埃隆·馬斯克曾經(jīng)多次強調(diào)，特斯拉公司將在2020年年底之前打造出全自動駕駛汽車?！斑@方面存在很多小問題，最大的挑戰(zhàn)就是如何把這些小問題全數(shù)解決掉，再整合進一套統(tǒng)一的系統(tǒng)當中?！?/p>

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(yè)界稱之為「L5級自動駕駛」）也許正在走近，但實際生產(chǎn)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(zhàn)。下面來看五大最為核心的障礙。

1. 傳感器

自動駕駛汽車使用各種各樣的傳感器以“觀察”周邊環(huán)境，幫助系統(tǒng)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，激光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并跟蹤其行進速度與方向。

這些傳感器會不斷將數(shù)據(jù)饋送至汽車的控制系統(tǒng)或計算機端，借此決定應在哪里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(huán)境下，準確檢測物體、距離、速度等指標的傳感器，且全程無需人為介入。

但惡劣的天氣、繁忙的交通以及帶有涂鴉的道路標志，都會對傳感器的識別能力產(chǎn)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于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(jīng)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，該公司的傳感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能與機器學習處理來自傳感器的數(shù)據(jù)，并根據(jù)結合做出關于下一步行動的具體決策。這些算法將幫助系統(tǒng)識別傳感器檢測到的目標，并根據(jù)訓練經(jīng)驗將目標分類為行人、路燈等。最后，汽車再使用此信息確定是否需要回避檢測到的物體，以及接下來需要采取哪些行動——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對象檢測與分類能力。但至少就目前來看，汽車中所使用的機器學習算法仍然缺少充分的安全性依據(jù)。在如何訓練、測試或驗證機器學習算法方面，各標準化機構乃至整個自動駕駛行業(yè)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后，還將繼續(xù)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，并據(jù)此進行軟件更新。

那么，我們該如何保證系統(tǒng)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(tǒng)不會忘記之前掌握的安全知識。遺憾的 是，業(yè)界目前對此還沒有統(tǒng)一的解決思路。

4. 監(jiān)管要求

不單是自動駕駛領域，目前還沒有哪個行業(yè)針對自主系統(tǒng)出臺充分的標準與法規(guī)?，F(xiàn)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。

對于自動駕駛汽車，法規(guī)只針對某些特殊功能（例如自動車道保持系統(tǒng)）做出了規(guī)定。至于包括自動駕駛汽車在內(nèi)的自動駕駛系統(tǒng)，雖然已經(jīng)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傳感器、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(guī)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(jīng)先后引發(fā)多起事故。由此引發(fā)的社會認可度低下問題不僅來自打算購買這類產(chǎn)品的用戶，也來自與這類用戶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采用決策當中。如果缺少這個環(huán)節(jié)，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(zhàn)，我們才有機會攻克最后兩個障礙。目前，業(yè)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(xiàn)汽車安全、提供安全證明以及通過監(jiān)管機構/公眾合作取得認可接納達成共識，那么自動駕駛汽車在未來幾年中仍然只能長期處于測試階段。

對于馬斯克這樣的企業(yè)家來說，這樣的現(xiàn)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(guī)與接納度等領域取得突破的廠商，才能發(fā)展為新的巨頭、并引領整個新的時代。