僅僅識別出字符對于應(yīng)對復(fù)雜的城市交通是遠遠不夠的，自動駕駛系統(tǒng)必須理解“左轉(zhuǎn)”、“進入”和“待行區(qū)”這幾個詞組合在一起所代表的交通規(guī)制含義。傳統(tǒng)的基于規(guī)則的系統(tǒng)（Rule-based System）主要通過工程師手動編寫大量的邏輯判斷語句來實現(xiàn)這一能力，例如“如果檢測到文字等于某字符串且信號燈等于某狀態(tài)，則執(zhí)行某動作”。然而，這種方法在面對“此時左轉(zhuǎn)可進入待行區(qū)”或“左轉(zhuǎn)綠燈亮起前禁止進入”等含義相近但表述迥異的提示時，就難以做出準確的指令動作。為了提升系統(tǒng)的泛化能力，視覺語言模型（VLM）開始被引入自動駕駛的感知架構(gòu)中。

視覺語言模型的核心價值在于它能夠?qū)D像信息與文本語義映射到同一個高維特征空間中進行對比和關(guān)聯(lián)。在訓練階段，這類模型通過學習海量的道路場景圖像及其對應(yīng)的文字描述，掌握了“文字描述”與“物理世界對象”之間的對應(yīng)關(guān)系。舉個例子，當模型在圖像中看到地面噴漆的文字并匹配到“進入待行區(qū)”的語義時，它會自動通過交叉注意力機制，將“待行區(qū)”這個語言符號與路口前方特定的空白車道區(qū)域進行空間上的對齊。這種對齊不僅是坐標的重合，更是邏輯上的關(guān)聯(lián)，使得自動駕駛汽車能夠像人類一樣，根據(jù)提示語的內(nèi)容去尋找對應(yīng)的物理空間。

圖片源自：網(wǎng)絡(luò)

在理想汽車等車企最新發(fā)布的架構(gòu)中，視覺語言模型被賦予了“系統(tǒng)2”的職能，即負責邏輯推理和處理長尾復(fù)雜場景。與負責快速反應(yīng)、處理日常跟車轉(zhuǎn)向的“系統(tǒng)1”不同，視覺語言模型會接收傳感器輸入的圖像流，經(jīng)過深層邏輯思考，輸出關(guān)于當前交通環(huán)境的語義描述或決策建議。當車輛行駛至帶有漢字提示的路口時，視覺語言模型會分析提示語的語境，它是永久性的路牌，還是臨時的施工告示？它針對的是所有車輛，還是特定車道的車輛？這種基于常識的推理能力，使得自動駕駛汽車能夠應(yīng)對那些未曾在訓練數(shù)據(jù)中出現(xiàn)過的極端案例。

為了確保在高速行駛過程中的實時性，這些模型在部署時會經(jīng)過嚴格的量化和剪枝處理，以適應(yīng)車載計算平臺的算力限制。同時，為了提高魯棒性，系統(tǒng)會利用多幀圖像融合技術(shù)。在接近路口的幾十米范圍內(nèi)，攝像頭會連續(xù)拍攝數(shù)十幀包含漢字提示的圖像，系統(tǒng)通過對比不同角度、不同光照下的識別結(jié)果，利用概率統(tǒng)計模型計算出最終結(jié)論的置信度。只有當置信度超過安全閾值時，語義理解的結(jié)果才會轉(zhuǎn)化為決策層的控制輸入。這種嚴謹?shù)奶幚砹鞒蹋_保了“識別漢字”這一功能能夠真正服務(wù)于行車安全，而不會成為干擾項。

動態(tài)環(huán)境中的決策閉環(huán)

以“左轉(zhuǎn)車輛進入待行區(qū)”這一具體案例來聊一聊，當交通環(huán)境中出現(xiàn)這類的文字提示時，自動駕駛系統(tǒng)的表現(xiàn)實際上是一個典型的感知-決策-控制閉環(huán)。待行區(qū)的設(shè)置旨在提高路口的通行效率，通常要求車輛在直行信號燈變綠、左轉(zhuǎn)信號燈仍為紅燈時，提前駛?cè)肼房谥醒氲念A(yù)設(shè)區(qū)域。這一動作的難點在于它打破了“紅燈?！钡幕A(chǔ)規(guī)則，賦予了特定文字提示更高的優(yōu)先權(quán)。自動駕駛汽車在處理這一場景時，需要實時同步三個維度的信息，識別出的漢字指令、當前的信號燈相位以及車輛在車道內(nèi)的精準位置。

當車輛通過視覺系統(tǒng)確認了“左轉(zhuǎn)待行區(qū)”的存在后，決策模塊會進入一個特定的狀態(tài)機邏輯。此時，車輛會密切監(jiān)控信號燈的變化。如果直行信號燈轉(zhuǎn)為綠燈，識別出的漢字提示就會被激活，轉(zhuǎn)化為一條“允許低速前行至待行區(qū)終點”的路徑規(guī)劃指令。在這一過程中，車輛會利用雷達和攝像頭的融合感知，確保待行區(qū)內(nèi)沒有被前車占滿，并實時探測地面的停止線位置。這種決策過程不僅僅是文字識別的應(yīng)用，更是對動態(tài)交通規(guī)則的精準復(fù)刻。如果系統(tǒng)只具備識別文字的能力，而缺乏對交通流邏輯的理解，可能導致車輛在待行區(qū)中停滯不前，從而影響整體路口的通行效率。

在復(fù)雜的城市普通路段，漢字提示往往伴隨著大量的環(huán)境不確定性。部分路口可能因為臨時施工臨時取消了待行區(qū)，并用黃線或隔離墩進行了封堵。此時，具備高級語義理解能力的系統(tǒng)會表現(xiàn)出更強的自適應(yīng)性。它會結(jié)合視覺語言模型對“施工”、“禁止進入”等關(guān)鍵詞的識別，以及對交通錐、水馬等障礙物的物理感知，推翻高精地圖中的原始設(shè)定，做出最符合當前實情的判斷。這種基于實時的感知結(jié)果優(yōu)于靜態(tài)地圖數(shù)據(jù)的邏輯，是目前智能駕駛技術(shù)向全場景、全天候進階的重要標志。

隨著多傳感器融合技術(shù)的演進，自動駕駛汽車在識別漢字時的抗干擾能力得到了顯著提升。在夜間雨天環(huán)境，地面的漢字噴漆由于路面反光可能變得難以辨認。此時，系統(tǒng)可利用激光雷達的回波強度差異來輔助判斷。由于噴漆材質(zhì)與瀝青路面對激光的反射率不同，激光雷達可以在一定程度上勾勒出地面的文字輪廓，并與攝像頭的視覺結(jié)果進行互補校驗。這種多物理維度的感知，使得自動駕駛汽車對“左轉(zhuǎn)車輛進入待行區(qū)”這類指令的理解，不再僅依賴于“看”，而是建立在對環(huán)境全方位理解的基礎(chǔ)上，從而實現(xiàn)了決策的穩(wěn)健閉環(huán)。

端到端架構(gòu)下的認知演進

自動駕駛對漢字及各種交通信息的處理正朝著“感知-規(guī)控一體化”的方向快速演進。傳統(tǒng)的模塊化架構(gòu)雖然邏輯清晰，但在信息傳遞過程中不可避免地會產(chǎn)生損耗和誤差。若文字識別模塊輸出了一個字符錯誤，可能會導致后續(xù)的規(guī)則判斷完全失效。隨著端到端（End-to-End）自動駕駛模型的出現(xiàn)，通過試圖模擬人類的神經(jīng)網(wǎng)絡(luò)，直接將原始的圖像信息轉(zhuǎn)化為車輛的控制指令。在這一架構(gòu)中，漢字不再是被拆解出的獨立變量，而是作為全局環(huán)境特征的一部分，直接參與到行駛路徑的預(yù)測中。

在端到端架構(gòu)下，視覺語言動作模型（VLA）可用于文字識別，這種模型不僅能“看懂”漢字、邏輯推導出含義，還能直接輸出油門、剎車和轉(zhuǎn)向的具體數(shù)值。當系統(tǒng)看到“左轉(zhuǎn)車輛進入待行區(qū)”時，它不再需要經(jīng)過“識別字符-查閱地圖-判斷燈色-生成規(guī)劃”的繁瑣步驟，而是可以通過在大規(guī)模高質(zhì)量駕駛數(shù)據(jù)中學習到的經(jīng)驗，直接做出擬人的駕駛動作。由于深度學習網(wǎng)絡(luò)能夠捕捉到人類駕駛員在面對復(fù)雜文字提示時那些微妙且合理的反應(yīng)邏輯，因此這種演進極大地提升了系統(tǒng)處理極端場景的能力。

圖片源自：網(wǎng)絡(luò)

由于大模型的訓練需要消耗巨大的算力和高質(zhì)量的數(shù)據(jù)，且模型的黑盒屬性也給安全驗證帶來了困難。為了應(yīng)對這一挑戰(zhàn)，就有技術(shù)方案開始探索“世界模型”的概念。世界模型可以在云端模擬出數(shù)以億計的包含復(fù)雜漢字提示的交通場景，讓自動駕駛算法在虛擬世界中進行充分的強化學習。通過在仿真環(huán)境中反復(fù)測試車輛對“限時通行”、“公交專用”、“待行區(qū)”等復(fù)雜提示的理解與執(zhí)行，算法的魯棒性在量產(chǎn)上車前就能得到充分驗證。

最后的話

現(xiàn)在的自動駕駛汽車已經(jīng)具備了在標準環(huán)境下準確識別漢字提示并執(zhí)行相應(yīng)邏輯的能力。這種能力源于計算機視覺、自然語言處理以及多模態(tài)融合技術(shù)的深度集成。隨著視覺語言模型和端到端架構(gòu)的普及，車輛對道路語義的理解將不再局限于死板的字符匹配，而是具備了常識推理能力的認知水平。在面對“左轉(zhuǎn)車輛進入待行區(qū)”這種交通指示時，自動駕駛汽車可通過不斷進化的算法，在讀懂了每一個字的同時，更可以理解字里行間蘊含的交通秩序與文明。

審核編輯 黃宇