自从20世纪70年代开始算起，自动驾驶系统在欧美国家已经蓬勃发展有50年左右时间，各国各公司各高校开发出许多五花八门的驾驶辅助功能，亟待相关主管部门机构对其分级分类。在这个背景下，SAE（美国机动车工程师学会）和NHTSA（美国高速公路安全管理局）出台了相关分级标准，以SAE J316-2018为例进行讲解：

L0的系统加减速和转向都是驾驶员负责，L1的系统加减速或转向其中一个是由系统负责。L2的系统加减速和转向均为系统负责，但是系统工作的过程中需要驾驶员“监督”，必要时需要驾驶员“纠正”系统的操作。L3的系统加减速和转向均为系统负责，工作过程中也不需要驾驶员“监督”，系统会自我监督，当系统不可控时，提示驾驶员控制。L4的系统加减速和转向、不需要驾驶员监督，系统会自我监督，也不需要驾驶员随时准备控制，前提是只能在部分域使用。L5的系统在L4基础上由部分域提升为全部域。

自动驾驶汽车正在从未来梦想演变为当代现实，随着技术成熟，个人和公共交通将永远转变。最终，无人驾驶汽车将完全取代人类驾驶员，道路上再也没有危险的、昏昏欲睡的、受伤的和分心的司机。2017 年，近四万美国人死于交通事故，据美国国家公路交通安全管理局 (NHTSA) 称，其中约 90％ 的事故是人为错误造成的。但是这项技术背后的原因是，无人驾驶汽车究竟如何做到安全，以及还有多久才能无需看路就可以上下班？

人工智能驱动自动驾驶汽车为了使汽车具有自主性，需要不断了解其周围环境 - 首先，通过感知（识别信息并将其分类），然后通过车辆的自动/计算机控制对信息采取行动。自动驾驶汽车需要安全且响应迅速的解决方案，这些解决方案需要能够详细了解驾驶环境，然后在此基础上瞬间做出决策。了解驾驶环境需要通过汽车上众多不同传感器捕获大量数据，然后由车辆的自动驾驶计算机系统处理。

为了使车辆能够在无人控制的情况下真正行驶，必须首先对人工智能 (AI) 网络进行大量培训，以了解如何查看、了解所看到的内容，并对任何可以想到的交通状况做出正确的决策。自动驾驶汽车的计算性能与一些近几年才有的最高性能平台相当

L3层级的自动驾驶系统已经完全取代驾驶员的操作，只是在紧急不可控情况下留给驾驶员6-8s以上的时间接管车辆即可。这个时候你可以坐在驾驶位上放飞自我：玩手机、看报纸、喝个咖啡、听听音乐、看看视频，但是不能睡觉，因为一旦驾驶员睡着了想在6-8s内把他喊醒并能正确的控制车辆这确实有点难，所以系统绝对是不允许驾驶员睡觉的。在系统正常工作时要准确的检测周边障碍物和车辆，在系统某一零件出现故障时也要继续正常工作一段时间让驾驶员有足够的时间来接管控制车辆。这对于整个自动驾驶系统而言是一个严峻的考验，要保证在整个感知、决策和执行层面都要有冗余。以奥迪A8 TJP为例：

整车多个毫米波雷达、超声波雷达、前视摄像头、环视摄像头互补融合和冗余，除中央控制单元（zFAS）之外，前毫米波雷达在感知前方信息之外也扮演成精简版冗余控制器功能。在执行层面有车身稳定系统（ESC）+线控制动助力器、前轮转向+后轮转向互为冗余。

在L2及以下驾驶辅助功能时，驾驶操作的主体还是人，控制的对象就是汽车，所以要把本车的运行状态信息显示给驾驶员，经典由人控制的界面的显示主要方式：转速表圆盘+车速表圆盘。而L3系统控制的主体是汽车，此时人无需进行加减速和转向控制，仪表只需要显示L3的控制状态即可。

但对于具备L3的系统要具备三种不同的仪表界面：经典人控制的界面，L3控制界面，经典人控制的界面+L3控制界面，对于经典人+L3控制界面用途是什么呢？就是在系统退出或人主动接管时仪表既要显示L3系统控制状态和车辆运行状态，以保证较好的实现人机驾驶的切换。

我们自己开车的过程中经常会遇到各种的整车异常情况：如故障时助力直接退出导致转不动方向盘，制动异常导致无刹车。人开车的过程中出现的这些紧急情况还可以采取各种紧急措施避险，但是对于L3系统驾驶员未注视前方未手扶方向盘，功能控制直接退出是非常要命的，系统供应商要承担全部责任。

从L2到L3的跳跃，使汽车掌控权由人转移到机器，难在哪里？李德毅指出了三点：自动驾驶等级转换点如何估量？掌控权交接点如何度量？掌控权交接过程中的事故如何度量？

“人已经把汽车里的自动控制做到了极致，同时也触碰到了自动化的天花板，下一步需要依靠人工智能来完成。”李德毅说。也就是说，自动驾驶发展要想进阶，其中最可能的解决路径是人工智能。

事实上，目前不少企业都铝τ谟τ萌斯ぶ悄芗际跏迪指高级别的自动驾驶。在此过程中，人工智能逐渐被认为是实现自动驾驶汽车的关键所在，是推动自动驾驶商业化的核心。

人工智能立足于“机器学习”，是将人类学习过程“外化”。选择合适的模型，让模型学习样本，从而找出数据的内在规律，从而形成对未知路况的“经验”。事实证明，机器学习，更善于从海量数据中抽象提炼出若干有价值的因素，同时确定因素之间的相关性，并确立应对策略。但本地算法无法涵盖所有路况，设计者必须赋予无人驾驶系统一定的自主权，避免在特殊路况下该系统不知所措。

例如，在公路上快速行驶的驾驶员，对突然违规横穿马路的行人缺乏预期，而人工智能也很难从样本中学到，如何对付突然出现的障碍？

理论上，无人系统的传感器比人类驾驶员更早地发现违规行人。但如果行人采取快速奔跑，加速从车前闯过等不明智的做法。此时假设刹车距离不够，司机将左右为难，假如将刹车踩到底，发生碰撞的可能性就很大；如果一边变线一边刹车，则可能碰撞同向车辆，引发更严重的事故。再加上观察相邻车道的情况会导致判断时间紧缩，因此，连人类都很难做出最佳选择，人工智能就能搞定吗？