在近期的一次封闭高速路段测试中，懂车帝平台对36款标榜“智能驾驶”的汽车进行了多项极端场景挑战，诸如“高速公路上的突发施工”、“匝道内遭遇车辆强行并线”以及“道路上突然出现动物”等，这些均属于长尾且复杂的驾驶场景。测试中，尽管涉及“横穿的高速猪”这一非结构化对象的测试通过率最低，但“前车突然消失”的场景却引发了广泛共鸣，这或许是因为许多驾驶者都曾亲身经历过类似的惊险瞬间。
测试中，“前车消失”的场景设计尤为巧妙，它直接触及了智能驾驶辅助系统的一个薄弱环节——自动紧急制动（AEB）与高速导航辅助驾驶（NCA）之间的潜在冲突。测试设定为本车以120公里/小时的速度跟随前车行驶，当前车为躲避事故紧急变道时，本车需在极短时间内完成感知、决策与执行的全过程。遗憾的是，在参与测试的36辆车中，仅有5辆成功采取了规避动作。
尽管此次测试的条件变量不一致，导致结果的可信度受到一定影响，但其仍具有一定的参考价值。懂车帝指出，测试的关键并非排名，而是能否确保驾驶者的安全。在这一场景中，许多车型在AEB被触发后，NCA功能被抑制，导致车辆采取硬刹车，制动距离不足，最终撞上障碍物。更有甚者，部分车型未能识别出前方静止的障碍物，几乎未减速便直接撞上。
当前主流的智能驾驶系统普遍采用端到端架构，旨在通过神经网络将传感器输入直接映射为驾驶控制信号，以减少中间模块的误差传递，并避免系统失能。然而，这种架构在处理复杂且多变的驾驶场景时，往往显得力不从心。人类驾驶者在面对极端情况时，能够依据连续的画面和时序信息做出灵活决策，而许多智能驾驶系统则因采用静态数据输入，忽视了驾驶行为的连续决策本质，导致在需要随机应变的场景中表现欠佳。
在“前车消失”的场景中，前车的紧急刹车、躲避障碍以及左车道车辆的潜在反应，构成了一个复杂的信号链。智能驾驶系统本应根据这些时序信号形成一系列策略，而非单一的孤立策略。这正是静态决策导致孤立响应的体现，使得智能驾驶系统在某些情况下显得呆板且缺乏灵活性。
采用长时帧训练以解决此类问题并非易事。一方面，连续帧间的目标识别与标注不一致可能导致跳帧现象，削弱模型对跨帧语义的建模能力。另一方面，长时帧的标注与训练成本高昂，使得静止帧训练成为更为现实的选择。尽管如此，业内已有多家品牌开始重视“连续语义行为”的训练，力求使智能驾驶系统更加稳健可靠。
