是什麼阻止了自動駕駛汽車上路？

埃隆·馬斯克曾經多次強調，特斯拉公司將在2023年年底之前打造出全自動駕駛汽車。「這方面存在很多小問題，最大的挑戰就是如何把這些小問題全數解決掉，再整合進一套統一的系統當中。」

雖然這種完全無需人為干預就能應對旅程中種種狀況的汽車（業界稱之為「l5級自動駕駛」）也許正在走近，但實際生產出能夠安全合法上路的自動汽車卻又是另一碼事。

全自動駕駛汽車之所以遲遲上不了路，是因為其中仍存在著不少根本性挑戰。下面來看五大最為核心的障礙。

1. 感測器

自動駕駛汽車使用各種各樣的感測器以「觀察」周邊環境，幫助系統檢測諸如行人、其他車輛以及路標等物體。攝像頭負責幫助汽車獲得視覺，雷射雷達負責測量物體與車輛之間的距離，普通雷達則檢測物體並跟蹤其行進速度與方向。

這些感測器會不斷將資料饋送至汽車的控制系統或計算機端，藉此決定應在**轉向或者何時進行制動。全自動駕駛汽車需要一套能夠在一切條件及環境下，準確檢測物體、距離、速度等指標的感測器，且全程無需人為介入。

但惡劣的天氣、繁忙的交通以及帶有塗鴉的道路標誌，都會對感測器的識別能力產生負面影響。特斯拉使用的雷達雖然不太容易受到惡劣天氣條件的影響，但卻仍無法達到全自動駕駛汽車對於物體檢測水平的嚴苛要求。

就目前的情況看，特斯拉的「autopilot」l2級自動駕駛已經釀成過不少事故，包括今年7月撞上了其他駐停車輛。事實證明，該公司的感測器在應對全天候行駛場景時，還有很長的路要走。

2. 機器學習

大部分自動駕駛汽車使用人工智慧與機器學習處理來自感測器的資料，並根據結合做出關於下一步行動的具體決策。這些演算法將幫助系統識別感測器檢測到的目標，並根據訓練經驗將目標分類為行人、路燈等。最後，汽車再使用此資訊確定是否需要迴避檢測到的物體，以及接下來需要採取哪些行動——例如制動或轉彎等。

未來，機器也許會擁有比人類駕駛員更高效的物件檢測與分類能力。但至少就目前來看，汽車中所使用的機器學習演算法仍然缺少充分的安全性依據。在如何訓練、測試或驗證機器學習演算法方面，各標準化機構乃至整個自動駕駛行業都還沒有達成共識。

3. 開放道路

自動駕駛汽車在駛入開放道路之後，還將繼續自己的學習過程。它會在新的路段上行駛，檢測出訓練中從未遇到過的物體，並據此進行軟體更新。

那麼，我們該如何保證系統能夠始終擁有與已驗證版本擁有相同的安全性？我們必須能夠證明一切新的學習結論都安全可靠，且系統不會忘記之前掌握的安全知識。遺憾的是，業界目前對此還沒有統一的解決思路。

4. 監管要求

不單是自動駕駛領域，目前還沒有哪個行業針對自主系統出台充分的標準與法規。現有車輛安全性的標準假設，要求駕駛員能夠在緊急情況下立即接管。

對於自動駕駛汽車，法規只針對某些特殊功能（例如自動車道保持系統）做出了規定。至於包括自動駕駛汽車在內的自動駕駛系統，雖然已經有國際標準設定了部分相關要求，但暫時還沒有解決之前提到的感測器、機器學習與行為學習方面的問題。

因此，只要沒有公認的法規與標準，自動駕駛汽車無論是否安全、都無權在開放道路上正常行駛。

5. 社會接受度

特斯拉目前的自動駕駛功能已經先後引發多起事故。由此引發的社會認可度低下問題不僅來自打算購買這類產品的使用者，也來自與這類使用者共享道路的其他交通參與者。

公眾需要參與到自動駕駛汽車的引入與採用決策當中。如果缺少這個環節，此項技術就有可能被人民群眾拒之門外。

很明顯，只有解決了前三項挑戰，我們才有機會攻克最後兩個障礙。目前，業界各方都在爭取成為第一家推出全自動駕駛汽車的廠商。但是，如果我們未能就實現汽車安全、提供安全證明以及通過監管機構/公眾合作取得認可接納達成共識，那麼自動駕駛汽車在未來幾年中仍然只能長期處於測試階段。

對於馬斯克這樣的企業家來說，這樣的現狀無疑令人沮喪。但正是因為遍布荊棘，率先在安全、保障、法規與接納度等領域取得突破的廠商，才能發展為新的巨頭、並引領整個新的時代。

人工智慧市場收入今年將達到1560億美元

一天star量破千，特斯拉ai總監寫了個gpt的pytorch訓練庫

6大人工智慧應用關鍵技術，終於有人講明白了

人工智慧和機器學習技術推動企業發展

ai（人工智慧）下乙個偏門行業賺錢的契機