美国Medium科技板块总编StevenLevy表示：“我很难相信，无人驾驶汽车的大规模使用会在近期到来。我们现在也许到了95%，但最后的5%将会是漫长的路途。”事实确实如此。然而就现在，竟然有人用辅助驾驶系统让汽车在高速路上自己行动，当然，这种行为艺术是要付出代价的。

如果你问那些特斯拉Model S车主买他爱车的原因是什么，小编认为一定会有人回答：当然是“自动驾驶啦”，下面这位车主应该就是这样想的。

5月27日，一名欧洲车主正驾驶着他刚买的特斯拉Model S汽车在瑞士的高速公路上行驶，还开启了“自动驾驶功能”（高速路上都敢做这样尝试，活那么大也真不容易）。Model S汽车前面有一辆汽车变道，避让一辆停在高速公路上的货车，这辆货车几乎占据了半个车道。Model S似乎也已意识到了它前面的车辆开始变道，但它并没有发现停在路上的货车。结果，Model S轻微加速地撞向了货车。

终于有借口发个朋友圈了，于是车主赶紧在YouTube上发消息，责怪特斯拉汽车没有发现停泊的货车以及没有启动自动刹车系统。

紧接着就有个评论员在YouTube上指出，你个臭不要脸的，使用手册上都说了这种情况需要司机注意，你不看手册你赖谁，你赖谁。车主一翻手册，我去还真有“警告：交通感知巡航控制系统可能不会为避让静止的车辆而刹车或减速，尤其是在这种情况下：你正在以超过每小时80公里的速度行驶，在你前面的汽车变道后，你面前突然出现一辆静止的车辆或物体。司机要始终注意前方的道路，随时准备好采取紧急纠正措施。完全依赖交通感知巡航控制系统可能会导致严重的伤亡事故发生。”车主这才说：“其实我也有责任。。.。。.”

当然这也不是特斯拉推卸责任啦，无人驾驶一共有四个阶段：驾驶辅助系统、部分自动化系统、高度自动化系统和完全自动化系统，而特斯拉的交通感知巡航控制系统仅在无人驾驶的第一个阶段，属于驾驶辅助系统，那你要拿驾驶辅助系统当完全自动化系统来开，还是在高速上，那只能送你八个字：勇气可嘉，智商感人。

无人驾驶可是个老概念了，上世纪70年代，美国等国家就已经开始着手研究，中国也在80年代紧随其后，发展至今几十年过去了，无人驾驶技术也发展到了第三阶段，然而接下来的路似乎还很长。美国Medium科技板块总编StevenLevy表示：“我很难相信，无人驾驶汽车的大规模使用会在近期到来。我们现在也许到了95%，但最后的5%将会是漫长的路途。”

那除了法律、伦理和道路等问题，无人驾驶技术主要有那些难点呢？

传感系统

不得不承认，现在无人车能出现很大程度上依赖传感器的进步。其实早在 80 年代美国就通过磁钉导航完成过很多无人驾驶的实验。他们在地下埋上磁钉，通过寻找磁钉的方式可以完成高速的巡航、并道、超车等一些列的实验。很明显，这种成本太高，只能作为实验。

后来传感器技术突飞猛进，却依然很难达标。比如天气环境恶劣时将严重影响传感器的精度，或者车辆前方有障碍，要判断障碍物是运动的还是静止的，至于车是停下来还是绕过去，可通过人工势场算法。这部分主要的难度是传感器识别障碍，在车辆运动的前提下，确定障碍的运动状态。也就是说你要在运动的坐标系下，计算另一个物体相对静坐标系的速度，并作出判断。

GPS也是个问题。汽车行驶总要经过一些楼宇隧道吧，如果GPS无法到达，就需要里程计 + 陀螺仪，俗称惯性导航单元。这套系统的原理就是：花钱越多，有效时间越久。如果要能在没有 GPS 的情况下坚持 20 分钟，呵呵，要花3 个帕萨特。

原因是里程计、陀螺仪都存在累积误差。要注意，误差是累计的，也就是说上一时刻是 0.5m 的误差，下一时刻指定大于 0.5m。因此要尽可能约束累积误差，使其数量级很低，那么就要上光纤陀螺。因为电子级的陀螺通常达不到这个精度要求，不知道挠性陀螺行不行，但是估计挠性陀螺和光纤陀螺造价差不多。

感知系统

感知系统主要包括雷达和摄像头。雷达又分为激光雷达、毫米波雷达、超声波雷达等类型。激光雷达又可以分为单线雷达、双线雷达、多线雷达等。

雷达的优势在于测算的精度非常高，探测距离远，当然成本也不低。但也有缺点，比如：激光雷达对雨雾的穿透能力受到限制、对黑颜色的汽车反射率有限；毫米波雷达对动物体反射不敏感；超声波雷达的感知距离与频率受限；摄像头本身靠可见光成像，在雨雾天、黑夜的灵敏度有所下降。

360 度多线激光雷达，用于检测周围障碍物，无人车需要能够感知周围环境，又不能像人一样单纯用眼睛完成，于是这玩意可以返回周围障碍物的距离，误差毫米级。今天价值 3 个帕萨特。iot101君认为以后帕萨特可以作为一个计量单位使用，动不动就几个帕萨特。

摄像头也分单目和双目，当然双目的要好一点啦。双目的原理与人眼相似。人眼能够感知物体的远近，是由于两只眼睛对同一个物体呈现的图像存在差异，或称“视差”。目标距离越远，视差越小；反之，视差越大。所以说双目系统对目标物体距离感知是一种绝对的测量，而非估算。

双目系统成本比较低，而且没有识别率的限制，因为从原理上无需先进行识别再进行测算，而是对所有障碍物直接进行测量，无需维护样本数据库，因为对于双目没有样本的概念。双目系统的缺点在于：计算量非常大，对计算单元的性能要求非常高，这使得产品化、小型化的难度较大。所以在芯片或FPGA上解决双目的计算问题难度比较大。

国际上使用双目的研究机构或厂商，绝大多数是使用服务器来进行图像处理与计算的，也有部分将算法进行简化后，使用FPGA进行处理，这就使效果受到较大程度影响，存在很多噪点与空洞，这对后续的计算不利，存在安全风险。

识别交通标识，如限速牌、红绿灯。这些通过视觉系统完成，难点主要在实时性和鲁棒性。要离线处理这些交通标志是很简单的，但是在无人车上需要能在有限的时间里识别出来，并且考虑道路中可能有的光线变化、遮挡等问题。

人工智能

要说真正让汽车难以在短期内实现无人驾驶的难题，应该是其在“人工智能”上的差距。谷歌在向美国相关部门提供的一份报告显示，在之前的14个月测试中，其无人驾驶汽车总共“主动脱离无人驾驶状态”272次，除了“主动脱离无人驾驶状态之外”，还有69次驾驶员选择取消无人驾驶状态的情况。谷歌表示，如果没有驾驶员的介入，无人驾驶车可能会发生13次交通碰撞事故。

谷歌提供的报告进一步表示，在上述272次脱离无人驾驶的状态中，因为“感知差异”因素造成的脱离次数为119次。何为“感知差异”？说白了就是汽车对当时情况的感觉。比如此前谷歌自动驾驶项目测试组曾邀请两名来自《纽约时报》的记者进行试乘，当时谷歌车辆即将经过一个红绿灯路口，系统检测到对面车道有车辆正以较快的速度行驶。为了避免可能出现的意外，谷歌车辆猛向右边车道变道，但实际上对面的车辆仅仅是在尝试能否通过红绿灯而已，且最终也在信号灯变红前完全停了下来。

特斯拉搭载的号称具有强大学习能力的OTA系统也同样被曝出有认知缺陷，比如其暂时不能识别红绿灯系统。如果经过红灯时前方恰好有车，那么特斯拉可以刹停，但是一旦前方没车，特斯拉并不能做到自动停车。

据知名零部件公司博世和德尔福提交的针对自动驾驶的报告，在很多情况下，驾驶员都必须对自动驾驶的车辆进行干预，以保证安全，而这些情况包括糟糕的车道标线、过于明亮的太阳光导致摄像头失灵、建筑区以及其他驾驶员的无规律行为等。

沃尔沃在去年的时候曾经将其在瑞典哥德堡测试的名为“Driveme”的自动驾驶项目带到北京进行路试，在这一过程中，一辆具备自动驾驶功能的沃尔沃V60就因为系统里并没有涵盖某一因为别的驾驶员的违规行为的数据，而导致系统死机，最后不得不选择人工驾驶。

显然，机器智能在这种“感知”上尚无法与人做到同样的智能，更何况全自动驾驶了，所以，真正的无人驾驶汽车，真得至少再等上五年。