自動駕駛汽車尚未廣泛應用的5個原因

也許我們正逐漸進入自​​動駕駛汽車時代，當蘋果、谷歌、尤其是特斯拉等一系列科技界「老大」手裡都握著技術開發項目時，無人駕駛汽車技術是極其雄心勃勃的。然而，儘管企業投入巨額資金和不懈努力，全自動汽車仍然沒有廣泛應用。

事實上，製造商在考慮推出一款真正安全、能夠通過複雜測試、尤其是在處理實際情況時獲得用戶信任的全自動汽車之前，仍需要解決許多基本挑戰。以下五個原因解釋了為什麼自動駕駛汽車近年來在世界各地都得到了大量投資和推廣，但仍然沒有普遍使用的現狀。

感應器

自動駕駛汽車使用一系列基本到先進的感測器來即時觀察和感知周圍環境，幫助它們偵測行人、其他車輛和路標等物體。例如，影像感測器（攝影機）可幫助汽車觀察物體。光達感測器使用雷射來測量物體和車輛之間的距離。雷達感測器負責偵測物體，追蹤它們的速度和方向。

自動駕駛汽車使用複雜的感測器系統

所有這些感測器都會收集數據並將其發送回汽車的控制系統（通常是人工智慧電腦）。在這裡，數據將被仔細分析，以幫助汽車做出最準確的決策，例如轉向何處或何時制動、制動力……全自動汽車將需要一個在所有條件和環境下都能無誤運行的感測器系統無需人工幹預。

然而，實際測試表明，惡劣天氣、交通擁堵、圖紙複雜的路標等因素都會對感測器的準確性產生負面影響。特斯拉汽車使用的雷達受惡劣天氣條件的影響較小，但挑戰仍然在於確保感測器能夠以所需的確定性等級檢測所有物體，以確保車內人員的絕對安全。

為了讓自動駕駛汽車真正安全地運行，該感測器系統必須在地球上任何地方（從阿拉斯加到桑給巴爾）的所有天氣條件下都能正常運作。在開羅或河內等擁擠且交通狀況複雜的城市。這對包括特斯拉在內的企業來說仍然是一個巨大的挑戰。

人工智慧

如前所述，大多數自動駕駛汽車將使用人工智慧和機器學習來處理從感測器系統獲得的數據，並針對每種情況做出具體決策。這可以比喻為汽車的大腦。

人工智慧演算法經過訓練，可以識別感測器偵測到的物體，然後對其進行準確分類。接下來，電腦使用這些資訊來決定汽車是否需要採取行動（例如煞車或轉向）來避開物體。

人工智慧可以被視為自動駕駛汽車的大腦

未來，機器將能夠比人類更有效地完成這種檢測和分類工作。但目前，無法保證汽車中使用的機器學習演算法絕對安全。自動駕駛汽車中的機器學習系統的訓練、測試或驗證方式需要標準化。這只是時間問題。

穩定化

當自動駕駛汽車在道路上行駛時，它會不斷學習，穿過新道路，檢測訓練期間未遇到的物體，並被迫定期更新其軟體。

如何確保系統繼續像以前的版本一樣安全？或更新軟體後是否出現影響車輛性能的錯誤或漏洞。在這種情況下，任何錯誤，無論多麼小，都可能導致災難性事故。

標準

自動駕駛汽車技術目前還沒有國際統一的標準和法規體系。對於這種新型車輛，每個特定功能都需要有新的規定，例如自動車道維持系統。從那時起，汽車製造商被迫遵守新產品的許可要求。

這不僅關係到安全，也關係到環境、經濟、社會等一系列其他面向。

社會認可度

一般而言，涉及自動駕駛汽車，尤其是特斯拉的事故已經發生過很多次。社會接受度不僅對於那些想要購買自動駕駛汽車的人來說是一個問題，對於那些與自動駕駛汽車共享道路的人來說也是一個問題。

每個公民都需要參與引入和採用自動駕駛汽車的決策。僅僅用人工智慧系統參與交通是前所未有的，人們有權質疑社區的安全。

必須解決前三個挑戰才能幫助克服後兩個挑戰。當然，自動駕駛汽車領域的競賽不會降溫。但如果製造商、消費者、檢查機構和監管機構之間沒有召開會議，自動駕駛汽車可能在未來很多年內只能在測試道路上行駛。

• 解決有關特斯拉自動駕駛汽車的謎題並觀看特斯拉汽車在真實道路上自動駕駛的視頻