與機器可以實現的功能相比，在許多方面，人類駕駛員所擁有的感知能力仍然遙遙領先，而且在許多關鍵領域我們仍然無法提供能夠實現SAE 4級自動化所需效能和功能的感測器。在本文，我們涉及了一些特別具有挑戰性或目前完全無法解決的情境來加以說明。

自動駕駛的技術發展速度一直很迅速，尤其是在過去的1-2年中，在較低的自動駕駛級別技術上已經實現了重大突破。車道偏離系統（Lane departure systems）的功能已經從僅發出警告發展到全主動的車道保持。防前撞系統（Forward collision systems）在效能和功能上都取得了進步，不僅提供了主動制動功能，而且還能夠檢測騎單車的人、行人以及其他車輛。但是，與機器可以實現的功能相比，在許多方面，人類駕駛員所擁有的感知能力仍然遙遙領先，而且在許多關鍵領域我們仍然無法提供能夠實現SAE 4級自動化所需效能和功能的感測器。在本文，我們涉及了一些特別具有挑戰性或目前完全無法解決的情境來加以說明。

技術挑戰1：預測車輛在前方道路上的制動效能

前向碰撞警告和自動緊急制動系統（Forward Collision Warning and Autonomous Emergency Braking systems）在制定避免或減輕碰撞事件的決策時，需要了解路面將提供的制動摩擦力。然而，預測道路摩擦力比較困難。

對可能的解決方案的看法

有兩種主要方法可以實時估算車輛在前方道路上的制動效能表現。

一：機載方法(On-boardapproach)

二：基於雲的計算方法(Cloud-basedmapping approach)

技術挑戰2：預測行人軌跡

在包含行人的環境中行駛的任何自動駕駛汽車都需要預測附近行人路線，並相應地調整其路線以避免碰撞。但是，預測人類目標的運動軌跡是很困難的，因為人類的行動常常具有很強的不可預知性，不會嚴格遵守既定的規則和社會規範。

對可能解決方案的看法

斯坦福大學和東京大學都使用各種模型研究了行人軌跡預測的各個方面，其中包括可以學習和預測人類運動的長短期記憶（LSTM）模型。東京大學進一步開發了基於LSTM的編解碼器模型，該模型旨在對運動軌跡和人類互動進行編碼，以預測人類未來較長一段路徑的行為表現。這類技術儘管還有很多待開發的地方，但這些預測模型最終可能會提供一個可靠的解決方案。

技術挑戰3：道路上有雜物-我可以開過去嗎？

在看到前方道路上未知屬性的雜物時後，大多數駕駛員能夠決定是避開還是開過去。在這段很短時間內，駕駛員在執行各種風險計算，根據感知到的物體大小、重量和密度，將權衡停止、轉彎或駛過雜物的相對風險。在遇到雜物時，自動駕駛汽車通常會先經歷四個階段的過程，然後再決定要採取什麼措施。涉及的階段包括：

一：識別

二：分類

三：了解物品

四：開過，避開或停止

對可能解決方案的看法

第一階段和第二階段雖然具有挑戰性，但可使用在現實世界中經過識別大量物體訓練的神經網路來實現。提早識別物體是很重要的，因為這會使系統有更多時間餘量進行後續階段操作。除此之外，還需要一些額外的系統訓練來幫助對不常遇到的情景（例如，沙發從卡車上掉下來）進行物體分類，以完善資料庫。第三階段涉及物體的完整圖片資訊的建立，並將涉及來自多個感測器的資訊融合。例如，如果識別出桶型物品，那麼它是由什麼製成的？是空的還是滿的？無論最終的行為是撞擊還是避開物體，這一最後階段的結果都會因一系列的碎片動態行為而變得複雜。它很可能在起始識別到接觸這一時間段內移動，並且其運動將取決於一系列因素，包括天氣條件以及我們的車輛與物體之間的任何其他車輛的行為。類似於先前關於行人軌跡討論的建模技術的使用，將來可能會為這一挑戰提供解決方案。

技術挑戰4：管理不同的天氣條件

當前的光學感測系統在大霧，大雪或大雨中不能很好地工作。這些條件減小了它們可以工作的範圍，甚至使它們完全無法工作。在大多數情況下，人都可以開車，因為即使是大霧，大雪或雨天，通常也不會阻止他們安全到達目的地，即使遲了一點。

對可能解決方案的看法

在過去一年左右的時間內，潛在的解決方案已經開始試用。由於雷達對極端天氣條件的敏感度要低得多，因此它可以為這一難點提供解決方案。用於地面的雷達正在開發，它將被用來進行地面的拓撲分析，並將結果與道路網路資料庫進行比較。期望在將來，該資訊可能能夠在任何天氣下幫助車輛在高速公路上行駛並保持在車道內。

挑戰“這些挑戰是進行SAE 4級車輛安全部署的重大障礙。”SBD Automotive的自動駕駛部門總監Alain Dunoyer博士說，“通常情況下，人們說法律方面的原因限制了自動駕駛的廣泛部署，而實際上是因為許多關鍵技術難點仍未解決。並且法律可以花費時間和精力來修改，但物理定律不能更改，所以可以在路上看到SAE 4級車輛的時間可能遠比以前設想的時間長。”