汽車製造商宣稱，他們日益複雜的自動駕駛系統能夠提升駕駛安全性並減輕駕駛員的壓力，因為這些系統能夠識別即將發生的碰撞並採取措施避免。然而，最新研究表明，某些系統可能會在關鍵時刻產生適得其反的效果。

以色列内盖夫本-古里安大学和日本科技公司富士通集团的研究人员联合发表了一篇论文，指出某些基于摄像头的自动驾驶系统在遇到应急车辆闪烁灯光时，可能无法准确识别道路上的物体。研究人员将这一现象形象地称为“数字癫痫发作”（Digital Epileptic Seizure），简称“epilepticar”。这些系统虽然经过人工智能训练，可以区分不同的道路物体图像，但在应急车辆灯光闪烁的影响下，其识别效果会显著下降，尤其是在黑暗环境中更为明显。

換句話說，緊急車輛的燈光可能讓自動駕駛系統對前方形似汽車的物體產生疑慮，難以準確判斷。研究人員在論文中指出，這項漏洞存在重大風險，可能導致開啟自動駕駛系統的車輛在緊急車輛附近發生碰撞，甚至可能被惡意利用來製造事故。

儘管這項研究結果引發了擔憂，但研究人員也提出了幾點說明。首先，他們尚未在具體的駕駛系統上驗證該理論，例如特斯拉的Autopilot系統。而是選擇了五款嵌入市售行車記錄器的現成自動駕駛系統進行實驗，這些記錄器都是透過亞馬遜購買。雖然這些產品被宣傳為具有一定的碰撞檢測功能，但在本研究中僅作為攝影機使用。

研究人員將這些系統捕獲的影像透過四個開源物件偵測器進行處理，這些偵測器透過影像訓練來區分不同的物件。然而，研究人員尚不確定是否有汽車製造商使用了這些物件偵測器。這可能是因為大多數系統已經針對緊急車輛燈光漏洞進行了改進。

內蓋夫本-古里安大學的網路安全與機器學習研究員本·納西（Ben Nassi）表示，這項研究受到2018年至2021年間特斯拉Autopilot系統與約16輛靜止緊急車輛發生碰撞事故的啟發。他指出：「我們一開始就懷疑，這些碰撞可能與緊急車輛的閃爍燈光有關。無論是救護車、警車還是消防車，它們的形狀和大小各不相同，因此導致問題的並不是車輛本身，而是燈光。

美國國家公路交通安全管理局（NHTSA）對上述事故進行了長達三年的調查，最終促使特斯拉召回了Autopilot軟體。該系統旨在在無需駕駛員幹預的情況下完成轉向、加速、煞車和變換車道等任務。然而，NHTSA調查顯示，Autopilot未能確保駕駛員在系統啟用時保持足夠的注意力並控制車輛。

其他汽車製造商的高級駕駛輔助系統（如通用汽車的Super Cruise和福特的BlueCruise）也能完成部分駕駛任務，但要求駕駛員在駕駛過程中保持專注，並且這些系統僅能在地圖繪製好的特定區域內運行，這與Autopilot有所不同。

NHTSA發言人露西亞·桑切斯（Lucia Sanchez）在聲明中表示，緊急車輛燈光確實可能對某些先進駕駛輔助系統的性能產生影響。 「在某些情況下，當緊急車輛出現在車道上時，我們發現部分高級駕駛輔助系統未能對其閃爍燈光做出適當反應，」她指出。

特斯拉在2021年解散了公關團隊，因此未回應相關置評請求。研究人員在測試中使用的攝影系統來自HP、Pelsee、Azdome、Imagebon和Rexing，這些公司同樣未回應置評請求。

研究人員強調，他們無法斷言特斯拉的Autopilot與緊急車輛燈光之間的具體關聯。納西表示：“我並未聲稱了解特斯拉車輛為何與緊急車輛發生碰撞，也不確定這種情況是否仍然是一個漏洞。”

研究人員的實驗主要集中在基於影像的物體檢測技術上。然而，許多汽車製造商也使用雷達和光達等其他感測器來檢測道路障礙物。特斯拉等少數技術開發者主張，透過複雜的人工智慧訓練增強的影像系統不僅能支援駕駛輔助，還能實現完全自動駕駛。特斯拉執行長馬斯克（Elon Musk）上個月表示，該公司計劃明年利用基於視覺的系統實現自動駕駛。

自動駕駛系統如何應對緊急車輛燈光，取決於汽車製造商的設計想法。有些製造商選擇調整技術，對不完全確定是障礙物的物體做出反應。然而，這種策略可能導致“誤報”，例如誤將一個形狀像兒童的紙箱當成真實障礙物，從而緊急煞車。其他製造商則可能選擇僅對高度確信是障礙物的物體做出反應。這種策略在極端情況下可能導致車輛未能及時煞車，與另一輛車發生碰撞，因為系統未能正確識別車輛。

为了解决这一问题，本-古里安大学和富士通集团的研究人员开发了一款名为“Caracetamol”的软件修复程序。这一名称结合了“car”（汽车）和“Paracetamol”（扑热息痛）。该程序通过专门训练识别带有应急灯光的车辆，显著提升物体检测的准确性。

加州大學聖地牙哥分校電腦科學與工程助理教授勞倫斯‧費爾南德斯（Earlence Fernandes）評估研究「合理且有意義」。他指出：“就像人類可能因應急燈光的閃爍而短暫’致盲’，高級駕駛輔助系統的攝像頭也可能短暫’失明’。”

麻省理工學院AGE實驗室研究車輛自動化與安全的研究員布萊恩·雷默（Bryan Reimer）認為，這項研究揭示了基於人工智慧的駕駛系統存在的更廣泛限制。他強調，汽車製造商需要進行「可重複、可靠的驗證」來識別盲點，如對緊急燈光的敏感度。他擔憂部分汽車製造商「技術發展速度已超過其測試能力」。