1. 从一次惊险事故说起：主动刹车系统的“失灵”之谜
那天下午，我正和一位在主机厂做ADAS（高级驾驶辅助系统）测试的朋友喝茶，他手机突然弹出一条本地新闻推送，标题触目惊心：“汽车瞬间撞树，现场惨烈！”点开一看，是一段行车记录仪视频：一辆白色SUV在笔直的城市道路上行驶，前方并无其他车辆，路旁有一排行道树。突然间，车辆毫无征兆地向右偏离车道，以不低的速度径直撞向了路边一棵粗壮的树干。撞击瞬间，车头严重溃缩，气囊全开，现场一片狼藉。视频下方的评论区炸开了锅，最热的一条评论直指核心：“这车不是有主动刹车吗？关键时刻为啥不喊停？！”
这个问题，像一根针，扎进了我和朋友的职业神经里。作为从业者，我们太清楚公众对“主动刹车”、“自动驾驶”这些功能的误解有多深。很多人认为，只要车有这个功能，就应该像电影里的智能机器人一样，在任何危险时刻都能化险为夷。但现实远比这复杂。这次事故，就是一个绝佳的案例，让我们可以抛开厂商华丽的宣传话术，深入聊聊主动刹车系统（AEB）到底是怎么工作的，它的边界在哪里，以及为什么在某些看似“应该”起作用的场景下，它却沉默了。
主动刹车，专业名称叫自动紧急制动（Automatic Emergency Braking, AEB），它并不是一个独立的“神仙”，而是车辆感知、决策、执行三大模块协同工作的结果。它的核心任务是在驾驶员未及时反应时，自动实施制动，以避免碰撞或减轻碰撞后果。请注意，这里的关键词是“减轻”，而非“绝对避免”。接下来，我们就以这次“撞树”事故为引子，拆解这背后的技术逻辑、设计局限和那些车主必须知道的“安全边际”。
2. 透视主动刹车：一套精密的“感知-决策-执行”链
要理解它为何“失灵”，首先得明白它是如何“工作”的。这套系统可以看作一个不断循环的“反射弧”。
2.1 感知层：系统的“眼睛”与“耳朵”
这是所有故事开始的地方。目前主流的感知方案是摄像头+毫米波雷达的融合方案，少数高端车型会加入激光雷达。
毫米波雷达：主要负责测距和测速。它发射毫米波，通过回波计算前方物体的距离和相对速度。它的优势在于不受天气（雨、雾、雪）和光线影响，探测距离远（通常可达200米以上），能直接测量速度。但它对物体的材质和形状不敏感，一个金属路牌、一个静止的三角锥桶和一辆车，在雷达眼里可能只是反射强度不同的“点”。更重要的是，雷达对静态物体的滤除是一大难题。如果不过滤，路上每一个路灯杆、每一块交通标志都会引发误刹车，体验将灾难无比。因此，算法会倾向于过滤掉那些静止的、被认为是“背景”的回波点。
单目/双目摄像头：主要负责识别和分类。它像人眼一样，通过图像识别算法，判断前方物体是车辆、行人、自行车，还是其他。它能识别车道线、交通标志。但它的弱点也很明显：受光线（逆光、夜间）、天气（大雨、大雾）影响极大；测距精度依赖于准确的焦距标定和复杂的算法，对静止或横向移动的物体测距不如雷达直接。
回到撞树事故：一棵静止的、与道路平行且有一定距离的树。在毫米波雷达看来，这可能是一个微弱的、静止的反射点，极有可能在信号处理阶段就被当作“道路背景杂波”给过滤掉了。而在摄像头的视野里，这棵树可能位于图像边缘，或者因为纹理、颜色与背景相似，未被算法识别为“需要紧急避让的障碍物”（如车辆、行人）。感知层的第一关，可能就没通过。
2.2 决策层：系统“大脑”的复杂博弈
感知层把数据送来后，决策层（通常是域控制器中的算法）开始高速计算。这里有几个核心逻辑：
- 目标融合与跟踪：将雷达测到的“点”和摄像头识别出的“框”进行匹配、融合，形成一个更可靠的“目标”信息，包括其位置、速度、类型，并预测其轨迹。
- 碰撞时间（TTC）计算：这是触发AEB的核心指标。TTC = 自车与目标的距离 / 相对速度。系统会设定一个或多个阈值（例如，TTC<2.7秒预警，TTC<1.5秒部分制动，TTC<0.8秒全力制动）。
- 场景判别与策略选择：这是最复杂的部分。系统需要判断当前场景：是跟车？是十字路口穿行的行人？还是旁边车道有车切入？不同的场景，AEB的触发策略和激进程度完全不同。
关键局限在于对静止物体的策略：出于防止误触发的考虑（如前文提到的路牌、龙门架），绝大多数AEB系统对完全静止的、且位于行驶车道之外的物体，采取极为保守的策略，甚至直接不将其列为高风险目标。工程师们称之为“静止物体抑制”。因为如果对每一个静止物体都敏感，在城市里你可能寸步难行，频繁的误刹车会带来巨大的安全隐患和糟糕的体验。那棵树，很可能就被归类为“无需响应的静止物体”。
2.3 执行层：最后的“肌肉”反应
当决策层判定危险，发出制动指令后，执行层（ESP车身稳定系统或集成式线控制动系统）需要接管刹车。现代汽车的线控制动系统可以在几百毫秒内建立最大制动力，这个过程本身很快。但如果前两层已经“失明”或“判断失误”，执行层再强也无用武之地。
注意：AEB启动制动后，如果驾驶员猛打方向试图避让，一些系统会退出AEB干预，将控制权交还给驾驶员。视频中车辆是“径直”撞上，可能驾驶员也未做任何转向干预。
3. 事故场景深度还原：为什么树成了“隐形杀手”？
结合上述原理，我们可以对事故做出更技术性的推演：
3.1 场景假设与系统状态推演
假设车辆以60km/h（约16.7m/s）的速度在车道中央行驶，驾驶员可能因分心（如看手机、调整空调）导致车辆缓慢右偏。此时，系统可能处于以下状态：
- 车道保持辅助（LKA）未工作或退出：如果驾驶员未开启LKA，或LKA在驾驶员持续施加转向力（即使是无意识的）时自动退出，车辆将不会自动纠正方向。
- AEB的感知盲区：树木位于车道线外，最初可能不在摄像头识别的“前方碰撞风险区域”内。随着车辆右偏，树木进入感知区域，但因为它是一个静止、非标准障碍物，雷达可能已过滤它，摄像头识别置信度也可能不高。
- 决策逻辑的“不作为”：系统算法可能将树木归类为“路侧静止杂物”，其碰撞风险等级被调至最低，未进入紧急制动判断队列。或者，系统计算出的TTC虽然变小，但因其类型非“车辆/行人”，触发阈值被设置得极高，直至碰撞无法避免。
- 驾驶员监控系统的缺失或未报警：如果车辆有驾驶员注意力监测系统，可能在车辆开始偏离时发出警报（声音或震动），但可能未被驾驶员注意或反应过慢。
3.2 与常见有效场景的对比
为了更清楚理解，我们对比一下AEB通常表现良好的场景：
| 场景类型 | 典型目标 | 感知难度 | 决策倾向 | AEB触发概率 |
|---|---|---|---|---|
| 跟车急刹 | 前方移动车辆尾部 | 低（雷达反射强，摄像头易识别） | 高（核心场景，策略激进） | 极高 |
| 行人“鬼探头” | 横向穿行的行人 | 中（摄像头识别关键，雷达可能滤除慢速目标） | 中（有专门的行人AEB策略） | 高 |
| 自行车穿行 | 横向或同向自行车 | 中（目标较小，但特征可识别） | 中 | 中等 |
| 本次事故场景 | 静止路侧树木 | 极高（雷达易滤除，摄像头难分类） | 极低（策略保守，抑制静止目标） | 极低 |
这张表清晰地揭示了问题所在：AEB系统是为处理“动态”、“可预测”的冲突而优化的，对于“静态”、“非典型”的障碍物，其能力存在设计上的固有短板。
4. 车主必读：如何与你的主动刹车系统正确相处？
知道了原理和局限，作为车主，我们不应该盲目依赖，而应该学会如何正确使用和理解这套系统，把它变成一个可靠的“副驾驶”，而非“全能保姆”。
4.1 明确功能边界：它不是什么？
- 它不是自动驾驶：AEB是辅助安全系统，责任主体永远是驾驶员。任何情况下，双手都不应离开方向盘，注意力都必须集中在路面上。
- 它不是万能的“防撞神器”：对于静止或缓行物体、交叉路口侧向撞击、后方来车、较小的物体（如宠物、掉落的小箱体）、以及恶劣天气下的障碍物，其性能会大幅下降甚至失效。
- 它的表现因人/车/环境而异：不同品牌、不同车型的AEB标定策略差异巨大。有的偏激进，敏感但可能误触发；有的偏保守，可靠但可能像本次事故中一样“沉默”。天气、光线、传感器清洁度都会影响其性能。
4.2 日常使用与维护要点
- 保持传感器清洁：定期擦拭前挡风玻璃内侧的摄像头窗口和前保险杠上的雷达罩。一层泥污或冰雪就足以让系统“失明”。
- 了解自己车辆的设定：在车机系统中找到ADAS设置菜单，了解AEB的灵敏度是否可以调节（通常为“早/中/晚”），并阅读说明书了解其工作范围（如速度区间：通常30-80km/h最有效）和限制条件。
- 切勿改装干扰：前保险杠贴膜、加装牌照框、安装不符合规格的拖车钩等，都可能改变雷达波的传播特性，导致性能异常。
- 注意系统状态提示：仪表盘上通常有AEB/前碰撞预警的图标。如果图标显示为灰色或带有禁用符号，表示系统当前不可用（可能因传感器脏污、天气恶劣、系统故障导致）。
4.3 当预警发生时，你该怎么做？
当车辆发出前碰撞预警（通常是急促的“嘀嘀”声或仪表盘闪烁）时：
- 立即接管：这是系统在告诉你，它已经检测到高风险，但可能不会或来不及自动刹车。你的正确反应是立刻全力踩下刹车踏板。
- 不要完全指望自动刹车：即使有AEB，你的脚也应该放在刹车踏板附近，养成预判刹车的习惯。AEB是最后一道保险，而不是第一道防线。
- 转向避让需谨慎：如果刹车距离明显不足，考虑转向避让。但要注意，猛打方向可能引发车辆失控（尤其是SUV等高重心车型）或撞向其他目标，需瞬间判断周边环境。
5. 行业反思与未来展望
这次事故也折射出智能驾驶行业发展中的一些挑战。
首先是用户教育的问题。厂商在宣传时，常常使用“自动”、“智能”、“保护”等词汇，容易让消费者产生不切实际的期待。我们需要更透明的沟通，明确告知消费者系统的能力和局限，就像药品说明书上的“不良反应”一样重要。
其次是技术本身的演进。当前的感知融合方案在面对“长尾场景”（如各种奇形怪状的静止物体）时仍力有不逮。未来的发展方向包括：
- 更高算力的感知融合：采用BEV（鸟瞰图）感知模型，更精准地还原3D环境，减少对规则物体识别的依赖。
- 激光雷达的普及：激光雷达能提供精确的三维点云，对任何障碍物，无论动静，都能精确测距，极大改善对静止物体的识别能力。成本下探是关键。
- Occupancy Network（占据网络）：这是一种更先进的感知范式，它不关心前方是什么“东西”，而是判断前方空间是否被“占据”。对于树木、石头、掉落货物等非标准障碍物，只要空间被占，就视为风险，从根源上避免了因“识别失败”导致的漏报。
最后是功能安全与体验的平衡。如何在不导致频繁误刹车（“幽灵刹车”）的前提下，尽可能扩大对静止危险物的保护范围，是工程师们永恒的博弈。也许未来，结合高精地图和车路协同，车辆能提前知道“这里有一棵树”，从而提前做出判断。
回到开头那个视频，评论区里的一句质问，背后是生命安全的沉重期待与技术现实之间的沟壑。主动刹车系统是一项伟大的、拯救了无数生命的技术，但它绝非完美。作为驾驶员，最安全的“系统”，始终是我们自己高度集中的注意力、良好的驾驶习惯和对车辆能力的清醒认知。技术是辅助，人才是安全的核心。在智能汽车时代，这份认知，比任何时候都更加重要。
的NSEs分数步(双分裂)方案附matlab代码)
