技术巡猎蔚来 一种行人距离的估计方法---“行人离车到底有多远”是至关重要的事情，对于智能驾驶来说，它是很多安全动作的前提，不要开始先去想什么一堆宏大叙事，先把眼前这个人看准最重要。距离错了，后面很多判断都都是不靠谱的。AEB什么时候介入，路径如何弯弯绕，制动要不要更果断，底层都绕不开这一步。

沿着“原始图像、视觉信息”是比较常规的做法，蔚来有一个新思路：把人抽象成骨架，再用骨架去估距离。获取到的行人骨架特征信息，会送进自适应图神经网络处理，再经过注意力机制聚合，最后通过多层感知机去估计行人距离。

也就是说，相比于关注“这个人长什么样”，“这个人为什么这么站、身体的关键点怎么分布”更重要。好处是直接的，原始图像信息当然更丰富，但脸、衣服、背景这些东西也都在里面，隐私问题一直是绕不开的，混合方法虽然结合了几何和图像信息，依然存在图像隐私泄露问题，而且几何信息还局限在2D边界框层面。但如果模型尽量少看人的细节，只保留骨架这种结构信息呢？还能不能把距离估得足够准？

难点就在这。骨架看着毫无隐私问题，好像信息少了就简单了，实际上一点都不省心。白天、无遮挡的时候还好，逆光、夜晚、多人交错、身体遮挡这些场景，骨架上的“点”是很容易出现漂移的。头、手这些位置更为活跃，也更容易不稳定；肩、胯、躯干反而通常好一点。也就是说，算法拿到的并不是一副完美的人体结构图，而是一副多少带着噪声的草稿。

这篇专利真正要解决的，就是这个噪声问题。

它首先从原始图片里提取行人骨架的相对3D坐标，再把这些坐标转换到球坐标系里，而且不是只留一份，而是做成“双重表示”---把球坐标下的原始骨架坐标和重新定心后的坐标拼接在一起。这一步别看名字有点学术，翻译成人话其实不复杂。它是在尽量削弱“这个点在画面里刚好落哪儿”的偶然性，更强调骨架本身的角度关系、展开方式和相对结构。因为单目相机做距离估计，本来就不是一件轻松的事，绝对深度往往最脆弱，姿态关系反而更稳定一些。

再往后，它用的不是固定的人体骨架拓扑，而采用了自适应的GCN。假设所有骨架特征点之间都存在边，并让网络自动学习边连接和相应权重，用线性层去学习信息流动的方向和量。这里特别强调了，骨架点误差并不均衡，因此网络不仅要学习点和点之间的拓扑关系，还要考虑不同点的误差差异。

这就很像真实世界的判断方式了。不是每个骨架点都一样可信，也不是每条连接都一样重要。头部的“点“如果漂移得厉害，就别让它在信息传播里声音太大；躯干点如果更稳，就让它承担更多权重。这个逻辑其实很朴素，很多算法的问题并不是原理不高级，而是默认世界太整齐、且均衡了，默认了每个输入都同样可靠，可是事实上，现实并不如此。

后面它又接了一层注意力机制来做骨架特征聚合，再交给回归网络输出结果。这里用的是单层注意力机制，并采用了torch中的多头注意力，主要是继续追问：哪些特征对距离估计更关键，哪些信息值得被重点保留。

把整条链路放在一起看，它主要是在处理三个问题：第一，如何减少对原始图像的依赖；第二，如何压住骨架噪声；第三，如何把有限的信息榨出更稳的距离估计结果。

当然，它也有边界。骨架路线再好，前提也是骨架先得提出来。极暗光、强反光、多人遮挡、雨雪干扰这些场景，前端骨架质量一旦明显下滑，后面的模型再好，也只能尽量少犯错，不可能凭空把不存在的信息补出来。所以这类方案更像是感知链路里的专项增强模块，不是万能钥匙，但这不影响它的价值。