為了更好地區分不同層級的自動駕駛技術，國際汽車工程師學會（SAEInternational）于2014年發布了自動駕駛的六級分類體系，美國國家公路交通安全管理局（NHTSA）原本有自己的一套分類體系，但在2016年9月轉為使用SAE的分類標準。今天絕大多數主流自動駕駛研究者已將SAE標準當作通行的分類原則。

SAE標準將自動駕駛技術分為0級、1級、2級、3級、4級、5級，共六個級別。

0級自動駕駛人類駕駛員負責動態駕駛任務的所有環節。動態駕駛任務是指控制車輛所采取的行為，可能有些系統會為司機提供幫助，如自動緊急制動系統，甚至在特定情況下進行干預。但是，由于這些系統沒有持續參與完成動態駕駛任務，因此它們還不能稱為自動化系統。

現在路上我們已經很少能看到0級的汽車了，因為0級意味著連ABS防抱死這種最基本的安全配置都沒有。

1級自動駕駛是輔助駕駛系統，能持續提供轉向或加速和制動控制，但只在限制條件和特定情況下提供。自適應巡航控制系統被認為屬于1級自動駕駛：該系統可控制加速和制動，從而使汽車在公路上與前方車輛保持一定距離，但人類駕駛員仍然需要負責駕駛中的所有其他方面。

生活中1級是我們最常見的，比如最基本的ABS，以及在ABS基礎上升級而來的ESP，還有高速路段常用的定速巡航、ACC自適應巡航功能及LKA車道保持輔助，或多或少都是屬于SAE規定的1級。

2級自動駕駛也是輔助駕駛系統，但既提供轉向，也提供加速和制動控制，同樣是在限制條件下提供。由于人類駕駛員需要定時干預，該級別的自動駕駛程度仍然不高。2級和1級最明顯的區別是系統能否同時在車輛橫向和縱向上進行控制。

1級——2級的難點

單獨的橫向控制（車道保持）或縱向控制（ACC等）技術已經十分成熟，那么兩者同時控制時，如何將舒適性做到最優，是該級別遇到的挑戰。

2級別不具備較高級別的自動駕駛功能，需要駕駛員實時監控并做好接管的準備。如何友好的和恰當的交互方式通知駕駛員接管車輛，而不影響到駕駛員的心情，是該級別另一挑戰。

現在能達到2級的車型已經很多了，各大品牌的中高端車型，例如JEEP自由光、沃爾沃等等，當然也包括大名鼎鼎的Tesla，因為2級并沒那么神奇。

3級自動駕駛是真正開始進入實際自動駕駛的級別。該級別的自動駕駛是“有條件的自動駕駛”，這意味著只有在一定條件下自動駕駛系統才能運行。但一旦開始運行，汽車就完全自動駕駛。目前，奧迪A8L就屬于3級自動駕駛。

3級與2級自動駕駛的差異在于自動駕駛的程度：系統運行時，人類駕駛員通常無需進行干預，但仍需在一定程度上保持警惕，以在系統提示需要人類接管時介入，這對于自動駕駛技術來說是一個很大的跨越。

2級——3級“從無到有”的挑戰

特斯拉曾因為傳感器的硬件缺陷，導致車輛與卡車相撞，當時Auto Pilot 1.0的硬件配置很難處理特殊路況，比如交叉路口。正是因為傳感器感知缺陷這種因素的存在，整車廠做自動駕駛時就顯得尤為保守，要么增加傳感器以加強感知能力，比如全新奧迪A8加的四線激光雷達；要么就通過監視駕駛員的面部狀態，確保駕駛員實時觀測著前方路況，比如凱迪拉克CT6。

4級自動駕駛屬于高度自動駕駛。一般來說，我們使用4級自動駕駛來描述完全自動駕駛的系統。除了某些特殊情況，一般無需人類干預。依靠特殊地圖工作的自動駕駛汽車屬于4級自動駕駛：只要是有地圖的地方，這類汽車都能實現完全自動駕駛，而無需人類干預，但并非在任何地方都能自動駕駛。

3級——4級“不全面到全面”的挑戰

高精度地圖采集在國外并不是難事，但在國內因為國防等因素不是一般的難辦。除了大家耳熟能詳的BAT有地圖測繪資質外，國內有測繪資質的圖商寥寥無幾。

激光雷達的成本短期內還降不下來，這也是4級自動駕駛汽車還未普及的重要原因之一。Waymo在去年宣布將激光雷達成本降低90%，激光雷達廠商Velodyne在今年年初也宣布，16線激光雷達從大約7999美元的售價降至3999美元，雖然價格仍然不菲，但低成本是未來普及自動駕駛汽車的必然趨勢。

4級自動駕駛技術對算法的準確性和精確性要求更高，甚至超過人類的認知水平，這就需要的是極具魯棒性的算法和穩定的計算平臺，只有這樣才能確保自動駕駛汽車即使遇到突發情況也能較好應對。

法律法規問題從自動駕駛概念出來以后就一直討論不休，到目前也只有少數地區允許自動駕駛汽車上路行駛，并規定駕駛員必須保留車輛的控制權。如果要實現完全自動駕駛，這一法規就必須修正，并且對自動駕駛車輛出現的事故責任做好劃分，明確不同場景下交通參與者的相關責任，如果僅僅簡單的將責任從駕駛員轉移到生產廠商，怕是大多數企業都會保守應對。

5級自動駕駛屬于完全自動駕駛，只要是人類能夠駕駛的地方，該類型汽車都能駕駛。只要有可通行的道路，這種車能去任何地方，任何時候都無需人類駕駛員干預。

4級——5級“不完美到完美”的挑戰

五級難度首先來自于感知，雖然有多種傳感器，但這些傳感器輸出大量原始數據。普通人看攝像頭和激光雷達的數據很容易識別出里面的內容，但電腦就很困難。普通的模式識別識別率會很快達到瓶頸，這時候就需要深度學習，需要大量的數據進行訓練，而當今深度學習以及人工智能并沒有給識別工作帶來質的飛躍。很多顯而易見的場景，電腦就是認不出來。同時當數據量增多時，計算的時間也會延長，系統響應變慢，這就導致這些無人車只能低速行駛。

另一大難題是決策控制，主流方式是專家系統，把所有的經驗進行總結，歸納為代碼。但現實中的駕駛場景變化莫測，遇到沒見過的場景可能就無響應了。人工智能成為解決問題的唯一希望，但純靠人工智能進行決策控制還不太現實，因為需要大量數據進行訓練。最佳的方式是專家系統與人工智能結合，但如果結合是目前的難點。

五級的自動駕駛汽車是不需要方向盤的，如果現在讓你去乘坐一輛沒有方向盤的汽車，而且不能接管操作，我相信大家心里多少都會感覺不安。因此人類的接納程度也是自動駕駛普及的一個大難點，需要時間建立信任。

自動駕駛技術十分依賴高精度電子地圖，所用到的電子地圖一定要確保實時且易于更新。未來每一輛在路上行駛的自動駕駛車，不僅是用于正常通勤，同時也是地圖信息的采集車，實時將當前地圖信息反饋至云端供其他自動駕駛汽車使用。

總結：綜上所述要實現自動駕駛量產與更高級別的程度可謂是困難重重，但各方參與者都已經開始行動，大量的公司加大對自動駕駛技術的研究，政府部門開始推行部分區域自動駕駛測試和示范區，保險公司和法律相關人士也開始研究責任劃分問題，由此可見自動駕駛的前景還是可以期待的。