自动驾驶攻破的难点在哪，何时能到 Level 5？

作者：陈光
链接：https://www.zhihu.com/question/65799732/answer/238516359
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

先来一张各大车企自动驾驶技术的分级图，大致了解一下目前已经量产的自动驾驶技术哪家强。

奔驰：这儿有点挤啊...
沃尔沃：隔壁那位兄弟，你踩着我脚了...
特斯拉：唉，无敌是多么寂寞
奥迪：Tesla，你对力量一无所知

自动驾驶从L2到L5是一个相对漫长的过程，现已发布的量产车型中有处于L3的奥迪A8、处于L2.5的Tesla、还有处于L2的凯迪拉克CT6等。

那么每一级别之间具体的区别和需要克服的难点到底又有哪些？那就一级一级细细道来。

按照国际惯例，谈论自动驾驶级别时必须上一张SAE的分级图。

图片出处：LEVELS OF DRIVING AUTOMATION ARE DEFINED IN NEW SAE INTERNATIONAL STANDARD J3016

下面我用给大家解释一下

各个级别到底代表着什么样的技术
哪些指标能立刻区分汽车属于哪个Level
为什么Level越高，对技术的要求越高

SAE Level 0：

No Automation（无自动化）

准确来说，现在我们已经很难看到 Level 0 的汽车了。要么早已报废，要么法规都禁止其上路了。无自动化意味着诸如ABS（自动防抱死）这种现在看来最基本的配置都没有。极端一点，你可以认为Level 0的车就是四个轮子加一个沙发。@吉利

SAE Level 1：

Driver Assistance（驾驶员辅助）

生活中常见的车基本都属于Level 1。Level 1 称为驾驶员辅助系统，所有在驾驶员行驶过程中，对行车状态有干预的功能都叫驾驶员辅助，都属于Level 1。

比如最基本的ABS，以及在ABS基础上升级而来的ESP，还有高速路段常用的定速巡航、ACC自适应巡航功能及LKA车道保持辅助。

大家买车时，在底盘功能介绍中看到的各种英文缩写，或多或少都是属于SAE 规定的Level 1。

SAE Level 2：

Partial Automation（部分自动化）

Level 2和Level 1最明显的区别是系统能否同时在车辆横向和纵向上进行控制。

如果一个车辆能同时做到ACC+LKA（自适应巡航+车道保持辅助），那么这辆车就跨进了Level 2的门槛。2018款的凯迪拉克CT6拥有的半自动驾驶系统“Super Cruise”就是典型的Level 2级别。

先来看个视频：凯迪拉克CT6，SuperCruise自动驾驶系统演示

视频中可以看到，该车并不具备主动超车的功能。即目前的Super Cruise仅能实现单一车道内的加减速。

再来说说自动驾驶话题下不得不提的特斯拉。正如我在"互联网公司和汽车企业都在开发自动驾驶，你更看好谁？"中提到的那样，特斯拉过度夸大了他们系统所具备的能力。

为什么称 Tesla 目前的 AutoPilot 为 Level 2.5？

因为特斯拉具备换道功能。驾驶员在确保安全的情况下，拨动转向灯杆，车辆即可依据该信号实现换道。也就是说，特斯拉的换道操作并不是全自动的，而是把这一块对环境感知的需求交给了人。特斯拉收到变道信号后会由车判断是否可安全变道后才会执行。比如前后车距离太近、实线都不会变道的。

（重点来了！敲黑板）

难点：Level 1 ~ Level 2

1.汽车横向控制和纵向控制配合的舒适性

单独的横向控制（车道保持）或纵向控制（ACC等）技术已经十分成熟，那么两者同时控制时，如何将舒适性做到最优，这就是当前遇到的挑战。

2.通知驾驶员接管车辆的时机选择

Level 2的系统并不具备较高级别的自动驾驶功能，需要驾驶员实时监控并做好接管的准备。如何以最友好的和最恰当的交互方式通知驾驶员接管车辆，而不影响到驾驶员的心情，需要人机交互攻城狮费尽心思。

SAE Level 3：

Conditional Automation（有条件自动驾驶）

有条件自动驾驶是指在某些特定场景下进行自动驾驶。比如全新奥迪A8在他们的宣传视频中就限定了十分常见的场景——堵车，该功能叫作Traffic Jam Pilot（交通拥堵巡航），功能描述如下：

当车速小于或等于60公里/小时，用户可以启动道路拥堵状况下的自动驾驶功能。在当地法律允许的情况下，车辆会完全接管驾驶任务，直到系统通知用户再次接管。这也是目前在全球范围内，在实现量产的车型中拥有的最高级别的自动驾驶能力。

引用出处：全球首款自动驾驶量产车奥迪A8背后的Audi AI

仔细想想，这些功能特斯拉通过升级软件也能实现，为什么只有Audi A8敢宣称自己达到 L3 呢？

因为L3 相比 L2 最大的进步在于——不需要驾驶员实时监控当前路况，只需要在系统提示时接管车辆即可。这对于自动驾驶技术来说是一个很大的跨越，这也意味着自动驾驶系统代替人类成为了Driver & monitor。驾驶员变为乘客，而乘客是不需要实时监控当前路况的。

难点：Level 2 ~ Level 3

1.传感器感知技术

NTSB最近刚发布的，去年五月特斯拉撞卡车交通事故的宣判结果——特斯拉Autopilot的功能限制是导致2016年5月交通致死事故的主要原因，这里的功能缺陷实际上就是传感器感知的缺陷。AutoPilot 1.0的硬件配置很难处理特殊工况，比如交叉路口。图为特斯拉因传感器感知缺陷未正确识别卡车所导致的事故。

图片出处：Inside the Self-Driving Tesla Fatal Accident

正是因为传感器感知缺陷这种客观因素的存在，整车厂做自动驾驶时就显得尤为保守，要么增加传感器以加强感知能力，比如全新奥迪A8加的四线激光雷达；要么就通过监视驾驶员的面部状态，确保驾驶员实时观测着前方路况，比如凯迪拉克CT6。

2.法规

上次Apollo发布会，百度当着全中国的面在开放道路测试自动驾驶技术，被请喝茶了。目前中国还是不允许自动驾驶车在开放及高速道路测试的，所以在法规正式发布之前，自动驾驶还只能到封闭的试车场中测试。这一点国外走在前列。

SAE Level 4：

High Automation（高度自动驾驶）

无论是国外的Waymo、Uber还是国内的Baidu L4事业部做的都是Level 4自动驾驶技术的研究。它们的自动驾驶汽车有一个很明显的共同点，就是头上顶着一个大大的激光雷达。如下。

激光雷达提供了极高精度和极其丰富的感知信息，这使自动驾驶车自如处理极端工况成为可能。激光为主，视觉为辅，再加上车上各种功能冗余的传感器及高精度电子地图，在开放道路上实现A点到B点的自动驾驶不再遥远。

难点：Level 3 ~ Level 4

1.传感器成本

激光雷达的成本短期内还降不下来，这也是 L4 自动驾驶汽车还未普及的重要原因之一。Waymo在今年年初宣布将激光雷达成本降低90%，希望低成本激光传感器早日到来。

2.极高鲁棒性的自动驾驶算法及稳定的计算平台

Level 4的自动驾驶算法准确性和精确性需要达到，甚至超过人类的认知水平，这就需要的是极具鲁棒性的算法和稳定的计算平台。确保自动驾驶汽车即使遇到突发情况也能较好应对。

3.高精度地图采集资质

这一项难点国外并不存在，但是国内确实是一个很大的壁垒（国防考虑）。除了大家耳熟能详的BAT有地图测绘资质外，国内有测绘资质的图商寥寥无几。近几年随着自动驾驶的发展，想在国内发展自动驾驶技术，图商说不定会成为稀缺资源。可以的话，推荐大家自己去调研国内有测绘资质的几家图商，买点他们的股票，看涨~

这也是我司和图商合作的一大原因，报道如下。

上汽携手光庭信息发力高精地图智能驾驶助汽车龙头“换挡加速”

4.乘坐人员接纳度

现在让你去乘坐一辆没有方向盘，随时都无法接管的汽车，心里多少会有些忐忑吧。因此人类的接纳程度也是自动驾驶普及的一个大难点，需要时间建立信任。

Level 5：

Full Automation（完全自动驾驶）

相信很多人都会对 L4 和 L5 感到困惑，其实两者很容易区分，观察他们的可行驶范围即可。

大家看下图。

图中的大圆弧是自动驾驶 Level 4 所限定的区域，小圆圈是汽车的感知范围。

t时刻，汽车依然在大圆弧内，自动驾驶系统正常工作；

t+1时刻，已靠近边界，自动驾驶系统即将失效，并发出警报；

t+2时刻，汽车开出了边界，这时自动驾驶系统完全失效，安全停车。

图片来源：无人驾驶汽车的黎明 https://www.bilibili.com/video/av12429465

那么L5的功能该如何描述？

只要给出一个GPS坐标点，L5的自动驾驶车就能到你指定的地方，无论这地方的法规是靠右行驶还是靠左行驶，自动驾驶车都能轻松应对。即全工况、全区域的自动驾驶。

难点：Level 4 ~ Level 5

1.高精度地图众包更新生态

自动驾驶技术十分依赖高精度电子地图，所用到的电子地图一定要确保实时且易于更新。未来每一辆在路上行驶的自动驾驶车，不仅是用于正常通勤，同时也是地图信息的采集车，实时将当前地图信息反馈至云端供其他自动驾驶汽车使用。

以上内容就是自动驾驶研究所需要攻破的难点，暂列这么多，以后想到继续更新。

何时能到Level 5？

在这个做预测随时都可能会被打脸的时代，仅做一个保守估计：

L4会在2025年前普及。至于L5，可能不会有，因为造出一个全世界都能跑的车子性价比不高，L4对用户来说已经够了。你真的在乎，在中国能来去自如的某辆汽车，不能在美国跑吗？

作者：亚德诺半导体
链接：https://www.zhihu.com/question/65799732/answer/861361221
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

首先强调一点，要想无人驾驶汽车上路行驶，自动驾驶生态系统需要攻克的首要课题就是安全问题。

安全问题——既包括确保实际行车安全，也包括消除人们心中对于安全的担忧。实现全自动驾驶预计要到2030年乃至更久之后才有望实现，因为还有无数工程方面的课题有待解决。

重点从安全的角度来谈谈自动驾驶的发展前景。

目前，业界已将目标着眼于L3+级自动驾驶，这也有助于推进日后L5级自动驾驶所需的感知技术的发展。L3+级处于ADAS（1-3级）和全自动驾驶（4-5级）这两大类之间。包括全速公路自动驾驶和AEB+技术在内的L3+级应用需要更高性能的传感器来提供支持，让车辆在行驶途中不仅能够制动，还能够进行转向以避免发生交通事故。这种关键的传感器架构将成为构建未来全自动驾驶汽车的基础。

机器学习和AI的有效性取决于输入数据的质量。自动驾驶车辆必须建立在高性能、高可靠度传感器信号链的基础上，才能始终提供最准确的数据作为生死决策的依据。

下图比较了2017年在硅谷测试的五家自动驾驶车辆公司的实际行驶里程数和脱离自动驾驶模式的次数。2019年的数据尚未汇总，但个别公司的报告可在网上查阅。

↑↑↑ 自动驾驶平均无干预行驶里程

目标已经很明确，当务之急是要在自动驾驶即将到来之时，保障至关重要的安全性。加州车辆管理局(DMV) 2018年的非官方数据显示，同等英里数下，自动驾驶模式的人为接管次数正在减少，这也表明自动驾驶系统正变得越来越强大。而这种趋势需要进一步加快。

生态系统正在寻求合适的模式，以便在此基础上制造和测试全自动驾驶车辆，用于快速涌现的新应用，如自动驾驶出租车(robo-taxi)和长途货车。在此过程中，高级驾驶辅助系统(ADAS)所使用的传感器不断改进，使得自动化程度快速提高。

这些自动驾驶传感器技术包括：

摄像头
激光探测与测距(LiDAR)
无线电探测与测距(radar)
微机电传感器(MEMS)
惯性测量单元(IMU)
超声波和GPS

所有这些都为人工智能系统提供关键的数据输入，从而驱动真正的自动驾驶车辆。

↑↑↑ 自动驾驶传感器系统组成

车辆的认知能力是预测性安全的基石

车辆的智能化程度通常用自动驾驶级别来表示。L1和L2主要是预警系统，而L3或更高级别的车辆被授权控制以避免事故。随着车辆发展到L5，方向盘将被取消，车辆完全自动驾驶。

L2各传感器系统独立工作。这些预警系统误报率较高，因此经常被关闭。

为实现具有认知能力的全自动驾驶车辆，传感器的数量将显著增加，性能和响应速度也必须大幅提升。

传感方式的改进使汽车能够识别环境的当前状态，并了解历史状态。例如探查道路状况，识别坑洼位置，也可以进行一些详细分析，比如一段时间内在特定区域发生的事故类型以及事故原因。

↑↑↑ 自动驾驶分级和对应所需传感器技术

例如，IMU可以检测到因坑洼或障碍物引起的突然跃起或偏离。通过实时连接，可将这些数据发送到中央数据库，并用于警告其他车辆有关坑洼或障碍物的信息。摄像头、雷达、激光雷达和其他传感器数据也是如此。

这些数据经过编译、分析和融合，使车辆能够利用这些数据对其行驶环境作出预判。这使车辆能够成为一台有学习能力的机器，有望做出比人类更好、更安全的决策。

多方面决策和分析

在提高车辆感知方面，现已取得了很大的进展。重点在于从各个传感器收集数据，并应用传感器融合策略，将互补优势发挥到极致，弥补不同传感器在各种条件下各自的弱点。

↑↑↑ 各种传感器技术融合互补优势

除了超声波、摄像头、雷达和激光雷达之外，其他传感技术也在实现全自动驾驶方面发挥着关键作用。GPS让车辆能够始终了解自己所处的位置。尽管如此，仍有一些地方无法获得GPS信号，例如隧道和高层建筑中。而这就是惯性测量单元发挥重要作用的地方。

尽管经常被忽视，但IMU非常稳定可靠，因为它依赖于重力，而重力几乎不受环境条件影响。它对航位推算非常有用。在暂时没有GPS信号的情况下，航位推算可使用来自速度计和IMU等来源的数据，检测行驶的距离和方向，并将这些数据叠加到高清地图上。这使自动驾驶车辆能够保持在正确的轨迹，直到GPS信号恢复。

↑↑↑ 基于传感器融合的自动驾驶系统

高质量数据可节约时间，挽救生命

和这些传感技术一样重要的是它们的可靠性，因为“如果输入的是垃圾，那么输出的也一定是垃圾”。不管人工智能算法训练得有多好，一旦模型被编译并部署到网络边缘的设备上，它们的有效性就完全依赖于高精度的传感器可靠数据。高精度/高质量的数据是机器学习和人工智能处理器得到适当训练并做出正确决策的基础。一般不会有第二次机会让你重头来过。

ADI在自动化和无人驾驶领域具有丰富的专业安全知识，包括无人驾驶汽车、无人机、海运和铁路、农业拖拉机、工业机器人、驾驶员辅助系统、安全气囊系统等。在这些领域中，生产安全和人员安全都是重中之重。

“赋能更安全的无人驾驶”是ADI致力于实现的长期目标之一。安全问题也始终是包括汽车制造商、技术公司、AI供应商、政策制定者以及学术界在内的自动驾驶生态系统亟需解决的重要议题之一。

传感器模式、传感器融合、信号处理和人工智能之间的这种相互作用，对具有智能和认知能力的自动驾驶车辆的发展，以及保障驾驶员、乘客和行人安全都有着深远的影响。

过去25年来，ADI公司一直致力于汽车安全和ADAS发展。现在，ADI正在为自动驾驶的未来奠定基础。ADI公司围绕惯性导航、高性能雷达和激光雷达等领域的卓越积累，提供高性能传感器和信号/功率链解决方案。这些解决方案不仅将大幅提高这些系统的性能，而且还将降低整个平台的实施成本，从而加快我们迈向自动驾驶的步伐。

作者：陈工i推车
链接：https://www.zhihu.com/question/65799732/answer/1287828643
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

何时到L5谁都可以瞎说，毕竟揭晓结果是多少年后，现在无法验证。

但是你问他现在你的L2做的怎样啊？他笑而不语。几张趣图，非原创分享一下。

发布于 06-17

作者：Michael Sun
链接：https://www.zhihu.com/question/65799732/answer/1299148558
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

让自动驾驶时代慢慢来

“2020年，自动驾驶将从功能实现迈向体验升级”，看到这句话，工科男既兴奋又担忧，兴奋是自己的行业在大踏步向前在，担忧的是技术升级来不得大跃进，不然就会付出惨痛代价。

不知道大家是否也跟我一样，在路上遇到罐车总有一种莫名的恐惧感，总会尽快远离。总担心一旦这样的罐车出现状况，波及面不可想象。前段时间浙江罐车爆炸的新闻又一次将这种恐惧提升。

2020年6月13日，浙江一槽罐车发生爆炸，产生明火在地面扩散，长度10米左右，随后现场又一次发生爆炸。爆炸中有一辆小轿车受冲击飞上空中，现场多辆车起火，附近有建筑坍塌。此次槽罐车爆炸事故已造成19人遇难，172人住院治疗，其中重伤人员24名，目前生命体征平稳。另外，爆炸现场周边建筑物受到不同程度的损坏。另据浙江高速交警消息，经初步调查，发生爆炸的槽罐车未与任何车辆接触，爆炸非追尾引发。

看到这段新闻，一方面为事故中伤亡者感到痛心，另一方面，作为工科男，总是想着该用什么样的技术解决或者尽量减小上述事故。这些年，自动驾驶炒的沸沸扬扬，然而，却还是无法避免浙江罐车爆炸这样的灾难发生，我们在技术革新中是不是也应该有所反思。

自动驾驶概念图看着固然酷炫，然而距离真正的实现还有多远？我想我在这里说至少半个世纪，也不会有人敢说不。基建不足、技术不成熟、人们的交通意识等问题都决定了真正的自动驾驶不会很快实现。这不，最近南昌一特斯拉出现突然加速，刹车失灵，造成车主重伤的事故。

那么，现有技术如何减少或者避免罐车事故的灾难再次发生？这里面我们需要对问题进行拆解。引发罐车爆炸的因素很多，可能远远超出了交通的问题。在这里我们不去深究罐车爆炸的原因，而是从降低罐车爆炸造成的连带伤害的角度思考，也就是特种车辆道路预警。高德地图和百度地图很早就实现了救护车预报的功能，即通过GPS信息实时定位救护车位置，然后发送给前方道路上行驶的车辆，让前方车辆及早避让。

我们假设一种场景，即通过一种平台（这里就拿百度地图或高德地图来说），能够实时掌握槽罐车这种特种车辆的信息，包含是否满载，行车速度，距当前驾驶车辆距离等，这样可以让路上的其他车辆与槽罐车保持一定安全距离，最大限度的避免出现连带伤害。单纯从技术来讲，这一场景不难实现，而且成本很低，无需再加入硬件系统，只需要有平台授权即可。

上一场景只能是一定程度上减少连带伤害，本想着如果真像智慧交通设计概念那样，万物互联，那么所有的车况信息、驾驶员状态、以及路况信息都能集中在一个云平台，到那时一定能够避免浙江槽罐车这样的灾难发生。然而，还是那句话，技术发展要循序渐进。对于自动驾驶，我个人觉得不要过分苛求，能够实现辅助泊车，特殊场景的自动泊车已经是能够满足基本生活需求了。过分的追去完全自动驾驶，成本倍数增长，风险性也大幅提升。所以我不希望level5有多快的到来，而更希望智能驾驶汽车企业，比如蔚来、小鹏汽车等，在level2.5 level3左右的层面上，更多的关注开发做出类似上面这种假设的安全类功能，不仅让汽车行驶安全，还能为车主提供更多一层的保护的可能。

发布于 06-23

作者：郑菲
链接：https://www.zhihu.com/question/65799732/answer/241929659
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

自动驾驶技术被视为引领新一次汽车工业革命的灯塔。无论是业界专家还是各路媒体都相信，自动驾驶的实现将颠覆的不仅仅是汽车本身，而是整个汽车工业。

但现实中我们看到的是， xx公司在公共道路进行自动驾驶测试被约谈”、“xx公司自动驾驶事故致死”这样的标题不断出现在新闻中。而业界第一款具备真正意义上的自动驾驶能力的量产车——全新奥迪A8今年7月才姗姗来迟。作为整个自动驾驶的第一个量产玩家，奥迪尽管已经走在了行业最前沿，但目前实现的还是3级的自动驾驶，也就是说这是一种在限定环境条件下，需要驾驶员始终有接管能力的自动驾驶，距离无限条件无需接管的自动驾驶还有相当长的路要走。回头看历史，猛然发觉第一届DARPA自动驾驶挑战赛已经是十年前的事了。对比互联网产业，十年前支付宝还没有手机支付业务，而微信根本还没诞生，再看现在，支付宝和微信已经全面占领了我们的生活。为什么汽车工业的动作慢如蜗牛？自动驾驶到底难在哪里？

在这里我不打算讲传感器技术、深度学习算法和功能安全等级这些晦涩的话题，这些属于典型的“懂的人自然懂，不懂的人说再多还是不懂”的内容。我想换一种讲述方法，不提具体技术，通过分析一个典型场景——开车去超市。和大家分享自动驾驶的技术难点，并说明这些难点存在的原因。

从家里开车去超市，这是一个普通司机脑子里想着购物清单、嘴里哼着歌就能轻松完成的任务，可至今没有任何一家企业能够量产这一级别的自动驾驶系统。那么让我们分析一下，为了达成这一任务，一个人类驾驶者完成了哪些任务，而这些任务就决定了汽车需要具有怎样的能力。那么，我们的故事开始了。

“松开新买的G29，你发现自己不在纽博格林北环，而是在家里。从老婆那里领取指令，要去超市买牛肉、抽纸、洗衣液还有水果。

下楼，上车前绕车一周，确认没有什么小孩小猫小狗蹲在车边甚至躲在车下，四个车轮都在，也没有瘪掉。发动汽车，沿着小区内部道路到达公共道路，发现门口的道路正在养护，之前的双向四车道封闭了半幅，有些拥堵，等了五分钟才艰难地插入车流。

不过今天是周末，主路上倒是很通畅。阳光很好，路上树影斑驳。

这条路是贯穿整个城市的主干路，有些年头了，标线磨损很厉害，有些路段只是勉强能看清。而且由于这条路正在分段拓宽，路口的导向箭头也有修改，例如以前的直行+右转箭头现在改成了右转箭头，可以前的直行箭头部分并没有完全擦除，依然隐约可见。不过导航上已经更新了这个路口的导向车道信息。

开车上路永远都有一些莽撞的司机，并线前不打转向灯、实线并线、连续并线，或者很近的距离切入，这种时候还是选择安全第一，能让就让。

终于快到超市了，停车场入口一如既往排起了长队。前面那辆卡车车厢尾部的贴了大幅擎天柱的拉花，想来这是卡车司机自己的车吧，所以会在外观上彰显出自己的爱好。

好不容易到了入口，可是一个老大爷站在路边，似乎是想横穿道路，那么我停一下，让他先过去吧！

终于进了停车场，开始找车位。呃，转了三圈，一个车位都没有，保安过来指挥，说靠那边的墙停车就行，现在高峰期，超市停车场也会变通一下规矩以方便客户。”

读完这么一大段之后，我们一起分析一下，在去超市这个普通的驾驶任务中，自动驾驶系统都会受到哪些挑战。

一般而言，自动驾驶系统的任务可以分为三类：感知、决策和执行。

对于感知，目前使用的主流传感器包括摄像头、毫米波雷达、超声波雷达和激光雷达四种。其中超声波雷达就是我们日常说的“倒车雷达”。每款传感器都有自己的优点和缺点，他们的缺点就导致了感知环节的技术难题。

对于摄像头的性能局限有个简单的一句话判定方法：目前最好的摄像头仍然无法达到人眼的识别能力。也就是说，你看不清的，你的车也看不清。例如目前的环视摄像头并不能够真正覆盖车身360度范围。仔细观察屏幕显示会发现靠近车身的那一圈，特别是四角位置，其实并未显示外界真实图像，而且在靠近车辆的地方图像扭曲严重。而前视摄像头则无法分辨前方的黑色区域到底是影子还是路面破损，所以奥迪A8的自动驾驶需要有前车作为引导，从而确认路面是能够正常通行的。（也许你会觉得，还得跟着前车才能使用自动驾驶，那有什么用？但是请别忘了，这套系统本来就叫交通拥堵自动驾驶啊，堵车的时候当然有前车了，不然还叫什么堵车对吧？而且具备L3功能的A8在正常交通情况下，还有全速ACC和LKA来降低驾驶者的工作量，总体而言和目前其他所有L2级别的自动驾驶相比，都有了质的飞跃）。当阳光斜射的时候，护栏的阴影也可能被当作车道的边缘。在阴天的时候，灰色的车辆也经常无法被准确识别。如果遇到画着京剧脸谱的车尾，可能就因为匹配不到摄像头的车辆识别模板而判断前方并不是一辆汽车。

此外摄像头和人眼一样，对外界光照条件的依赖非常强，晚上看不清，被阳光直射看不清，进出隧道的一瞬间也会瞎掉。而且受限于数据处理能力，摄像头的分辨率和帧率也都会受到限制。人眼能够轻松地识别200米外的车辆，在时速超过200kph的时候也不例外，但这对目前的摄像头技术而言简直是不可完成的任务——200米外的车辆可能只是几个像素点。同理，在中国目前不少车载摄像头都无法准确分辨限速标志和限重标志——那个t字实在太小了。

而毫米波雷达并不像多年前的科幻电影里那样在一块绿色的圆形屏幕上一条线转啊转，然后目标就清晰地显示出来。雷达看到的其实是一大片强度不同的反射点，并且物体的几何形状和材质都会影响到反射点的反射强度和数量，同时还有部分雷达波在各个物体之间发生多次反射之后才回到接收天线。打个比方，雷达波更像是手电筒发出的光，而不是激光笔的效果。这导致特别是在远距离，雷达无法准确判断前方车辆的横向位置，甚至无法分享前方是一辆车还是两辆车并排行驶。雷达的上述特点导致结果就是原始数据中会出现大量的“假”目标，需要通过目标识别和跟踪算法做进一步的处理才能取得可以接受的效果。

激光雷达在厂商的各种宣传视频中看起来似乎无所不能，通过激光扫描直接得到了世界的三维模型。但其实多数激光雷达在距离30米的情况，在一个身高1米8的行人身上就只能照射到6条线了，可以简单理解成通过6条窄缝观察一个行人。因此如果没有很好的识别算法，其实依然很难分辨出目标。而且如局座所说，激光雷达和摄像头一样，同样会受到烟雾或者尘土的影响而导致性能下降，甚至失明。

但相比决策环节，感知环节的问题看起来简直不是问题。

如果世界一瞬间只有自动驾驶车辆存在，那么情况会改善许多。但事实上，自动驾驶车辆和非自动驾驶车辆甚至行人将在很长一段时间共享道路使用权。在加入人这一因素后，道路的交通情况变得格外复杂。上面的场景中有一个简单的例子：过马路的行人。

对于人类驾驶员而言，如果看见一个行人面朝公路，则可以判断他很可能要横穿马路，从而可以预先做出反应——变道、减速让行或者加速通过。而如果两个行人站在路边面对面聊天，人类驾驶员就会假设他们没有横穿马路的意图，保持正常行驶。对于目前的自动驾驶系统，这无疑是不能完成的任务。由于行人的前进方向和速度都可以快速变化，再考虑其他车辆或基础设施的遮挡问题，面向行人的自动紧急制动或者转向都是非常困难的事，所以奥迪A8的L3自动驾驶系统，依然把使用场景限制在仅有车辆通行的封闭道路上。

还有上面的故事里提到的停车场保安的临时安排，对于人类驾驶者来说，这是一个理解自然语言就能解决的沟通问题，但保安如何与自动驾驶汽车沟通？手势还是自然语言？抑或是通过安装智能设备？这些不仅仅是自动驾驶汽车本身的问题，更取决于停车场这类基础设施建设的策略和投入。

此外执行环节也是攸关安全的关键技术——不同于传统的执行机构，线控转向、制动和油门如果发生电子系统或者执行机构失效，将导致灾难性的后果。对于自动驾驶车辆而言，执行器不但本身需要具有极高的可靠性，还需要准备一套冗余的系统应对主系统失效的情况，比如转向系统会使用两个助力电机、制动系统在电子助力系统失效的时候还能够用ESC产生制动力。

考虑天气变化，例如突如其来的暴雨，照明条件，例如泛滥成灾的远光狗和东升西落的太阳公公，其他车辆的错误，例如坡道溜车的新手司机等等。

最后，我们还需要考虑到，自动驾驶是否能够全面实施终归是一个社会问题。比如：自动驾驶车辆对交通的影响一定是积极的么？

先别急着做出肯定的回答，因为新技术小规模使用时带来的便利，在大规模量产后可不一定。

特斯拉的某个宣传视频中，当车主把车随手停在路边去办事时，交警试图贴违章罚单，这时车开始一点点向前挪动，绕着车主指定的大楼缓慢行驶。看完这个视频大家第一反应是终于解决了短时停车难的问题。但请设想当这种技术大规模普及时的场景：整个CBD地区所有道路上充满了慢慢挪动的汽车。工作时间要前往机场的人们试图步行离开这片钢筋水泥丛林后再打车。好不容易打到车你却发现又堵在了学校门口，跟等着接孩子回家吃午饭的汽车保姆们以秒速五厘米享受慢生活。

有人认为如果自动驾驶带动了共享汽车的发展，那么车辆的数量将会大大减少，如此以来，交通环境就会得到改善。然而当我们仔细考虑这个问题的时候，不难发现，其实现在路上的汽车数量取决于交通需求和交通方式，而不是汽车数量。如果交通需求不变，并且交通方式依然是长度5米的5座汽车，那么堵在路上的车并不会明显减少。

最后一个需要考虑的问题是：如果电脑被黑了，可能会丢失资料，如果汽车被黑了，会发生什么？

目前主流汽车的网络系统基本可以认为和外界是物理隔绝的，特别是涉及到行车安全的网络，例如动力系统控制网络、转向系统控制器、制动系统控制器、车身稳定系统控制器等等。也就是说，如果不通过设备物理连接到车辆，基本无法修改或者控制汽车涉及到行驶安全的系统。

然而，为了实现汽车自动驾驶，将汽车接入互联网是不可避免的技术需求，否则将无法实现车车通信、车和基础设施通信并实时控制车辆行为的目标。这样一来，网络防护就是很现实的问题了。当我们的PC还不能保证绝对安全的时候，真的可以放心地把汽车连接到网络么？

附加彩蛋问题：你妈和你媳妇都掉水里了……这种欠抽的问题在生活中可一点都不少：例如一群违章横穿公路的儿童和一个站在路边等红灯的老人，碰撞已经无法避免，你如何选择？这就不是一个用算法能够解决的问题了。考虑到汽车制造商需要为因自动驾驶功能而引起的事故负责，如果不能从社会伦理和法律方面解决这类问题，即使政府不禁止自动驾驶汽车上路，汽车制造商也不会走上这条可能使自己破产的道路。

目前自动驾驶技术的大规模使用仍然路漫漫其修远，但是没有人会否定这是汽车这一古老的交通工具的未来之路。相比于特斯拉混淆视听的L2功能，具备L3功能的奥迪A8的量产，真正打响了自动驾驶革命的第一枪，也让我们有了更充分的信心，期待着整个汽车生态的迅速颠覆。

最后夹带一点私货：“希望在我退休之前，路上不再有不打转向灯就变道的宝马，阿门。”

编辑于 2017-10-10

作者：我们的太空
链接：https://www.zhihu.com/question/65799732/answer/905820933
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。