越野机器人给自动驾驶上了一课：感知融合与路径博弈

山路比城市路更“诚实”。上周还能通行的小径，今天可能被倒木封死；雨后一脚下去，泥地的摩擦系数瞬间变脸；看起来“平整”的浅水坑，可能足以让轮式机器人打滑、陷车。2026-02-03 这个时间点回看自动驾驶行业的争论，会发现一个常被忽视的事实：真正考验自动驾驶 AI 的，不是路面有多标准，而是世界有多不稳定。

我很喜欢把这类户外机器人研究当作“放大镜”。因为在徒步小径上，几乎没有车道线、红绿灯或高精地图的保护伞；环境变化频繁、观测噪声更大、边界条件更极端。能在这种场景里跑通的“感知—决策—规划”链路，往往能反推我们该如何看待汽车自动驾驶的两条路径：Tesla 更偏“视觉+端到端”的 AI 叙事，以及中国车企更偏“多传感器融合+工程安全冗余”的落地策略。

本文来自“人工智能在机器人产业”系列，借助一项“机器人自主导航徒步小径”的研究，拆解三个更接地气的问题：为什么感知融合不是“堆料”，而是对不确定性的管理？为什么路径规划必须“边走边改”？以及这些经验如何映射到 Tesla 与中国车企的自动驾驶路线之争。

真实世界的核心难题：不确定性不是噪声，而是常态

直接答案：**户外小径导航的本质，是在观测不完整、地形不断变化的条件下，持续做“足够安全”的局部最优选择。**这和城市自动驾驶一模一样，只是城市把很多不确定性用规则、设施与数据“包了起来”。

研究者指出，徒步小径的难点不在“看见障碍物”这么简单，而在于障碍物与路况的组合会不断刷新：

• 维护不足导致的裸露树根、松石、坑洞、断面
• 风暴后形成的积水、泥泞、冲刷侵蚀
• 上坡、侧坡、台阶式高差等几何风险
• “看起来像路”的地面，实际承载力或摩擦完全不同（沙地 vs. 硬土、浅水坑 vs. 干地）

这类问题放到汽车上，就是：施工路段临时改道、井盖塌陷、路面反光积水、雨雪导致的车道线消失、阴影与眩光造成的视觉误判。不确定性并不会随着模型参数变大而消失，它只会以更刁钻的方式出现。

一个很硬的现实数据是：仅美国联邦土地上的步道就超过 193,500 英里（约 311,000 公里）。这种规模意味着“靠人巡检、靠经验驾驶”不可能覆盖全部场景，机器人与自动驾驶系统必须学会在复杂环境里自洽。

感知的两条腿：几何（LiDAR）+语义（视觉）为什么要一起用

直接答案：几何感知擅长“哪里不能去”，语义感知擅长“这是什么、该优先走哪儿”，把两者融合才能在复杂地形上稳定输出可用的可通行性地图。

这项研究的关键做法很朴素：用两种互补视角理解世界。

几何视角：LiDAR 负责坡度、台阶和大障碍

LiDAR 的优势在于测距与形状：斜坡角度、地面起伏、落差、巨石、树干这类“几何上明显不安全”的风险，它看得很稳。对应到汽车，就是对立体障碍物、路缘、护栏、车辆外形的高置信识别。

但几何也有盲区：

• 小障碍（细小树根、碎石堆）可能在分辨率或稀疏点云下被弱化
• 几何相近但物理属性不同的地面（硬土 vs. 松沙、浅水 vs. 干地）在点云上很像，但通过性差异巨大

语义视角：相机负责“识别这是不是路、是不是坑、是不是草地”

研究团队构建了徒步小径数据集，把图像标注为 8 类地形（例如：小径、草地、岩石、树干、树根、坑洞等），训练语义分割模型。模型在识别“既有小径”方面表现突出——这点很关键：很多时候，系统真正需要的是“偏好”，而不是“绝对正确”。

但语义也不可靠：光照变化、阴影、逆光、雾气、树叶遮挡都会让纯视觉系统波动。你在城市里看到的“夜间雨天识别难”，在林地里只会更夸张。

融合的落点：可通行性地图（Traversability Map）

他们把语义标签通过深度投影到 3D，再与 LiDAR 的几何可通行性分析融合，最终形成一个统一的可通行性地图：空间中的每个点都有一个“通过代价/风险成本”，并且对“小径”赋予更低成本（更优先）。

这件事映射到车企路线之争时，就特别清楚了：

• 多传感器融合路线（更像中国车企主流）：希望用 LiDAR、毫米波雷达、摄像头各取所长，提升在雨雪、夜间、逆光等“视觉脆弱时刻”的稳定性。
• 偏视觉/AI-only 路线（更像 Tesla 的叙事）：希望通过大规模数据与模型能力，提升对语义世界的理解，把“看懂”当成第一性。

我的看法更直白：**在不确定性更高的环境里，感知融合不是堆配置，而是把风险来源拆开管理。**你不可能要求单一传感器在所有条件下都稳定，就像你不会只靠一张地图去徒步穿越不断变化的山路。

规划不是一次性算完：为什么要“边走边重算”

直接答案：在动态、未知、可通行性不断变化的环境里，最靠谱的规划方式是分层规划+滚动重规划（receding horizon）。

研究采用层级规划：

1. 全局层：不试图一次性规划到终点，而是滚动式地不断生成中间航点。
2. 算法层：定制 RRT*，让搜索更偏向可通行性概率更高的区域，并把可通行性数值当作代价函数。
3. 局部层：在航点之间用预计算的弧线轨迹实现运动，并结合可通行性与地形分析进行避障。

这个设计带来一种很“像人”的驾驶风格：优先走小径，但不固执。

• 前方小径被巨石挡住？系统允许短暂绕到草地等安全区域
• 绕过危险后再回到小径？系统会主动“重归正道”

把它换成城市语境，就是：临时施工导致车道不可用时，合理借道/绕行；绕过事故点后，回到原本更安全、更高效率的路线。

这里有个值得车企反复咀嚼的点：**“遵守规则/车道”与“确保安全”并不是永远一致。**真正成熟的自动驾驶系统，会把“规则偏好”写进代价函数，而不是写成硬约束。

从徒步小径到城市道路：Tesla 与中国车企的路径差异怎么看

直接答案：两条路线都在追求同一个目标——可扩展的安全，但它们对“如何对抗不确定性”的答案不同：Tesla 更依赖数据与模型的语义理解，中国车企更依赖多源传感器与工程冗余。

相同点：都在做“可通行性成本”的最优化

不论是小径还是城市路，系统最终都要把世界压缩成可计算的形式：哪里风险低、哪里风险高、怎么走最划算。研究里的 traversability map，本质上就是自动驾驶里的“可行驶区域+风险代价图”。

差异点 1：感知冗余 vs. 模型归一

• 在林地场景里，纯视觉受光照影响很大；纯几何又难以区分“看似平整但会陷车”的地面。
• 因此融合是自然选择：用 LiDAR 保底几何安全，用语义分割识别“路”和“非路”。

城市自动驾驶同理：当你必须在夜雨、逆光、隧道口、雾霾等场景里保持稳定输出，多传感器更像是在买“下限”；而纯视觉/端到端路线更像是在赌“上限”。

差异点 2：重规划频率与策略

研究强调滚动重规划，因为环境变化太快、地图不可靠。汽车自动驾驶在中国城市里同样需要高频重规划：外卖电动车突然横穿、路口临停、潮汐车道、临时围挡。越是“人味儿重”的交通系统，越像徒步小径。

差异点 3：工程化目标不同

这项研究还提到“尽量不离开小径”，因为越野会破坏植被、加剧侵蚀、干扰野生动物。对应到车的世界，就是合规、礼让、对弱势交通参与者的保护。很多时候，系统不是“能走就行”，而是要在社会规则里行驶。

如果把这句话写成行业共识，我会这样说：

自动驾驶不是在找一条能走的路，而是在找一条对所有人都更可接受的路。

给研发与产品的三条可落地建议（也适用于机器人团队）

直接答案：想把自动驾驶/移动机器人做稳，优先抓三件事：不确定性建模、可通行性代价设计、数据覆盖季节与极端光照。

1. 把“偏好”写进代价函数，而不是写死规则

   • 研究用“偏好小径”的低代价实现“更像人”的行为。
   • 车端同理：对车道保持、对行人让行、对非机动车保持距离，应该是可调的成本项，而不是一条条 if-else。

2. 针对失败场景做传感器互补测试

   • 给相机制造最难条件：逆光林荫、夜间强反光、雨雪泥点遮挡。
   • 同时验证几何传感器对小目标、软障碍的误差模式。
   • 目标不是证明“我都能行”，而是明确“我什么时候不行”，并设计降级策略。

3. 数据集要跨季节、跨地形、跨城市风格

   • 研究下一步就提到扩展到不同季节与步道类型。
   • 对汽车来说，季节变化等同于域迁移：冬季反光雪地、南方雨雾、北方风沙、沿海强盐雾。
   • 真正有效的数据策略不是“更多”，而是“覆盖转折点”：最容易翻车的那 5% 情况。

结尾：更复杂的路面，往往带来更清晰的答案

徒步小径导航的价值，不在于未来会有多少“山地送货机器人”，而在于它逼着我们正视自动驾驶的本质：系统必须在不确定性里持续做决定，并对失败留出余地。

从这项研究可以得到一个非常汽车行业的启发：当环境开始“像山路一样变化无常”，你就会更愿意接受多源感知融合、更愿意采用滚动重规划、更愿意把规则当成成本而非枷锁。它也解释了为什么 Tesla 与中国车企会走出不同路径：不是谁更“先进”，而是谁更适配自己要面对的道路与监管现实。

接下来更值得讨论的是：当城市道路越来越像“半结构化的徒步小径”（施工常态化、混行更密集、天气更极端），自动驾驶 AI 的答案会不会也越来越像这台 Husky 机器人——能识别路、偏好走路，但关键时刻敢绕开风险，并且随时重新规划？