現代，Veloster，自動駕駛，頻頻迷路，而后數次在技術人員的“勸誡”下迷途知返。這不是科幻電影，而是現代汽車韓國本部舉辦的自動駕駛系統比賽上，KAIST團隊的智能車在暴雨之后遇到的一點小麻煩。在前文中，車云菌曾條分縷析雨后日光和濕滑路面對KAIST造成的可能影響，以及這種對人類駕駛者看似毫無壓力的天氣變化給自動駕駛系統帶來的挑戰。

所幸KAIST項目主管David Hyunchul Shim站出來，就之前的視頻解釋了雨天造成的困擾，以及KAIST本身所堅持的開發理念在應對天氣突變時的壓力。如果您未曾閱讀上一篇文章，尤其是干/濕天氣中KAIST截然不同的駕駛能力，此處您可再次觀賞兩部視頻。

如前所述，整個比賽包含了數個測試項，包括行人檢測，前車跟隨，路牌服從等。任何一項失敗，會造成2分鐘罰時，而需要人工干預的情況則增加3分鐘罰時。熟練的人類駕駛員普遍可以在4分多鐘完成所有比賽項目，冠軍團隊(漢陽大學)的機器人駕駛員用時5分30秒，而KAIST智能車的完美圈耗時6分鐘多一點。

那么，這30多秒的差距出在哪兒呢?仔細分析的話，KAIST與對手的設計理念可謂是天差地別。如果一個機器人駕駛員始終“手持”所在地區高精度校準之GPS路線圖，并與傳感器所見隨時對比，可以想見，這種“雙保險”將使其無往而不利;Google的自動駕駛車，以及本次大賽冠軍，漢陽大學，都采用了這種設計。

而KAIST團隊，明知投機可以取巧，卻不愿盲從這種開發理念，因為他們堅信預設的高精度地圖并不會將真的自動駕駛汽車帶到千家萬戶。Shim毫不掩飾的說：“如果我們的車子無法開進地圖上沒有標識的區域，那一定是我們的系統設計有問題。”因此，KAIST堅持讓機器人駕駛員趨同于人類的駕駛方式，依靠傳感器獲得周圍信息，根據駕駛知識(算法)和道路規范(限制)來決策，以此保障其在任何路面，任何時間乃至任何地點的駕駛能力。

同樣的原理性差異可以追溯到美國的DARPA智能車大挑戰，冠軍斯坦福大學把決定權完全交給機器人(車云菌按：難道斯坦福Machine Learning的奇跡，安豬大神，不該現身以主角光環為自家車子加buff么)，而亞軍卡內基梅隆大學則以數千個手工標記的GPS路點及限速值來控制整個賽程。此間看來，對贏家斯坦福而言，所謂將在外君命有所不受，因地制宜，從而旗開得勝，并不意外。

除了系統設計理念，KAIST直接面對的考驗則是濕滑路面，以及傳感器針對環境變化的應對能力。Shim老兄繼續分析：“第二天我們出發前，那場突如其來的大雨才真正坑爹。對于車道探測，我們使用了雷達+攝像頭的復合系統，而一旦遇到路面積水反光，遭遇“晃眼”的探頭就會返回夸張的數值。俺們并非浪得虛名，賽前幾天本隊曾針對雨天調整過傳感器的預設(只是當時雨沒這么大)，因此比賽當天KAIST的表現其實比預想還好些。然而，車道探測的閾值在雨天會設置的更高(相對晴天)，當傳感器讀數大幅降低時，想認清車道及障礙就有點拼了。”

簡單來說，KAIST需要做的就是告知其光學探測系統忽視掉大量數據，因為這些數據多數來源于濕滑路面所造成的反光。如果閾值被降的太低，哪怕僅僅是低了一點點，光學系統就極有可能直接忽視分道線和障礙物，這也就是KAIST家的小黃多次迷路的主要原因。

此外，雨后初晴本是外出游覽的好天氣，而KAIST在執行路牌和行人檢測時也是醉了。對視頻中02:50的故障，Shim兄解釋如下：“行人檢測失敗并不意外，當時攝像頭工作在“多云”狀態。然而，當小黃途經此地，所謂天公作美，巧遇云開霧散，日光直射如入無人之境……當我們檢查探頭保存的影像資料，不必說，此時幾乎一片煞白。”這種短時失明同時也影響了停車測試的結果。

如同Shim反復提到“讓無人駕駛系統在多變天氣中行駛自如還是蠻拼的”，車云菌深表贊同，因為雷達和攝像頭并不像人類駕駛員般擁有足夠的智商和應變能力。無論谷歌，特斯拉還是其他車企，在量產車型上推廣自動駕駛之前，均有責任妥妥地搞定其“水土不服”的毛病。

車云小結：

我們非常愿意再次感謝KAIST團隊，尤其是David Shim大佬，不僅將視頻公諸于眾，還本著革命的人道主義精神與我們分享了這其中的經驗教訓。如果所有車企在無人駕駛系統的開發上都做到如此開明，作為圍觀群眾的一員，車云菌將會無比欣慰的給讀者帶來時鮮的機器人駕駛員“技能樹”點評。