盡管沒有具體答案，但鑒于近年來的大量創新，自動駕駛仍處于一個令人興奮的時代。其中許多發明來自波士頓，包括Analog Garage致力于技術工作的工程師。在Analog Garage，我與多位專家討論了自動駕駛的未來，參與討論的包括Aptiv自動移動性部門nuTonomy自動駕駛系統副總裁Eryk Nice、美國交通部沃爾普中心的Anita Kim和創業投資基金F-Prime Capital的Sanjay Aggarwal。

如果我們深入研究自動駕駛，就會發現許多基礎傳感器技術已應用到當今汽車中。攝像頭無處不在，雷達技術開始在自動緊急制動等應用領域廣泛部署。遺憾的是，從我們的目標到能夠真正實現自動駕駛車輛的更高級別自動化，該傳感器技術仍有很長的路要走。

當今汽車尚未部署激光雷達系統，但該特定檢測技術獲得了行業的巨大投資。需要率先想辦法在不超出大小、重量、功率和成本預算的條件下實施激光雷達。此外，行業要想從警告成功轉向驅動系統，從性能的角度來看，仍有許多工作必須完成，這樣才能確保更低的錯誤判斷率。如今，這些感知系統是為了警告用戶其車輛的操作范圍內存在需要注意的對象，但這些傳感器的性能通常不足以構成基本輸入來驅動車輛或更改汽車的操作。

目前，在美國，每行駛1億英里，就會發生一起與車輛相關的死亡案例。

自動駕駛車輛無論是模擬還是在路上，都尚未接近該數字。若要達到最低安全閾值，自動駕駛汽車必須繼續在惡劣的天氣和道路條件中進行測試。例如，波士頓的駕駛條件與拉斯維加斯不同，甚至更具挑戰性。如果自動駕駛汽車可以安全地在波士頓的交通中行駛，解譯許多當地人都感到困惑的道路標志，并避免春季必然存在的路面坑洞，這對于展示該技術的成熟將大有幫助。

此外，當今汽車在操作時已實現一定程度的半自動化，但這些系統的性能存在廣泛差異，對消費者而言，這可能會引發信任的問題。如果我們坐上一輛汽車，它以一種方式操作和驅動，然后我們坐上另一輛汽車，這輛車以不同的方式操作，那么消費者將如何應對這種體驗？如果我們可以統一來自不同制造商的不同車輛中的安全系統，那么技術就可以更加一致、更加廣泛地交付到市場。但現如今，汽車制造商在開發和部署安全系統時，明顯缺乏一致性，行業必須解決這個問題。

數據堂自有數據集的“智能駕駛數據解決方案”中掌握著駕乘人群的行為數據，不僅包含駕駛員行為標注數據50種動態手勢識別數據，103282張駕駛員行為標注數據等，還包1300萬組人機對話交互文本數據，245小時車載環境普通話手機采集語音數據。不管是街景場景數據，駕駛員行為數據，還是車載語音數據，數據堂基于Human-in-the-loop智能輔助標注技術”和豐富的AI數據項目實施經驗及完善的項目管理流程，支持智能駕駛場景下駕駛艙內、艙外的圖像、語音數據采集任務，輔助智能駕駛技術在復雜多樣的環境下更好的感知實際道路、車輛位置和障礙物信息等，實時感知駕駛風險，實現智能行車、自動泊車等預定目標。對于智能駕駛而言將是其他企業難以企及的優勢。

車輛工業設計是另一個可以促進和增強消費者信任的關鍵機會。自動駕駛出租車將成為自動駕駛車輛的首個實施方案。在這些應用中，傳感器將位于突出的位置，以便向乘客展示系統能夠“看到”車輛周圍的情況。這將有助于向公眾強調，核心傳感器和計算框架能夠應對自動操作車輛的挑戰。反過來，隨著技術日趨成熟、客戶需要（和信賴）更高級的自動駕駛功能，這將回饋大眾市場汽車應用。在這些應用中，傳感器位于“引擎蓋下面”，用戶必須相信它們在各種情況下都能正常操作。

審核編輯黃宇