Mobileye如何提升道路上的动物检测能力 - 厂商动态 - AI汽车网

Mobileye如何提升道路上的动物检测能力

Mobileye 2026-10-29

野生动物碰撞事故仍是全球道路安全面临的一项重大挑战。动物可能突然闯入道路，行动轨迹难以预判，留给驾驶员的反应时间十分有限。

随着高级驾驶辅助系统（ADAS）与自动驾驶技术持续迭代发展，动物检测技术始终是重要的研发方向。要实现该项功能，系统需要能够处理偶发的动物遭遇场景、应对动物物种的高度多样性，以及完全非线性的运动行为。

据估计，欧洲每年发生的有蹄类动物与车辆碰撞事故超过 100 万起。

根据 2025 年发表于《全球生态与保护》期刊的一篇论文，美国每年约发生 150 万至 210 万起鹿与车辆碰撞事故，造成多达 440 人死亡、2.6 万至 5.9 万人受伤，财产损失超过 100 亿美元。

动物行为为何难以预判

在日常驾驶中，遭遇动物的情况相对少见。一旦发生此类情况，动物可能突然出现，也可能受到部分遮挡；等到驾驶员发现它们时，留给驾驶员的反应时间可能已经所剩无几。车速越高，可供反应的时间窗口就进一步缩小。

这使得人们很难通过日常驾驶采集到连贯的训练数据，而人为设计这类遭遇场景，又可能使驾驶员和动物面临风险。

因此，工程层面要解决的并不仅仅是“在清晰画面中识别出动物”，更重要的是：当最关键的样本出现频率低、视觉形态多变且往往不完整时，如何构建稳健的检测与跟踪能力。

与车辆、行人这类运动模式相对熟悉的目标不同，动物的运动方式往往既非线性，也不易预测。袋鼠就是一个典型例子：它不会行走，依靠跳跃形成独有的运动模式，需要动物检测系统学习识别和理解。

为优化动物检测能力，Mobileye 使用规模庞大、类型多样的数据集训练深度学习模型，数据集包含数十个动物类别、数万张图像，涵盖不同光照条件、观测角度、运动轨迹、姿态和运动模式，同时兼顾动物的体型、外形、所处位置、运动状态，以及动物大类内部巨大的个体差异。例如，马和牛的运动模式就有所不同。

综合考量以上各类要素，能够帮助模型学习大量可用于检测的特征线索。

以印度市场为例，Mobileye 基于前置摄像头采集的图像，对算法开展大规模训练，使其能够识别处于不同姿态、不同视角，以及位于道路上或道路周边的牛。

补充真实世界数据

为扩充数据集规模，训练阶段会采用 AI 生成数据对真实路测数据形成补充。例如，研发人员可以在高速公路场景中合成不同种类的动物，让模型接触到那些在现实世界中难以大规模采集的罕见或特殊场景。

这种数据组合能够扩大场景和动物种类的覆盖范围，但不能替代真实驾驶数据，也不能免除严谨的验证工作。

运动轨迹跟踪

除了 AI 生成的训练数据之外，模型还会分析连续多帧图像信息，以此预判动物可能发生的运动。该系统旨在通过持续追踪动物位置、运动轨迹与运动状态随时间产生的变化，估算动物下一步可能移动到的位置。

例如，鹿突然朝车道方向窜动时会产生特定运动特征，系统可依据该特征研判事态发展走向。

检测体型各异、距离远近不同的动物，还需要多尺度的视觉信息。为同时捕捉细微视觉特征与大范围环境场景，Mobileye 的动物检测模型会并行处理同一帧摄像头图像的两种分辨率，之后融合两路视觉信息做进一步运算处理。

高分辨率输入保留了精细视觉细节，有助于识别小型、远距离或是局部被遮挡的动物；而低分辨率输入则能够高效捕捉周边环境的整体信息。

现实世界动物物种的高度多样性、识别小型/远距离动物所需的双分辨率处理机制，以及用于扩充训练样本的 AI 生成场景，每一次检测背后都涉及大量运算处理。

Mobileye 的 EyeQ™6H 系统集成芯片（SoC）专为高效低功耗运算设计，旨在为上述运算负载提供实时算力支撑。

展望未来

动物并不会为适配车载摄像头而变得行为可预测。但与之配套的整套工程技术体系可以持续优化：拓展且审慎完善训练样本覆盖范围、具备运动感知能力的目标跟踪、多尺度视觉处理，以及能够在车上稳定承载上述计算任务的硬件。

多样化数据、用于补充真实路测数据的 AI 生成场景、时序分析以及区域化适配，共同构成 Mobileye 持续迭代动物检测技术的重要组成部分；该技术的研发工作仍在推进，而动物检测本身仍是一项具有固有不确定性的技术难题。

内容来源：Mobileye

责任编辑：龚淑娟

审　　核：李峥

地址：北京市西城区百万庄大街22号院2号楼3层A区
电话：010-63326090
邮编：100037

Copyright 2001-2022 Jigong Vogel All Rights Reserved.
京ICP备12020067号-15
京公网安备110102001177号

投稿
AI汽车制造业

订阅号
服务号
视频号
小程序
加入我们
18518227486

客服
回顶部