【導讀】最近，一段極氪9X在京滬高速夜間避險的視頻引發關注。根據公開視頻，車輛當時以約125km/h行駛，前方出現一輛靜止事故車。由于環境昏暗，駕駛員發現障礙時已經很難完成有效操作。車輛隨后緊急減速并轉向，避開了碰撞。
這段視頻最值得討論的，并非某次“驚險救車”，而是一個更具體的問題：當高速公路上的靜止障礙突然進入視野，輔助駕駛系統究竟依靠什么爭取反應時間？當然本文是一篇極氪官方贊助文（在此感謝jin zhu ba ba），但是我們想要做的是讓你（我們的yi shi fu mu）看guan gao也獲取一些知識。
先算清楚：125km/h意味著什么
125km/h換算后約為每秒34.7米。也就是說，車輛每向前行駛一秒，就會跨過接近十層樓的高度。如果駕駛員從發現危險到踩下剎車需要一秒，那么在制動真正開始前，車輛已經向前移動了約35米。夜間情況更棘手。
近光燈照射距離、事故車是否開啟警示燈、道路坡度和駕駛員注意力，都會影響發現障礙的時間。假設駕駛員在距離障礙物50米時才看清前方，以125km/h行駛，留給人的時間只有約1.4秒。若識別距離縮短到30米，碰撞時間將不足一秒。
這也是夜間高速靜止障礙格外危險的原因。問題不只在于車輛能不能剎住，還在于系統能否更早發現，以及剎不住時能否安全繞開。
這次避險，系統可能經歷了三個階段
從公開畫面看，這次處置并非單純的AEB緊急制動，而是感知、制動和轉向共同參與的結果。
第一階段：識別靜止障礙
高速行駛時，靜止車輛并不一定容易識別。視覺系統需要判斷前方物體究竟是一輛停駛車輛、道路背景，還是路邊設施。毫米波雷達擅長測量距離和速度，但部分傳統系統會過濾靜止目標，以減少護欄、路牌等物體造成的誤報。激光雷達可以提供更直接的三維距離信息。千里浩瀚H7方案使用192線前向激光雷達，標稱最遠探測距離為200米。這個數字代表傳感器在特定條件下的探測上限，并不等于系統能在200米外穩定識別所有障礙。
真正影響安全的是“有效識別距離”：系統在多遠的位置確認目標、完成分類，并判斷它是否侵入本車行駛路徑。激光雷達受環境光影響相對較小，但雨、霧、雪仍可能削弱點云質量。因此，實際車輛通常會結合攝像頭、毫米波雷達和激光雷達的信息進行判斷，而不會只依賴單一傳感器。
第二階段：判斷能不能剎住
識別障礙后，系統需要估算碰撞時間，并計算當前距離是否足夠制動。高速制動距離受車速、輪胎狀態、路面附著力、車輛載荷和制動系統響應速度影響。速度越高，制動距離增長越快。即使傳感器發現了目標，車輛也可能已經進入“只剎車無法避免碰撞”的區域。AEB的作用是在碰撞風險達到閾值后主動減速。不過，系統也不能見到疑似障礙就全力制動。高速誤剎同樣可能造成追尾。
因此，主動安全系統一直在兩個風險之間權衡：介入太晚可能撞上障礙，介入太早又可能制造新的危險。端到端模型可以直接從傳感器信息中學習復雜場景的處置方式，但模型架構本身不等于安全。判斷它是否可靠，還要看誤觸發率、不同天氣下的穩定性，以及對罕見障礙的識別能力。
第三階段：邊減速，邊尋找避讓空間
如果系統判斷剩余距離不足，緊急轉向輔助可能介入。千里浩瀚使用AEB與G-AES協同：AEB負責降低速度，G-AES根據相鄰車道的車輛、護欄和可用空間規劃避讓軌跡。轉向幅度過大會導致車輛失穩，幅度過小又繞不開障礙，因此系統需要持續調整方向、制動力和車身姿態。這種“邊剎邊繞”比單純制動復雜得多。它至少需要同時確認三件事：
本車道上的障礙確實構成碰撞風險；相鄰區域存在足夠的避讓空間；轉向之后不會與其他車輛或道路邊界發生二次碰撞。
公開視頻中提到系統在約20米位置介入。如果這個數字指的是開始明顯制動或轉向的位置，那么從20米行駛到障礙物只需約0.58秒。系統很可能在更早之前已經開始感知和判斷。否則，僅靠最后20米很難完成完整避讓。因此，“提前20米識別風險”需要進一步區分：它指首次探測距離、確認風險距離，還是執行動作距離。三者含義并不相同。
為什么還要識別紙箱、錐桶和動物？
傳統主動安全測試通常集中在車輛、行人和騎行者。真實道路上的障礙卻遠比測試模型復雜。高速公路可能出現掉落的紙箱、散落貨物、錐桶、輪胎、石塊甚至動物。它們的外形、材質和運動方式差異很大。有些障礙很輕，緊急轉向可能得不償失；有些看似普通，卻足以導致爆胎或車輛失控。
系統需要判斷的不只是“前面有沒有東西”，還包括：
它是不是可以駛過；碰撞后果有多嚴重；制動能否降低風險；轉向會不會帶來更大的風險。
所謂“全目標識別”，更準確地說，是擴大系統能夠處理的目標類型。任何量產系統都很難保證識別所有未知障礙。用戶更應該關注具體測試條件、成功率和失敗案例。
連續兩次避讓難在哪里？
一次避讓結束后，車輛往往仍處于高速運動狀態，車身姿態也尚未完全穩定。如果新的障礙緊接著出現，系統必須重新感知環境、判斷風險并規劃第二條軌跡。這類場景可能出現在施工路段、連環事故或貨物散落區域。第二次避讓的難點在于，系統沒有充足時間“重新開始”，只能在第一次動作尚未結束時繼續決策。
連續避讓能力擴大了系統的處置范圍，但它仍受相鄰車道空間、路面附著力和車輛穩定性限制。沒有可用空間時，系統無法憑空創造一條安全路線。
百億公里數據能說明什么？
公開資料稱，千里浩瀚相關系統積累了百億公里行駛數據，并記錄了890萬次避險和240萬次AEB觸發。大規模數據的價值在于發現長尾場景。例如逆光中的靜止車輛、施工區異形障礙，以及被大型車輛遮擋的行人。工程團隊可以通過這些案例訓練模型、復現問題并調整策略。不過，數據規模并不直接等于安全水平。判斷一套系統是否成熟，還要看數據如何篩選、危險場景是否充分覆蓋，以及軟件更新后是否進行了完整的回歸測試。同樣，“最高支持130km/h剎停”或“可在150km/h觸發AEB”這類指標，也必須結合目標類型、初始距離、路面條件和測試標準理解。脫離測試條件，只看最高速度，容易高估系統能力。
主動安全能做什么，也不能做什么
這次夜間避險案例說明，傳感器和輔助駕駛系統確實可能比駕駛員更早察覺風險，并在極短時間內同時控制制動與轉向。它不能說明系統在所有場景下都會成功。傳感器可能受到惡劣天氣、污損和遮擋影響；算法可能誤判罕見目標；相鄰車道也不一定總有空間。當前量產輔助駕駛系統仍要求駕駛員保持注意力，并為車輛保留足夠的跟車距離。
主動安全真正有價值的地方，是在駕駛員反應不足、視野受限或判斷失誤時，多提供一次避免事故的機會。評價這類技術，也應回到幾個可驗證的問題：多遠能發現、多久能決策、多少速度能夠降下來，以及避讓過程中是否會引入新的風險。125km/h下，每提前一秒識別危險，就多出約35米的處置空間。這35米，才是整套主動安全系統爭取的東西。
