗。
正如前文所說，自動駕駛系統除了純粹的視覺識別，還會融合來自高精地圖或城市交通信號系統的數據。如果車輛能提前知道下一階段燈的狀態和剩余時間，它的行為會更加平順和安全。很多我們常使用的導航系統實現的紅綠燈倒計時，就是使用的這種思路，只不過在自動駕駛里需要更高的精度和更低的延遲。
圖片源自：網絡
現在，還有一些先進的自動駕駛方案正進一步引入基于機器學習的預測能力。通過分析歷史車輛通行數據與實時交通流信息，系統可以訓練模型來預測信號燈在下一個周期的可能變化。這種前瞻性的預測策略，能顯著提升自動駕駛車輛的車速控制平順性、通行效率，并為更安全、合理的軌跡規劃提供關鍵決策依據。
最后的話
紅綠燈識別這個看似細小的能力，其實能看出自動駕駛技術走到哪一步。它不只是“看清一個燈是什么顏色”，而是考驗系統能否在不確定、復雜、甚至互相矛盾的信息中，始終做出最保守、最安全的判斷。也正因為如此，紅綠燈識別始終是自動駕駛安全能力的試金石，它逼著技術從“能用”走向“可信”，從單點智能走向系統級可靠。
-- END --
