令人頭疼的軟件方面的問題仍然存在

開發(fā)出與自動駕駛汽車硬件所具備的全部潛力相配且能充分利用之的軟件仍然需要較長時間，鑒于問題的復雜性和目前以科研為導向的屬性，工程開發(fā)方面的時間進度表基本已處于停滯狀態(tài)。

一個關鍵的問題是，自動駕駛汽車必須在道路上有其他自動駕駛汽車以及人類駕駛員的情形下，學習如何與之協(xié)商駕駛方式（注： Chris Urmson在4月份CMU的講座中也指出這是一個令人頭疼的博弈難題）。此外，使用易出錯的GPS傳感器來對車輛進行高精度定位是另一個待解決的復雜問題。解決上述難題不僅需要大量的前期研發(fā)，而且還需要經過長時間的測試和驗證。

3種類型的問題更具體地說明了軟件問題。首先是物體分析（Object Analysis），即探測到物體并理解它們所代表的含義，對自動駕駛汽車至關重要。例如，該系統(tǒng)應該以不同的方式處理靜止停放的摩托車和在路邊騎自行車的人。因此，必須在物體分析階段就捕捉到兩者之間關鍵性的差異。

物體分析問題中的初步挑戰(zhàn)是物體探測，考慮到一天中不同的時間段、環(huán)境背景和任何可能的運動，這項任務可能會變得很困難。此外，考慮到傳感器所采集的各數(shù)據(jù)類型（來自激光雷達的點云數(shù)據(jù)，來自雷達的對象列表以及來自相機圖像數(shù)據(jù)）之間的差異，確認物體的存在性及其類型所需的傳感器融合算法在技術上實現(xiàn)起來是極具挑戰(zhàn)性的。

第2個問題決策系統(tǒng)（Decision-Making Systems）的設計。為了模仿人類的決策，它們必須歷經大量應用情景并進行密集且全面的“訓練”。理解和標注收集的不同的場景和收集到的圖像對于自動駕駛系統(tǒng)而言是一個運用普通方法所難以解決的問題，創(chuàng)建全面的、能夠覆蓋到自動駕駛汽車所能遇到的所有場景的“if-then”規(guī)則庫是行不通的。但是，開發(fā)人員可以先構建一個“if-then”的規(guī)則數(shù)據(jù)庫，然后在此基礎上利用機器學習引擎來對其進行補充，因為后者能夠在特定場景中進行智能推理并采取相應行動，而創(chuàng)建一個這樣的引擎是一項非常艱巨的任務，需要完成大量的開發(fā)、測試和驗證工作。

最后，該系統(tǒng)還需要一個故障安全機制（Fail-Safe Mechanism），該機制能確保在汽車發(fā)生故障時不會讓車上的乘客和周圍的人員陷于險地。目前尚無方法來檢查每一個可能的軟件狀態(tài)及其所造成的結果，建立防護措施以防止最壞結果的發(fā)生同時控制車輛以使其安全地停車仍是待解決的難題。因此，冗余設計和長時間的測試工作將是必須的。

在實現(xiàn)全自動駕駛的道路上披荊斬棘

隨著各企業(yè)推出軟件包（software envelope）來嘗試創(chuàng)建第一批全自動駕駛汽車，它們需要解決與圖2中所列因素相關聯(lián)的技術難題。

圖2 自動駕駛汽車系統(tǒng)的組成元件

感知技術、定位技術以及測繪技術

為了完善自動駕駛汽車，參與該領域的企業(yè)正在用不同的技術路線來解決自動駕駛汽車在感知、測繪及定位等方面遇到的技術難題。

感知技術（Perception）：目標是以最少的測試及驗證里程來達到可靠的感知水平，目前存在兩種技術路線：

毫米波雷達 + 超聲波雷達 + 攝像頭（Radar， Sonar and Cameras）：為了感知環(huán)境中的車輛和其他物體，自動駕駛汽車將使用毫米波雷達、超聲波雷達及攝像系統(tǒng)，該技術路線并不能在特別高的精度水平上（on a deeply granular level）對環(huán)境進行評估，但只需要較少的計算資源；

上述傳感器 + 激光雷達（Lidar Augmentation）：第2種技術路線在毫米波雷達和攝像系統(tǒng)的基礎上，還使用了激光雷達。它要求配置更強大的計算能力，但在各種環(huán)境中的魯棒性更好，尤其是在擁擠且交通流量很大的環(huán)境。