追尾事故降发生：超低功耗滴滴桔视ADAS落地实践

原创 Gavin 滴滴技术

桔妹导读：道路交通事故每年都给人类带来巨大的生命和财产损失。滴滴作为交通领域的深度参与者，不断地探索降低交通事故的方法。本文重点介绍车载视觉团队是如何在滴滴的场景下，在桔视设备上，使用超低功耗的桔视ADAS（高级辅助驾驶系统）技术，降低交通事故发生率，守护司乘安全。

前言

道路交通事故是一种世界性的公害，每年都给人类带来巨大的生命和财产的损失。滴滴作为交通领域的深度参与者，不断地探索降低交通事故的方法。

近些年ADAS（高级辅助驾驶系统）逐渐进入大众的视野，在前装汽车中的渗透率也在不断提高。但对于滴滴司机驾驶的私家车来说，ADAS覆盖率仍然非常低，只能依赖后装的ADAS系统。

相信很多人在乘坐滴滴的时候，见过前挡玻璃上的桔视行车记录仪，偶尔也能听到“注意前车”，“请保持车距”，”前车刹车“等语音提醒。在此款设备上，我们研发了后装ADAS系统。该系统支持前向碰撞预警（FCW），跟车过近提醒（HMW），前车刹车提醒（BLW），前车起步提醒等功能。

本文将阐述，我们是如何在滴滴场景下，在桔视设备上，使用超低功耗的桔视ADAS（高级辅助驾驶系统）技术，降低交通事故发生率，守护司乘安全。

应用背景

对历史交通事故的分析表明，同责及以上事故中，追尾事故占比60%，远高于其他事故类型，而追尾事故中又有80%是由于跟车过近所引起的，可见司机的驾驶习惯和交通事故有较强的关联性。驾驶过程中无意识的跟车过近，常常会导致驾驶员在前方突发紧急情况时无法及时作出反应，从而引发追尾事故。

国内外分析数据表明，ADAS是避免交通事故的一种有效手段。安盛的分析报告表明，只要1.5s的事前提醒，就能够避免90%的事故[1]。美国IIHS机构数据表明，FCW功能能够减少69%未刹车追尾[2]；

桔视ADAS融合前置摄像头、后置摄像头、IMU、GPS等多种传感器，联动设备端上DMS、碰撞检测、驾驶行为检测等多种算法，识别隐患场景，以实时提醒的方式，干预司机驾驶行为，培养司机良好的驾驶习惯，从而降低追尾事故率。

桔视ADAS落地后的效果

依靠桔视强大的AIoT平台、近百万量级的设备在线量，我们能够通过设备端的边缘计算，云端大数据分析，司机乘客主动反馈等渠道，主动或被动地获取交通事故数据。通过GPS，IMU，前后摄（订单内）的数据，我们能够完整地还原交通事故的整个过程，也能够客观，公正，精确地评估ADAS运行效果。

桔视ADAS上线后，进行了为期一个月的AB实验。数十万台设备，数亿公里的行驶里程，最终证明：

亿公里追尾事故率能够显著降低11.4%，整体事故率降低9.1%
尤其是在高峰期，亿公里追尾事故率显著降低16.7%

桔视ADAS解决方案

现存的ADAS解决方案，往往需要超大的算力支持，使用GPU/NPU等专用加速芯片，支撑T级别算力要求。但出于成本、单次长时间运行的功耗与稳定性等方面的考虑，桔视还无法满足此类算力的需求。

桔视行车记录仪，使用MTK8665芯片处理器，四核ARM Cortex-A53，最高可达1.5GHz。虽然桔视体积小，但内部运行着众多业务逻辑，只能预留给ADAS 5%的算力。为了能在如此苛刻条件下运行ADAS系统，我们提出了超低功耗ADAS解决方案。

整体方案如下所示：

ADAS算法在桔视设备的落地应用过程中面临许多挑战：

桔视算力有限而算法众多，如何实现超低功耗的实时目标检测？
轻量级模型误差大，抖动剧烈，如何提升目标检测框稳定性？
桔视设备安装角度各异，如何进行灭点标定？
报警时间与事故率紧密相关，如何提升报警及时性？
实际驾驶中复杂场景众多，如何挖掘长尾难样本？

▍4.1 超低功耗前车检测

随着深度学习领域的火热发展，在图像目标检测领域，已经出现多款可落地的检测框架。以下视频是使用云端大模型TridentNet[3] (ResNet-101)，在桔视录制的前摄视频中可视化的前车检测结果。在Nvidia K80 GPU上，单帧耗时数百毫秒。

如此庞大的模型，无论是在云端还是边端，都无法满足ADAS实时性要求。

为了提高实时性，出现了一些轻量级的检测框架，比如目前比较流行的轻量级Backbone结合单阶段检测框架YOLO [4]、SSD [5] 等。

下图是云端模型的渲染效果。其中红色框为云端大模型TridentNet的检测结果，蓝色框为云端轻量级ShullfenetV2 + SSD[6]的检测结果，绿色是我们的方案。从图中，我们可以明显看出，红色TridentNet检测结果不论是从目标框的稳定性上，或者是从左侧波形的抖动程度上，还是从右侧目标中点的离散程度上，都要远优于绿色小模型的检测结果。

从检测效果看，与云端大模型相比，小模型的检测稳定性差了很多，这对整体报警策略带来巨大的挑战。

业界通用的多目标检测+多目标跟踪+车道线检测的方案，并不适用于桔视的低功耗边缘计算场景。于是我们将问题简化为单一前车检测问题，结合现有条件及ADAS特性，提出了自己的单目标检测框架：ZoomNet。ZoomNet包括前车检测模型和基于时序融合的模型调度策略ZoomTracker。

在将问题简化为单一前车检测后，我们提出了基于anchor回归的模型。前车回归模型包含分类和回归两个分支，分类分支输出前车有无，回归分支估计前车位置。在回归分支之中，我们将回归坐标转化为回归基于anchor的偏移量。

以下图中，960x960的crop区域为例，我们每隔120像素设置了一个anchor，一共8个anchor，也就是下图中的0到840。我们并不直接回归y2，而是回归y2相对于这8个anchor的偏移量delta，即

在模型推理阶段，回归分支会预测出相对于每一个anchor的偏移量delta，以模型融合的思想，将所有anchor和delta回归分支求和取平均，即可得到y2。

anchor设置如下图：

为了进一步提升计算速度，我们又使用滴滴自研的IFX模型加速框架，对我们的超轻量检测模型进行计算优化，最终在4A53上占用小于5%的前提下，实现实时前车检测。

▍4.2 稳定性

由于轻量级模型的复杂度和性能有限，在单帧图像上的检测结果会存在以下问题：小目标难以检出、包围盒误差大、目标丢失、目标误检、鲁棒性差(无法适应遮挡、夜间黑暗、反光、逆光、大雾、雨天等复杂场景)。

a) 小目标难以检出

b) 包围盒误差大

c) 目标误检

在单帧图片上模型准确率不高，在时序视频流上的表现会更不尽人意，会出现诸多不稳定情况，如目标丢失闪烁、包围盒抖动剧烈。

上述问题使得目标信息极为不稳定，为后续算法的使用带来极大挑战，且误差不断向后传播，严重影响整体功能的效果。

针对检测模型性能有限，我们提出一种时序信息融合结合模型调度的方式，实现物体检测框的高稳定性，能有效克服目标丢失误检、包围盒抖动等问题，在时序视频流上表现优越。

方案中包含2个深度网络模型和卡尔曼滤波器；

首先通过端到端的前车检测模型得出前车大致位置，再通过超轻量级的回归网络得出准确的前车包围盒。在下一时刻，利用历史检测结果对前车目标可能出现位置进行预测，在预测位置上直接进行回归。

通过时序融合的模型调度，在最终效果上克服了小目标、目标丢失误检、包围盒抖动、鲁棒性差的问题，并在时序目标检测稳定性误差上降低了23.3%。

具体示例可见下图，其中绿框为本方案结果，红框为人工标注的Ground Truth，蓝框为没有进行时序融合结果。从图中可以明显看出，绿色结果在目标框稳定性上、左侧波形抖动上、右侧中点离散程度上，均要远优于蓝色。时序信息的引入大大提高了轻量级模型检测结果的稳定性，在效果上逼近云端大模型。

▍4.3 相机安装位置标定

前车与本车的距离关系是识别隐患场景的重要条件，而线上设备安装角度各异给距离测算带来了很大挑战，那如何对大量已安装的桔视设备进行标定呢？桔视ADAS团队在落地实践中提出了两种方法。

4.3.1 基于深度学习模型回归消失点

业界通用的方法一般是通过车道线/直线检测计算消失点，但我们发现在不使用车道线检测的情况下，也可以用与前车检测相同的anchor回归的方式，使模型学习到消失点。

消失点回归可以实现设备俯仰角的标定，结合前车坐标，可以得到本车与前车的纵向车距。

4.3.2 基于数据统计估计水平灭点

通过深度学习模型可以回归车道线消失点，但难以回归水平灭点，实现偏航角的标定。偏航角误差会导致横向距离计算失准，将同车道前车误判为旁车道车辆。

基于模型检测到的前车与本车大概率处于同一车道的先验条件，我们使用了一种简单有效的方法估计水平灭点，即通过长时间统计模型输出，分桶估计水平灭点，得到参考性的本车直行的朝向。

▍4.4 报警及时性

4.4.1 TTC

TTC（time to collision）碰撞发生时间，是衡量碰撞预警效果的重要指标，计算方式如下：

即为两车车距/两车相对速度，一般取2.7s，意为在判断出按照当前车距与相对速度，还有2.7秒会与前车发生碰撞时，发出预警。行车记录仪前摄视场角大，远距离目标在画面中小，前车检测模型小且帧率有限，远距离前车检测结果易抖动，导致高速情况下难以对远距离前车进行及时预警。

4.4.2 前车刹车提醒

对高速场景下的事故数据进行分析后，我们发现高速场景下的事故与前车突然刹车，司机反应不及时有很高相关性。一般来说，高速行驶过程中，前车刹车，本车应相应刹车规避危险。

因此，在检测前车的基础之上，我们又提出了刹车灯分类模型以识别前车刹车状态。高速情况下，一旦前车刹车且车距满足一定条件，系统即发出预警信号，提醒司机注意，这也是桔视ADAS特有的预警功能BLW（前车刹车提醒）。BLW可以显著提高高速情况下的报警TTC，提升报警及时性。

▍4.5 长尾数据挖掘

在桔视AIoT平台上，运行着碰撞检测、驾驶行为检测和DMS等算法，它们可以准确识别碰撞事故、驾驶行为和司机驾驶状态。通过多算法联动，我们在端上直接捕捉高危场景，并主动将数据回流云端。依托桔视近百万量级的安装量，通过驾驶行为检测算法，分析报警后司机驾驶行为，得出报警的转化效果。利用这些自动化的ADAS算法反馈，配合OTA升级方式，我们实现了高频率的迭代优化。

为了覆盖复杂场景的长尾数据，我们还搭建了一条在线难样本挖掘链路。我们利用碰撞事故前的ADAS报警情况挖掘未召回的事故数据，利用ADAS报警后司机反应挖掘虚警数据。更近一步，我们积累了一批ADAS播报干预但没有帮助驾驶员避免交通事故的极难样本，针对性优化报警TTC，提升报警及时性。

挖掘回流的数据在云端会自动导入标注平台和实验评估系统。在标注平台中，通过深度模型算法预标注+人工，不断扩充数据集。在实验评估系统中，算法捕捉播报后驾驶员的转化行为，结合驾驶员历史行驶数据，自动化评估ADAS在降发生上的影响面、线上准召等多维度指标。

通过这一整套完整的数据链路，我们实现了对长尾复杂场景的覆盖，用数据驱动整套ADAS算法的迭代。

总结

本文总结了车载视觉团队在桔视ADAS方面工作，分享了桔视ADAS算法的整体架构。未来我们将在以下方面持续探索：

模型策略的持续优化，覆盖更多长尾复杂场景；
行人碰撞预警 PCW (Pedestrian Collision Warning)；

桔视ADAS将不断提升，全力帮助司机师傅避免交通事故，为司机和乘客的安全保驾护航。

引用：

[1] Board N T S. Special investigation report-highway vehicle and infrastructure-based technology for the prevention of rear-end collisions[J]. NTSB Number SIR-OI/ll, 2001.

[2] Farmer C M. Crash avoidance potential of five vehicle technologies[J]. Insurance Institute for highway safety, 2008.

[3] Li Y, Chen Y, Wang N, et al. Scale-aware trident networks for object detection[C]//Proceedings of the IEEE international conference on computer vision. 2019: 6054-6063.

[4] Redmon J, Farhadi A. Yolov3: An incremental improvement[J]. arXiv preprint arXiv:1804.02767, 2018.

[5] Liu W, Anguelov D, Erhan D, et al. SSD: Single shot multibox detector[C]//European conference on computer vision. Springer, Cham, 2016: 21-37.

[6] Ma N, Zhang X, Zheng H T, et al. Shufflenet v2: Practical guidelines for efficient cnn architecture design[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 116-131.

本文作者