自動駕駛的技術(shù)發(fā)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(shù)上已經(jīng)實現(xiàn)了重大突破。車道偏離系統(tǒng)（Lane departure systems）的功能已經(jīng)從僅發(fā)出警告發(fā)展到全主動的車道保持。防前撞系統(tǒng)（Forward collision systems）在性能和功能上都取得了進步，不僅提供了主動制動功能，而且還能夠檢測騎自行車的人、行人以及其他車輛。但是，與機器可以實現(xiàn)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(lǐng)先，而且在許多關(guān)鍵領(lǐng)域我們?nèi)匀粺o法提供能夠?qū)崿F(xiàn)SAE 4級自動化所需性能和功能的傳感器。在本文，我們涉及了一些特別具有挑戰(zhàn)性或目前完全無法解決的情境來加以說明。

技術(shù)挑戰(zhàn) 1 ー

預(yù)測車輛在前方道路上的制動性能

前向碰撞警告和自動緊急制動系統(tǒng)（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(yù)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性能表現(xiàn)。

① 機載方法（On-boardapproach）

② 基于云的計算方法（Cloud-basedmapping approach）

技術(shù)挑戰(zhàn) 2 ー

預(yù)測行人軌跡

在包含行人的環(huán)境中行駛的任何自動駕駛汽車都需要預(yù)測附近行人路線，并相應(yīng)地調(diào)整其路線以避免碰撞。但是，預(yù)測人類目標(biāo)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(yù)知性，不會嚴(yán)格遵守既定的規(guī)則和社會規(guī)范。

對可能解決方案的看法

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

技術(shù)挑戰(zhàn) 3 ー

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后，大多數(shù)駕駛員能夠決定是避開還是開過去。在這段很短時間內(nèi)，駕駛員在執(zhí)行各種風(fēng)險計算，根據(jù)感知到的物體大小、重量和密度，將權(quán)衡停止、轉(zhuǎn)彎或駛過雜物的相對風(fēng)險。在遇到雜物時，自動駕駛汽車通常會先經(jīng)歷四個階段的過程，然后再決定要采取什么措施。

涉及的階段包括：

① 識別

② 分類

③ 了解物品

④ 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(zhàn)性，但可使用在現(xiàn)實世界中經(jīng)過識別大量物體訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來實現(xiàn)。提早識別物體是很重要的，因為這會使系統(tǒng)有更多時間余量進行后續(xù)階段操作。除此之外，還需要一些額外的系統(tǒng)訓(xùn)練來幫助對不常遇到的情景（例如，沙發(fā)從卡車上掉下來）進行物體分類，以完善數(shù)據(jù)庫。第三階段涉及物體的完整圖片信息的建立，并將涉及來自多個傳感器的信息融合。例如，如果識別出桶型物品，那么它是由什么制成的？是空的還是滿的？無論最終的行為是撞擊還是避開物體，這一最后階段的結(jié)果都會因一系列的碎片動態(tài)行為而變得復(fù)雜。它很可能在起始識別到接觸這一時間段內(nèi)移動，并且其運動將取決于一系列因素，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。類似于先前關(guān)于行人軌跡討論的建模技術(shù)的使用，將來可能會為這一挑戰(zhàn)提供解決方案。

技術(shù)挑戰(zhàn) 4 ー

管理不同的天氣條件

當(dāng)前的光學(xué)傳感系統(tǒng)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范圍，甚至使它們完全無法工作。在大多數(shù)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(nèi)，潛在的解決方案已經(jīng)開始試用。由于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。用于地面的雷達正在開發(fā)，它將被用來進行地面的拓撲分析，并將結(jié)果與道路網(wǎng)絡(luò)數(shù)據(jù)庫進行比較。期望在將來，該信息可能能夠在任何天氣下幫助車輛在高速公路上行駛并保持在車道內(nèi)。

挑戰(zhàn)“這些挑戰(zhàn)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(jiān)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(guān)鍵技術(shù)難點仍未解決。并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(shè)想的時間長。”