目前自動駕駛面臨兩個很大的挑戰，一個是大資料不夠完備，一個是機器對理解“人類意圖”有極大困難。

自動駕駛要精準有效地解決問題，需要儘可能地保證所收集到的大資料的完備性。但事實是，我們現在所掌握的資料漏洞百出。

比如，2015年，美國有630萬起警方記錄的交通事故，造成3.5萬人死亡，244萬人受傷。但實際的交通事故數量可能是官方資料的2-10倍。

谷歌自動駕駛前CTO克里斯·厄姆森（Chris Urmson）在一次演講中說到，在谷歌期間，他一共經歷了200公里以上的路面測試，其中出現了25次交通事故，但大部分都沒有引發警方的注意。

“這樣的情況多是小事故，自動駕駛汽車做出了合理的判斷，剎車，然後人類撞了上來。”厄姆森說，很多事故往往都是這樣發生的。

百度集團Quattroporte陸奇在接受美國科技媒體Backchannel採訪時也表達了類似的觀點。

陸奇舉了一個例子：假設城裡出了個交通事故，警察來了，但發現事發路段沒有交通標誌，於是在紙上用筆畫了個標誌，寫上：“請減速到每小時 5 英里以內，透過時請看清路況”，然後舉著給過往車輛看，提醒他們避讓事故車輛。這種情況下，你就需要能識別手寫文字、理解人類語言的技術。這會耗費很久很久的時間來實現。

陸奇的意思是說，實際的路況遠比人們認為的更加複雜。

另外一個挑戰，是自動駕駛汽車需要理解、匹配人類司機的想法，包括本車司機，以及其他汽車的司機，而理解人類意圖極為困難。

自動駕駛歷史上有很多知名的交通事故，都是由於自動駕駛汽車對人類意圖理解不準確而引發的。

一個是谷歌汽車與公交車相撞。2016年2月14日情人節，谷歌的一輛無人駕駛汽車，在山景城（Mountain View）交叉路口變道時與公交車相撞。當時無人車的行駛速度不到每小時2英里，而公交車的行駛速度約為每小時15英里。

據事故報告，公交車從後方駛來，被谷歌汽車阻擋了路線。在決定變道前，谷歌汽車判斷道路剩餘的空間十分狹窄，公交車不會繼續向前，而公交車司機則覺得自己可以開過去，沒有減速，兩車因此相撞。

另一個是優步翻車事件。2017年3月24日，優步公司的自動駕駛汽車在亞利桑那州上路測試時，被後車追尾，導致測試車側翻。

當時，優步自動駕駛汽車行駛在三車道最左邊的一道，右邊兩車道發生了堵車。有一位人類司機想左拐穿過車道，可能在穿越車道時沒有看到優步的車，在駛入最左邊車道時發生了翻車。警察後來稱，優步無需為此事故擔責。

在這裡，不扯什麼大資料、人工智慧，也不說什麼機器學習、深度學習類似的黑盒技術，只從一個工程師實際研發的角度來說明一下，我們能保證自動駕駛90%的安全，但若要自動駕駛實現99.999%的安全，具體有哪些難點。

根據無人駕駛汽車的功能模組，可以將無人駕駛的關鍵技術分為：定位導航技術、環境感知技術、規劃決策技術和自動控制技術，這裡分別說明一下有哪些難點。

特別宣告：這些都是特殊情況，但要99.999%的安全，必須考慮。

1、定位導航難點：在任何地點、任何時間，如何都能保證定位準確GPS定位會因建築物遮擋訊號漂移或丟失，在地下車庫完全沒有GPS訊號；SLAM建圖定位會因環境發生變化導致定位漂移或丟失，或因找不到特徵點無法定位；IMU、里程計、推算定位會有累積誤差；多種定位手段時，定位融合如何設計。2、環境感知難點：在任何環境下不漏檢、不誤檢

攝像頭嚴重受光照影響，在強光或黑暗條件下無法工作；

鐳射雷達在雨雪天氣下無法工作；

3、決策規劃難點：如何應對真實複雜的交通環境定位會丟失，感知會漏檢、誤檢，如何決策；在行人、腳踏車、和有人駕駛車輛的混合交通環境下，是爭奪路權，還是讓行；出現道德困境時，如何決策。4、自動控制難點：電機失控驅動電機失控怎麼辦；轉向電機失控怎麼辦；制動電機失控怎麼辦。

產出一輛可以量產的自動駕駛汽車並上路沒有問題，可是我們無法保證安全。

自動駕駛領域有一個經典的道德難題，當兩輛車相撞時先救誰。演算法資料都不能回答這個問題。

剛剛過去的中國網際網路安全大會提出了一個口號：萬物皆變，人是安全的尺度。看到這句話時，我的焦慮消失了。

但是以人作為安全的尺度是否太自私了，要是技術可以給予我們規避風險的機會就能緩解人們對自動駕駛。除了鐳射雷達感測器，自動駕駛還需要預判。

來自以色列的開發者提供了實用的方案。

熱成像公司 FLIR 和以色列初創公司 Adasky 正在研發應用於自動駕駛汽車的新型熱感測器，這種熱感測器透過識別行人、動物以及周圍環境發出的熱量，形成物體輪廓影象，進而幫助司機發現行駛過程中的危險。

一些高階汽車製造商，包括保時捷、寶馬和奧迪，已經為汽車安裝了 FLIR 熱成像儀，它利用熱量感應原理為司機提供了畫素大小為 320×240 的影象，幫助夜間開車的司機注意到車燈照不到的動物或行人。

現在，FLIR 和 Adasky 都希望他們正在研發的新感測器應用於自動駕駛汽車。

Adasky 近日宣佈推出一款名為 Viper 的新型遠紅外感測器，它的影象更新速度每秒可達 60 幀，具有更高的解析度（畫素大小為：640×480），此外還可以檢測到 0.05°C 的溫差。Adasky 的設計師 Dror Meiri 告訴麻省理工科技評論，這種解析度不僅能夠發現像麋鹿一樣的東西，還可以辨別出高速公路上的薄冰。他透露，到 2020 年，這個裝置可實現量產。

上面的動圖顯示了 Adasky 研發的熱感測器在鄉村道路上的對比測試情況。左側是可見光攝像機，右側是熱感測器。測試目標包括騎車人、行人和動物。結果表明右邊熱感測器的成像效果更好。成像效果越明顯，汽車越容易提前發現、處理危險。鐳射雷達只提供測量資訊，效果也不如熱成像。

FLIR 還開發了一種專用於自駕車的 VGA 裝置。 FLIR 汽車總監 Paul Clayton 表示，這些感測器已經交給製造商進行生產、測試，投產後的成本只需花費“幾百塊錢”。

成本低，使用便捷，安全性提升顯著，假如這種熱成像感測器能夠實現量產，我們離自動駕駛普及那一天就要快很多。

其實以目前的研發實力和技術儲備，在封閉路段實現自動駕駛一點也不難，真正影響自動駕駛落地量產的原因其實就三點。

1、技術層面感知和決策的演算法無法做到百分百可靠，因為駕駛環境是開放的，外界共存的不可控因素如何應對，有時候真不是技術層面可以應對的。

2、Level3以上的自動駕駛車會涉及鐳射雷達，而這玩意本身就不便宜，那麼以鐳射雷達為主感知器件，在量產商業化道路上如何解決成本也是一個問題。

3、道路法規的落地，車輛與交通系統的互聯建立等，這些都是相當複雜的系統工程。

這裡面尤其是技術層面是個大問題，我也和自動駕駛工程師的請教過，對方也表示即使法規一路綠燈，技術也將成為自動駕駛落地的障礙。

汽車自動駕駛需要突破的點還有很多，這裡簡單講解下主要的幾點：

1、 汽車自動駕駛的關鍵感測器技術

可以肯定的是雷達技術將會是自動駕駛最先攻克的難關之一，作為發展半自動駕駛乃至自動駕駛的基礎，現在來說傳統的攝像頭、毫米波雷達成熟度尚可，需要重點攻堅的是鐳射雷達技術。

鐳射雷達現在最大的問題就在於成本居高不下，可以預見的是固態鐳射雷達將會是接下來重點發展方向，細化來說產品穩定和更小角度解析度則是難點所在。

[去年年底知名鐳射雷達廠家Velodyne宣佈他們在固態鐳射雷達設計方面取得了突破，新設計不僅可以實現裝置的小型化（積體電路大小不到4平方毫米），並且在大批次生產的情況下有望將成本降至50美元以下。

雖然Velodyne產品價格很低，不過其多線鐳射雷達的角解析度為1.33度，這與其此前宣傳的0.33度有很大的差距。

2、 汽車自動駕駛的高精度地圖技術

可以肯定的是雷達等探測技術最多也就一兩百米範圍內較精確，再遠就指望不上了，這時高精度地圖就很重要了。

比如不久前推出的奧迪A8，在搭載Level 3的自動駕駛技術的同時，還擁有HERE全新高精度地圖系統，不僅可以更新行車狀況，實時計算路線，還可以顯示3D模擬街景圖，提供更有效率的導航服務。

據推算，完全自動駕駛階段地圖精度則需要達到 10 至 20 釐米的精度。自動駕駛技術對於地圖更新速度的需求必須是秒級的，只有這樣車輛才能夠具有等同於人類，甚至是超越人類的判斷時間，因此地圖資源的更新會透過雲技術線上升級（OTA），當然這就會對網路提出更高的要求。

此外，實際標誌與儲存標誌的資訊可能不同；在不同的照明和天氣條件下，各種基礎設施標識也難以識別。這就需要提高車輛的深度學習能力，但相關指標可能不符合傳統的感知演算法。

3、 汽車自動駕駛的人工智慧技術

AI對汽車的改變已經不用多說，就自動駕駛汽車而言，人工智慧技術在語音、手勢識別，眼球追蹤，駕駛員監控和自然語言互動等功能的實現上將扮演主要角色。[圖片搜尋和語音識別就屬於基本的AI技術。

自動駕駛汽車要實現在複雜環境或不斷變化的街道中駕駛，需要有很好的感知及決策能力，而這本身就具有不確定性，這種不確定性主要依靠人工智慧技術的深度學習來解決。

至於AI技術的難點，這幾年首先被攻克的是演算法技術，比如近期在圍棋領域正火的AlphaGo就是得益於此。

但構建自動駕駛的深度學習系統卻是一個複雜的系統性工程，包括演算法、軟體、計算架構、處理器、雲端大資料的訓練、模擬系統等等，都需要重新構建。

4、 汽車自動駕駛的網路化技術

網路化技術也就是我們常說的車聯網技術，時髦點的說法就是V2V（車聯車）、V2X（車聯“萬物”）技術等。這項技術的好處很多，比如它能夠實時跟蹤每輛車的實時路況，協調統籌每輛車的行駛，合理安排路線，避免擁堵和交通事故的發生，能夠很大程度上提高自動駕駛的可靠性。但是V2X技術現在還僅處在測試階段，比如此前賓士首款自動駕駛大巴在阿姆斯特丹完成的20公里自動駕駛測試，這輛自動駕駛公交可自動在公交站、紅燈、障礙等位置進行停止或繞行，在每一個公交站可自動實現開關門，並且隧道也不會影響到自動駕駛的效果。實現這一功能的原因正是因為他們完成了大巴與基站之間的溝通。

至於V2V技術，現在已經有比較初階的應用了，比如不少汽車的多媒體系統具備的朋友圈功能，能夠自動搜尋附近的同品牌汽車，並進行類似於微信的交流功能，不過這隻限於娛樂交流，還沒有達到駕駛交流的作用。[比如此前剛釋出的東風AX4，其多媒體系統就有具備類似微信的交流功能。

5、 汽車自動駕駛的基礎設施建設

V2X技術強調的是車與車的互聯、車與基站的互聯、基站和基站的互聯，所以基站的建立就成為了關鍵。例如 GPS 差分基站、LTE-V2X 通訊基站、DSRC和 LTE-V2X 路側單元、智慧紅綠燈和各類攝像頭、WiFi 全覆蓋等。

此外，具有反思能力的道路基礎設施對自動駕駛汽車至關重要。智慧、互聯的道路基礎設施不再是簡單地將訊號燈，路牌或交通指示簡單放置在路面上，而是要對人們現有的交通模式、工作職責等進行修改。