在通往自动驾驶汽车的道路上，技术进步的速度很快，特别是在过去1-2年。在较低的自主水平上已经取得了重大改进。车道偏离系统已经从仅仅发出警告发展到完全主动的车道保持。 前方碰撞系统在性能和范围上都有进步，既能提供主动刹车，又能检测骑自行车的人和行人以及其他车辆。然而，与机器所能实现的相比，典型的人类驾驶者所拥有的感应范围在许多方面仍然遥遥领先，我们离在一些关键领域提供SAE 4级自动化所需的性能和范围的传感器还有一段距离。在本周的《洞察力》中，我们将介绍一些特别具有挑战性的场景，或者说，至今还没有解决的场景。
技术挑战 1：预测车辆在前方道路上的制动性能
前撞预警和自主紧急制动系统在做出避免或减轻碰撞事件的决策时，需要了解路面将提供的抓地力。然而，路面摩擦力预测方法具有挑战性。
战略部署局对可能解决方案的看法
估算车辆前方的 "抓地性能 "主要有两种方法。
ONE:机载方法 二:云映射方法
第一种方法是通过将传感器数据（声学、温度等）与轮胎-道路摩擦参数或车辆和/或车轮的动态行为相关联来估算摩擦力。第二种方法是根据多辆车辆的输入建立基于云的综合摩擦地图，这些车辆会不断发送由车载传感器测量的摩擦信息。一旦生成了详细的路况数据库，就可以将信息实时反馈给车辆，为抓地力和制动模型提供支持。在实践中，很可能需要一个同时采用这两种方法和利用实时天气数据修改抓地力的解决方案，而且在达到适合安全自动驾驶的可靠性水平之前，还需要大量的机器学习。
技术挑战 2：预测行人的未来轨迹
任何在有行人的环境中航行的自动驾驶车辆都需要预测附近行人的未来路径，并相应地调整路径以避免碰撞。然而，预测人类目标的运动具有挑战性，因为他们往往会遵守一些定义松散的常识性规则和社会习俗。
战略部署局对可能解决方案的看法
斯坦福大学和东京大学利用各种模型对行人轨迹预测进行了研究，其中包括可以学习和预测人类运动的长短时记忆（LSTM）。东京大学进一步开发了基于编码器-解码器 LSTM 的模型，旨在对运动轨迹和人机交互进行编码，从而预测长轨迹序列。尽管还有很长的路要走，但这些预测模型最终可能会提供一种稳健的解决方案。
技术挑战 3：路面上的碎石--我能撞上去吗？
当看到前方道路上有碎片时，大多数人类驾驶员都能在到达目的地之前做出决定，是避开还是驶过这些突如其来的碎片。在这短短的时间内，驾驶员还要进行各种风险计算，根据碎片的大小、重量和密度，权衡停车、转向或驶过碎片的相对风险。自动驾驶汽车在遇到碎片时，在决定采取何种行动之前，通常会经过四个阶段。这些阶段包括
ONE:识别 二:分类 三:理解项目 四:穿过、避开或停止
战略部署局对可能解决方案的看法
第一和第二阶段虽然具有挑战性，但可以通过神经网络来实现，神经网络可以在真实世界的环境中进行训练，以检测出大部分可能遇到的物体。早期识别是可取的，因为这可以为系统后续阶段的工作提供更多时间。为了完成分类数据库，还需要进行一些额外的训练，以帮助对不太常见的物品进行分类（例如，从卡车上掉下来的沙发）。第三阶段是建立物体的完整图像，需要融合多个传感器。例如，如果识别出一个桶型物品，那么它是由什么材料制成的？是空的还是满的？最后一个阶段是击中还是漏掉物体，碎片的动态行为使这一过程变得复杂。在初步识别和到达之间，碎片很可能会移动，其移动取决于一系列因素，包括天气条件、在我们的车辆和物体的性质之间的任何其他车辆的行为。使用与之前讨论的行人轨迹类似的建模技术可能会在未来为这一挑战提供解决方案。
技术挑战 4：管理不同的天气条件
目前的光学传感系统在大雾、大雪或大雨中无法正常工作。这些条件降低了它们的工作范围，甚至使它们完全无法工作。在大多数情况下，人是可以开车的，因为即使是大雾、大雪或大雨，通常也不会妨碍他们安全到达目的地，哪怕是晚一点到达。
战略部署局对可能解决方案的看法
在过去一年左右的时间里，一种潜在的解决方案已经开始试用。由于雷达对极端天气条件的敏感度要低得多，它可能为这一挑战提供解决方案。目前正在开发一种面向地面的雷达，用于分析路面以下地面的拓扑结构，并将分析结果与路网数据库进行比较。预计在未来，这一信息将能够帮助车辆在任何天气条件下继续行驶，并在高速公路上保持在车道上。
挑战
"这些挑战是安全部署 SAE Level 4 车辆的重大障碍。 高级自动驾驶技术顾问 Deepa Rangarajan 说。 SBD Automotive 表示。"法律框架经常被认为是此类先进自动化 ，而实际上，许多关键技术挑战还远未解决。尽管这可能需要时间和努力，但立法可以改变，物理定律却无法改变，在道路上看到 SAE 4 级车辆可能需要比以前假设的更长的时间。