距離馬斯克“2021年底交付全自動駕駛汽車”的預言已經過去好幾個月了，情況和他在2019年、2018年給出承諾后的狀態一樣，鴿了。

其實，在過去十年中，各路技術專家預測完全自動駕駛實現日期，都是用“即將到來”一詞，似乎每一次預測都落空了。

那么，自動駕駛現在處在什么狀態?有哪些問題亟待解決?近日，communications of ACM 發文《Still Waiting for Self-Driving Cars》理清了這些問題。

以下是編譯原文，請欣賞：

盡管特斯拉在2021年10月份發布了稱之為AutoPilot的全自動駕駛功能，但實際上還差的遠呢。相反，其實，市面上提供的自動駕駛功能，只達到了國際自動機工程學會(SAE)制定的自動駕駛分級標準的前三等級，能夠組合駕駛輔助。

今天，大多數新車都有一些輔助駕駛技術加持，例如自動剎車、自動巡航等等。高級一點的，已經可以歸為Level 2 的特斯拉，已經可以系統管控汽車速度，以及自動轉向，只是仍然需要司機保持專注，期望避免突發事件。

本田和奧迪有的車型達到了Level 3，允許車輛完全自動控制，但需要滿足低速、天氣狀況良好、特定路段等要求。

因此，大多數車都可以實現Level 2 、Level 3的自動駕駛。而具備Level 4系統的車輛最有可能發生在長途卡車中。原因之一是該車種的司機大量缺乏，最有動力來推動發展自動駕駛。另外，在美國等地區，州際等級別的跑長途道路有很好的路況，車輛之間有明確的“物理隔離”。

1、技術障礙

完全自動駕駛之所以沒有實現，技術上的障礙是原因之一。具體而言，是傳感器和攝像頭相關的開發，正在面臨挑戰。自動駕駛汽車攝像頭和傳感器作用巨大，可以檢測汽車可能遇到的各種物體，例如道路標志、交通信號燈和其他車輛或行人等等。

大多數自動駕駛系統采取自上而下的方式訓練導航系統，目的是為了識別特定物體。考慮到可能遇到的各種潛在情況，以及自動駕駛系統對這些情況的“無限反應”，例如由于照明條件、眩光或陰影，道路標志可能無法得到精確地識別;動物和人在面對迎面沖撞而來的車輛時做出不盡相同的反應。因此，所有這些使得訓練過程需要巨量的數據。

理想情況是，海量數據被輸入到算法中，然后幫助車輛解釋這些對象和動作，以便車輛可以安全地調整其速度、位置和清晰度。即使在車輛尚未行駛的道路上，或者在出現以前從未遇到過的情況下也能精確反應。

然而，在現實世界的場景中，喂了海量數據的算法仍然很難識別物體，例如在一起涉及特斯拉Model X的事故中，車輛的傳感攝像頭未能在明亮的天空下識別卡車的白色一面。

2、潛在的解決方案

許多自動駕駛汽車事故涉及所謂的(緊急情況，edge cases)，例如在道路上遇到行人和動物，具有攻擊性的駕駛員進行破壞性駕駛或者駕駛員故意違反交通法規等等情況。為了解決這些難題，研究人員正在研究高清地圖系統，這類技術比GPS還要精確。此外，研究人員還可以發展通信技術，使得車輛與公路上的基礎設施可以交互，以幫助自動駕駛汽車在這些緊急情況下保持安全。

然而，鑒于通信網絡的延遲問題，基于車輛到一切通信，包括V2I(車輛到基礎設施)、V2N(車輛到網絡)、V2V(車輛到車輛)、V2P(車輛到行人)、V2D(車輛到設備)和V2G(車輛到電網)通信，可能無法處理瞬時決策。

奧迪、本田、豐田、沃爾沃和Aurora Innovation的自動駕駛團隊采取的方法是：采用光探測和測距技術，通常稱為LiDAR。Aurora表示，它已經設計了專有的傳感器FirstLight Lidar，使用頻率調制連續波(FMCW)LiDAR，可以看到前方四分之一英里(約400米)的地方，還可以即時測量車輛周圍物體的速度。Aurora表示，這項技術的使用為自動駕駛系統創造了更多的時間來進行剎車或安全操縱，特別是對于重型卡車。

與此同時，自動駕駛初創公司Waymo正專注于提供叫車服務。該公司表示，Waymo Driver自動駕駛技術在很大程度上是按照Level 4運行的，并謹慎繪制了包括車道標記、交通標志、信號燈、路邊石和人行橫道等在內的地圖。此外，該系統基于超過2000萬英里的真實駕駛和超過200億英里的模擬駕駛數據進行構建，使Waymo駕駛員能夠準確預測其他道路駕駛員、行人或物體可能會做什么。

目前正在德國測試如何通過終端遠程控制車輛。總部位于柏林的初創公司 Vay 一直在柏林測試一支遙控電動汽車車隊，并計劃今年在歐洲甚至美國推出出行服務。該服務允許客戶訂購一輛遙控汽車，并讓汽車將他們帶到目的地;如果車輛到達目的地，用戶下車，之后數英里外的人類遠程駕駛員停放車輛或將其引導至下一個客戶，該公司聲稱其系統能滿足最新的汽車安全相關的安全標準，并部署冗余的硬件組件和網絡連接。

這種“遠程操作”有人保持懷疑態度。雖然新的通信技術更快、更穩定，但延遲和連接性仍然是一個大問題。畢竟，駕駛員面臨的緊急情況通常需要在幾毫秒內做出決定，并且由于網絡擁塞導致的任何延遲問題都可能使完全遠程的駕駛員難以在緊急情況下做出響應。

3、訓練 AV 系統

然而，為了讓自動駕駛系統在所有駕駛場景中都能安全運行，仍然需要圍繞算法開發和測試完成大量工作，以確保車輛導航系統能夠理解迎面而來的司機，以及司機和行人之間的社交互動。

通常，如果行人即將過馬路或正在過馬路，駕駛員和行人會進行眼神交流，并會使用非語言提示來指示他們移動。同樣，缺乏這種眼神交流會向駕駛員發出信號，表明行人或其他駕駛員不知道他們的存在，他應該采取規避行動以避免或減輕碰撞。

有專家表示，訓練一個系統識別這些線索，是可以做到的，但需要大量的計算能力和訓練時間，并需要多年時間來開發一個可靠和值得信賴的系統。與此領域相關的是感知功能支持，人類和自動化之間有很大的感知差異。我們通常能理解人類駕駛事故，而對自動駕駛事故感到困惑，所以，當我們看到一場人類駕駛事故時，我們會說，是的，我能理解這是怎么發生的。但當我們看到自動駕駛事故時，我們會說，好吧，這太荒謬了——我不知道那輛車怎么會犯這樣的錯誤。

通常情況下，人類司機隨著時間的推移積累了足夠的經驗，可以安全地處理其他司機做出非理性或意外決定的情況，通常是通過減速、靠邊停車或簡單地保持其速度和行駛方向，以便人類、動物或其他車輛可以繞開他們。

英國利茲大學應用行為建模主席 Gustav Markkula 說：當前的自動駕駛算法對人類行為沒有足夠復雜的隱含理解，以有效地處理交通中的交互。在道路中人類之間有那種隱含的理解，例如司機了解行人在進行什么，行人和司機進行交互以確保自身安全。

4、監管方面的挑戰

實現完全自動駕駛汽車商業化的最大障礙可能是道德和責任問題，包括如果自動駕駛汽車殺了人或傷了人，或破壞了財產，哪一方應承擔過錯?多年來，美國政府拒絕對特斯拉的自動駕駛儀和通用汽車的超級巡航等駕駛輔助系統進行監管。

趨勢正在改變，2021年6月，美國政府表示，所有汽車制造商必須報告涉及駕駛輔助系統的碰撞事故。此外，美國國家公路運輸安全局(NHTSA)在2021年8月對使用自動駕駛儀的特斯拉汽車追尾緊急車輛展開了調查，這些車禍已經造成17人受傷，1人死亡。

NHTSA 五年前的指導闡明了該機構有權在自動駕駛系統顯示“可預測的濫用”證據時進行干預，這通常在 YouTube 的視頻中說明盡管特斯拉手冊中有警告，但駕駛員在駕駛座上睡覺、玩游戲或從事其他會轉移駕駛員注意力的活動。

最終，達到Level 5級自動駕駛系統可能需要十年或更長時間才能實現。技術問題、監管問題和持續的芯片短缺是開發該系統的障礙。完全自動駕駛很可能會首先部署在商用車上，包括自動駕駛卡車、叫車服務和班車。除了擁有購買這些車輛所需的資金外，商業實施更有可能將運營限制在特定的已知道路上，以及為自動駕駛車輛建立和執行公司特定的安全操作參數，例如使用攝像頭來確保司機積極關注道路。

本文轉自雷鋒網，如需轉載請至雷鋒網官網申請授權。