美國Medium科技板塊總編StevenLevy表示：“我很難相信，無人駕駛汽車的大規模使用會在近期到來。我們現在也許到了95%，但最后的5%將會是漫長的路途?！笔聦嵈_實如此。然而就現在，竟然有人用輔助駕駛系統讓汽車在高速路上自己行動，當然，這種行為藝術是要付出代價的。
如果你問那些特斯拉Model S車主買他愛車的原因是什么，小編認為一定會有人回答：當然是“自動駕駛啦”，下面這位車主應該就是這樣想的。
5月27日，一名歐洲車主正駕駛著他剛買的特斯拉Model S汽車在瑞士的高速公路上行駛，還開啟了“自動駕駛功能”（高速路上都敢做這樣嘗試，活那么大也真不容易）。Model S汽車前面有一輛汽車變道，避讓一輛停在高速公路上的貨車，這輛貨車幾乎占據了半個車道。Model S似乎也已意識到了它前面的車輛開始變道，但它并沒有發現停在路上的貨車。結果，Model S輕微加速地撞向了貨車。
終于有借口發個朋友圈了，于是車主趕緊在YouTube上發消息，責怪特斯拉汽車沒有發現停泊的貨車以及沒有啟動自動剎車系統。
緊接著就有個評論員在YouTube上指出，你個臭不要臉的，使用手冊上都說了這種情況需要司機注意，你不看手冊你賴誰，你賴誰。車主一翻手冊，我去還真有“警告：交通感知巡航控制系統可能不會為避讓靜止的車輛而剎車或減速，尤其是在這種情況下：你正在以超過每小時80公里的速度行駛，在你前面的汽車變道后，你面前突然出現一輛靜止的車輛或物體。司機要始終注意前方的道路，隨時準備好采取緊急糾正措施。完全依賴交通感知巡航控制系統可能會導致嚴重的傷亡事故發生?！避囍鬟@才說：“其實我也有責任。。.。。.”
當然這也不是特斯拉推卸責任啦，無人駕駛一共有四個階段：駕駛輔助系統、部分自動化系統、高度自動化系統和完全自動化系統，而特斯拉的交通感知巡航控制系統僅在無人駕駛的第一個階段，屬于駕駛輔助系統，那你要拿駕駛輔助系統當完全自動化系統來開，還是在高速上，那只能送你八個字：勇氣可嘉，智商感人。
無人駕駛可是個老概念了，上世紀70年代，美國等國家就已經開始著手研究，中國也在80年代緊隨其后，發展至今幾十年過去了，無人駕駛技術也發展到了第三階段，然而接下來的路似乎還很長。美國Medium科技板塊總編StevenLevy表示：“我很難相信，無人駕駛汽車的大規模使用會在近期到來。我們現在也許到了95%，但最后的5%將會是漫長的路途。”
那除了法律、倫理和道路等問題，無人駕駛技術主要有那些難點呢？
傳感系統
不得不承認，現在無人車能出現很大程度上依賴傳感器的進步。其實早在 80 年代美國就通過磁釘導航完成過很多無人駕駛的實驗。他們在地下埋上磁釘，通過尋找磁釘的方式可以完成高速的巡航、并道、超車等一些列的實驗。很明顯，這種成本太高，只能作為實驗。
后來傳感器技術突飛猛進，卻依然很難達標。比如天氣環境惡劣時將嚴重影響傳感器的精度，或者車輛前方有障礙，要判斷障礙物是運動的還是靜止的，至于車是停下來還是繞過去，可通過人工勢場算法。這部分主要的難度是傳感器識別障礙，在車輛運動的前提下，確定障礙的運動狀態。也就是說你要在運動的坐標系下，計算另一個物體相對靜坐標系的速度，并作出判斷。
GPS也是個問題。汽車行駛總要經過一些樓宇隧道吧，如果GPS無法到達，就需要里程計 + 陀螺儀，俗稱慣性導航單元。這套系統的原理就是：花錢越多，有效時間越久。如果要能在沒有 GPS 的情況下堅持 20 分鐘，呵呵，要花3 個帕薩特。
原因是里程計、陀螺儀都存在累積誤差。要注意，誤差是累計的，也就是說上一時刻是 0.5m 的誤差，下一時刻指定大于 0.5m。因此要盡可能約束累積誤差，使其數量級很低，那么就要上光纖陀螺。因為電子級的陀螺通常達不到這個精度要求，不知道撓性陀螺行不行，但是估計撓性陀螺和光纖陀螺造價差不多。
感知系統
感知系統主要包括雷達和攝像頭。雷達又分為激光雷達、毫米波雷達、超聲波雷達等類型。激光雷達又可以分為單線雷達、雙線雷達、多線雷達等。
雷達的優勢在于測算的精度非常高，探測距離遠，當然成本也不低。但也有缺點，比如：激光雷達對雨霧的穿透能力受到限制、對黑顏色的汽車反射率有限；毫米波雷達對動物體反射不敏感；超聲波雷達的感知距離與頻率受限；攝像頭本身靠可見光成像，在雨霧天、黑夜的靈敏度有所下降。
360 度多線激光雷達，用于檢測周圍障礙物，無人車需要能夠感知周圍環境，又不能像人一樣單純用眼睛完成，于是這玩意可以返回周圍障礙物的距離，誤差毫米級。今天價值 3 個帕薩特。iot101君認為以后帕薩特可以作為一個計量單位使用，動不動就幾個帕薩特。
攝像頭也分單目和雙目，當然雙目的要好一點啦。雙目的原理與人眼相似。人眼能夠感知物體的遠近，是由于兩只眼睛對同一個物體呈現的圖像存在差異，或稱“視差”。目標距離越遠，視差越小；反之，視差越大。所以說雙目系統對目標物體距離感知是一種絕對的測量，而非估算。
雙目系統成本比較低，而且沒有識別率的限制，因為從原理上無需先進行識別再進行測算，而是對所有障礙物直接進行測量，無需維護樣本數據庫，因為對于雙目沒有樣本的概念。雙目系統的缺點在于：計算量非常大，對計算單元的性能要求非常高，這使得產品化、小型化的難度較大。所以在芯片或FPGA上解決雙目的計算問題難度比較大。
國際上使用雙目的研究機構或廠商，絕大多數是使用服務器來進行圖像處理與計算的，也有部分將算法進行簡化后，使用FPGA進行處理，這就使效果受到較大程度影響，存在很多噪點與空洞，這對后續的計算不利，存在安全風險。
識別交通標識，如限速牌、紅綠燈。這些通過視覺系統完成，難點主要在實時性和魯棒性。要離線處理這些交通標志是很簡單的，但是在無人車上需要能在有限的時間里識別出來，并且考慮道路中可能有的光線變化、遮擋等問題。
人工智能
要說真正讓汽車難以在短期內實現無人駕駛的難題，應該是其在“人工智能”上的差距。谷歌在向美國相關部門提供的一份報告顯示，在之前的14個月測試中，其無人駕駛汽車總共“主動脫離無人駕駛狀態”272次，除了“主動脫離無人駕駛狀態之外”，還有69次駕駛員選擇取消無人駕駛狀態的情況。谷歌表示，如果沒有駕駛員的介入，無人駕駛車可能會發生13次交通碰撞事故。
谷歌提供的報告進一步表示，在上述272次脫離無人駕駛的狀態中，因為“感知差異”因素造成的脫離次數為119次。何為“感知差異”？說白了就是汽車對當時情況的感覺。比如此前谷歌自動駕駛項目測試組曾邀請兩名來自《紐約時報》的記者進行試乘，當時谷歌車輛即將經過一個紅綠燈路口，系統檢測到對面車道有車輛正以較快的速度行駛。為了避免可能出現的意外，谷歌車輛猛向右邊車道變道，但實際上對面的車輛僅僅是在嘗試能否通過紅綠燈而已，且最終也在信號燈變紅前完全停了下來。
特斯拉搭載的號稱具有強大學習能力的OTA系統也同樣被曝出有認知缺陷，比如其暫時不能識別紅綠燈系統。如果經過紅燈時前方恰好有車，那么特斯拉可以剎停，但是一旦前方沒車，特斯拉并不能做到自動停車。
據知名零部件公司博世和德爾福提交的針對自動駕駛的報告，在很多情況下，駕駛員都必須對自動駕駛的車輛進行干預，以保證安全，而這些情況包括糟糕的車道標線、過于明亮的太陽光導致攝像頭失靈、建筑區以及其他駕駛員的無規律行為等。
沃爾沃在去年的時候曾經將其在瑞典哥德堡測試的名為“Driveme”的自動駕駛項目帶到北京進行路試，在這一過程中，一輛具備自動駕駛功能的沃爾沃V60就因為系統里并沒有涵蓋某一因為別的駕駛員的違規行為的數據，而導致系統死機，最后不得不選擇人工駕駛。
顯然，機器智能在這種“感知”上尚無法與人做到同樣的智能，更何況全自動駕駛了，所以，真正的無人駕駛汽車，真得至少再等上五年。