自動駕駛車輛的未來，究竟離開我們有多遠？答案有萬千種。實際上，自動駕駛車輛既遠在天邊，又近在眼前。在過去的幾十年裡，自動駕駛的概念引起了人們的極大興趣和關注，因為人們相信它能為個人和社會帶來諸多好處：提高道路安全，減少交通擁堵、事故和死亡，節省通勤時間和降低汙染。在自動駕駛這個主題上正在進行著很多的工作，關於如何讓汽車去感知了解環境，做出類似人類的決定，並實現自動駕駛，人們已經進行了很多研究和實驗，批次應用到了呼之欲出的地步。
如今，我們已經看到許多自動駕駛車輛，在受控環境中，在人類駕駛員的監督下，在良好的道路和條件下，在道路上進行試驗。有關的研究人員預測，到2025年道路上將有大約800萬輛自主或自動化車輛。在進入公路之前，駕駛汽車自動化分級首先必須透過六個級別的駕駛員輔助技術進步。美國汽車工程師學會（SAE）定義了六個級別的駕駛自動化，範圍從0級到5級。美國交通部（DoT）採用了這些分級標準。它們是：0級-無駕駛自動化；1級—輔助駕駛自動化；2級—部分駕駛自動化；3級—有條件駕駛自動化；4級—高階駕駛自動化；5級—駕駛完全自動化
自動駕駛汽車面臨哪些挑戰？
許多人仍然對如何設計一個能夠在所有可能條件下像人類一樣處理車輛效能的自動或無人駕駛車輛系統感到好奇。自動駕駛汽車是感測器和執行器、複雜演算法和執行軟體的強大處理器的組合。有數百個這樣的感測器和執行器位於車輛的各個部分，由一個高度複雜的系統在驅動。
自動駕駛汽車中有不同種類的感知系統：1）導航和導航感測器，用於確定你在哪裡以及如何到達目的地；2）駕駛和安全感測器，如攝像頭，以確保車輛在任何情況下都能正常工作，並遵守道路規則；3）用於管理車輛內部系統的效能感測器，如功率控制、總功耗和散熱。
雖然自動駕駛車輛系統之間可能略有不同，但核心軟體通常包括定位、感知、規劃和控制。感知系統透過攝像頭、鐳射雷達和雷達感測器感知、理解並建立對環境和周圍物體的全面感知。規劃軟體負責路徑規劃、風險評估、任務管理和路徑生成。機器學習（ML）和深度學習（DL）技術廣泛用於定位和對映、感測器融合和場景理解、導航和運動規劃、駕駛員狀態評估和駕駛員行為模式識別，以及感知和規劃的智慧學習。透過收集感測器資料和釋出處理，可以使用地圖軟體生成和更新高畫質晰度車道級地圖資料。
感測器融合是一項重要任務，它將從多個感測器獲取的資訊進行整合，以檢測異常值，並減少每個感測器資料的不確定性，從而提高準確性、可靠性和魯棒性。對於感知和定位系統，融合方法有三個級別：高階/決策級、中級/特徵級和低階/原始資料級。
每個融合級別在精度、複雜性、計算負載、通訊頻寬和融合效率方面都有其優缺點。常用的融合演算法有統計方法、機率方法（如卡爾曼濾波和粒子濾波）、基於知識的理論方法和證據推理方法。環境感知地圖是根據障礙物、道路、車輛、環境和駕駛員的資訊構建的。定位通常使用GNSS、IMU、攝像頭和鐳射雷達進行。
新出現的研究提出了不同的方法，以滿足本地化和對映階段的需要，並感知環境以產生端到端的駕駛決策。自動駕駛中使用的三種定位技術：一是：基於GNSS/IMU的定位，以及DGPS和RTK，以確保GNSS訊號的連續性；二是基於視覺的定位，包括模擬定位和對映（SLAM）和視覺里程計；三是基於地圖匹配的本地化，使用“先驗地圖”。
自動駕駛汽車的以下五大挑戰需要持續的研發工作：
•感測器。自動駕駛汽車中的感測器繪製環境地圖，並將資料反饋給汽車的控制系統，以幫助決定轉向何處或何時剎車。一輛完全自主的汽車需要精確的感測器來檢測所有條件和環境下的物體、距離、速度等。惡劣的天氣、擁擠的交通和不清晰的路標會對鐳射雷達的精度和攝像頭的感應能力產生負面影響。另一個潛在威脅是雷達干擾。在道路上行駛時，汽車上的雷達會不斷髮射無線電波，這些電波會被周圍的汽車和道路附近的其他物體反射。當這項技術用於道路上的數百輛車輛時，汽車很難區分自己的（反射）訊號和另一輛車的（反射或傳輸）訊號。鑑於雷達可用的無線電頻率有限，不太可能滿足所有制造的自動駕駛汽車的要求。雖然全球導航衛星系統具有覆蓋全球、全天候執行、提供絕對位置而無需地圖或道路標記資訊的優勢，但其總體準確性和可用性一直是完全自治系統所關注的問題。
•機器學習。大多數自動駕駛汽車使用AI或ML來處理來自感測器的資料，以便更好地對物體進行分類，檢測距離和運動，並幫助做出下一步行動的決策。它最佳化並更好地整合不同的感測器輸出，從而獲得更完整的影象。預計機器將能夠比人類駕駛員更有效地執行檢測和分類。到目前為止，機器學習演算法在所有條件下都是可靠的，這一點尚未被廣泛接受和認可。對於機器學習應該如何培訓、測試或驗證，整個行業缺乏一致意見。
•開闊的道路的繼續學習。自動駕駛汽車一旦上路就會繼續學習。它會檢測訓練中未遇到的物件，並更新軟體。我們需要一個機制或行業協議，以確保任何新的學習都是安全的。
•監管。對於一個完全自治的系統，還沒有足夠的標準和法規。現有車輛安全的現行標準假定在緊急情況下有一名人類駕駛員接手。對於自動駕駛車輛，有針對特定功能的新法規，例如自動車道保持系統。如果沒有公認的法規和標準，允許自動駕駛汽車在公路上行駛是有風險的。
•社會可接受性。社會接受度不僅是那些願意購買自動駕駛汽車的人的問題，也是與他們共享道路的其他人的問題。公眾是參與自主車輛引進和採用決策的重要因素。
自動駕駛汽車的新法規是什麼？
在美國，聯邦汽車安全法規基於聯邦機動車安全標準（FMVSS）。這些法規為汽車的每個安全相關部件制定了詳細的效能要求。在汽車進入市場之前，製造商必須證明車輛與道路上的汽車一樣安全。聯邦法規沒有太多說明公司在將汽車推向市場之前如何開發和測試汽車。聯邦政府正在提供不具約束力的指導，這是在不確定環境下的一種適當方法。
在國際上，60多個國家通過了一項聯合國法規，該法規將允許在某些交通環境中安全引入自動車輛，從而在機動性方面達到了一個里程碑。聯合國法規“三級自動化”對自動車道保持系統（ALKS）提出了嚴格要求。在禁止行人和騎腳踏車的道路上，ALK可以在特定條件下啟用，並且配備了一個物理分隔裝置，用於分隔向相反方向行駛的車輛。ALKS系統的速度限制為60km/h。該法規包括汽車製造商有義務引入駕駛員可用性識別系統，以檢測和控制駕駛員的存在，併為車輛配備自動駕駛資料儲存系統（DSSAD），以記錄何時啟用ALKS。
自動化和自動駕駛車輛是如何被公眾接受的？
全自動車輛幾乎可以消除影響駕駛員表現的人為因素和錯誤，如老化、疾病、壓力、疲勞、缺乏經驗或濫用藥物，從而提高安全性。然而，關於自動駕駛車輛的部署，個人和社會都存在一些擔憂：維護費用的高昂成本、出行需求增加可能導致的燃油消耗和二氧化碳排放量增加、與保護使用者和行人有關的法律和道德問題、隱私擔憂和駭客攻擊的可能性，以及替代交通服務提供商的工作崗位流失。
有人認為，廣泛採用自動駕駛的最大障礙是心理上的，而不是技術上的。使用者對自動駕駛的接受對於自動駕駛成為未來交通的現實組成部分至關重要。使用者接受度的定義沒有標準化，因為有許多不同的方法來確定和模擬使用者接受自動駕駛車輛的意願。
公眾接受自動駕駛的知識有限，需要更多的研究來理解使用者接受的心理決定因素。影響因素可能包括對精確自主技術的信任、個人創新能力、放棄駕駛控制可能導致的焦慮程度、與個人位置資料相關的隱私問題，以及用於無線網路、導航系統、自動控制和系統整合的精密感測器系統的高成本。