自從20世紀70年代開始算起，自動駕駛系統在歐美國家已經蓬勃發展有50年左右時間，各國各公司各高校開發出許多五花八門的駕駛輔助功能，亟待相關主管部門機構對其分級分類。在這個背景下，SAE（美國機動車工程師學會）和NHTSA（美國高速公路安全管理局）出臺了相關分級標準，以SAE J316-2018為例進行講解：

L0的系統加減速和轉向都是駕駛員負責，L1的系統加減速或轉向其中一個是由系統負責。L2的系統加減速和轉向均為系統負責，但是系統工作的過程中需要駕駛員“監督”，必要時需要駕駛員“糾正”系統的操作。L3的系統加減速和轉向均為系統負責，工作過程中也不需要駕駛員“監督”，系統會自我監督，當系統不可控時，提示駕駛員控制。L4的系統加減速和轉向、不需要駕駛員監督，系統會自我監督，也不需要駕駛員隨時準備控制，前提是只能在部分域使用。L5的系統在L4基礎上由部分域提升為全部域。

自動駕駛汽車正在從未來夢想演變為當代現實，隨著技術成熟，個人和公共交通將永遠轉變。最終，無人駕駛汽車將完全取代人類駕駛員，道路上再也沒有危險的、昏昏欲睡的、受傷的和分心的司機。2017 年，近四萬美國人死于交通事故，據美國國家公路交通安全管理局 (NHTSA) 稱，其中約 90％ 的事故是人為錯誤造成的。但是這項技術背后的原因是，無人駕駛汽車究竟如何做到安全，以及還有多久才能無需看路就可以上下班？

人工智能驅動自動駕駛汽車為了使汽車具有自主性，需要不斷了解其周圍環境 - 首先，通過感知（識別信息并將其分類），然后通過車輛的自動/計算機控制對信息采取行動。自動駕駛汽車需要安全且響應迅速的解決方案，這些解決方案需要能夠詳細了解駕駛環境，然后在此基礎上瞬間做出決策。了解駕駛環境需要通過汽車上眾多不同傳感器捕獲大量數據，然后由車輛的自動駕駛計算機系統處理。

為了使車輛能夠在無人控制的情況下真正行駛，必須首先對人工智能 (AI) 網絡進行大量培訓，以了解如何查看、了解所看到的內容，并對任何可以想到的交通狀況做出正確的決策。自動駕駛汽車的計算性能與一些近幾年才有的最高性能平臺相當

L3層級的自動駕駛系統已經完全取代駕駛員的操作，只是在緊急不可控情況下留給駕駛員6-8s以上的時間接管車輛即可。這個時候你可以坐在駕駛位上放飛自我：玩手機、看報紙、喝個咖啡、聽聽音樂、看看視頻，但是不能睡覺，因為一旦駕駛員睡著了想在6-8s內把他喊醒并能正確的控制車輛這確實有點難，所以系統絕對是不允許駕駛員睡覺的。在系統正常工作時要準確的檢測周邊障礙物和車輛，在系統某一零件出現故障時也要繼續正常工作一段時間讓駕駛員有足夠的時間來接管控制車輛。這對于整個自動駕駛系統而言是一個嚴峻的考驗，要保證在整個感知、決策和執行層面都要有冗余。以奧迪A8 TJP為例：

整車多個毫米波雷達、超聲波雷達、前視攝像頭、環視攝像頭互補融合和冗余，除中央控制單元（zFAS）之外，前毫米波雷達在感知前方信息之外也扮演成精簡版冗余控制器功能。在執行層面有車身穩定系統（ESC）+線控制動助力器、前輪轉向+后輪轉向互為冗余。

在L2及以下駕駛輔助功能時，駕駛操作的主體還是人，控制的對象就是汽車，所以要把本車的運行狀態信息顯示給駕駛員，經典由人控制的界面的顯示主要方式：轉速表圓盤+車速表圓盤。而L3系統控制的主體是汽車，此時人無需進行加減速和轉向控制，儀表只需要顯示L3的控制狀態即可。

但對于具備L3的系統要具備三種不同的儀表界面：經典人控制的界面，L3控制界面，經典人控制的界面+L3控制界面，對于經典人+L3控制界面用途是什么呢？就是在系統退出或人主動接管時儀表既要顯示L3系統控制狀態和車輛運行狀態，以保證較好的實現人機駕駛的切換。

我們自己開車的過程中經常會遇到各種的整車異常情況：如故障時助力直接退出導致轉不動方向盤，制動異常導致無剎車。人開車的過程中出現的這些緊急情況還可以采取各種緊急措施避險，但是對于L3系統駕駛員未注視前方未手扶方向盤，功能控制直接退出是非常要命的，系統供應商要承擔全部責任。

從L2到L3的跳躍，使汽車掌控權由人轉移到機器，難在哪里？李德毅指出了三點：自動駕駛等級轉換點如何估量？掌控權交接點如何度量？掌控權交接過程中的事故如何度量？

“人已經把汽車里的自動控制做到了極致，同時也觸碰到了自動化的天花板，下一步需要依靠人工智能來完成。”李德毅說。也就是說，自動駕駛發展要想進階，其中最可能的解決路徑是人工智能。

事實上，目前不少企業都鋁τ謨τ萌斯ぶ悄薌際跏迪指高級別的自動駕駛。在此過程中，人工智能逐漸被認為是實現自動駕駛汽車的關鍵所在，是推動自動駕駛商業化的核心。

人工智能立足于“機器學習”，是將人類學習過程“外化”。選擇合適的模型，讓模型學習樣本，從而找出數據的內在規律，從而形成對未知路況的“經驗”。事實證明，機器學習，更善于從海量數據中抽象提煉出若干有價值的因素，同時確定因素之間的相關性，并確立應對策略。但本地算法無法涵蓋所有路況，設計者必須賦予無人駕駛系統一定的自主權，避免在特殊路況下該系統不知所措。

例如，在公路上快速行駛的駕駛員，對突然違規橫穿馬路的行人缺乏預期，而人工智能也很難從樣本中學到，如何對付突然出現的障礙？

理論上，無人系統的傳感器比人類駕駛員更早地發現違規行人。但如果行人采取快速奔跑，加速從車前闖過等不明智的做法。此時假設剎車距離不夠，司機將左右為難，假如將剎車踩到底，發生碰撞的可能性就很大；如果一邊變線一邊剎車，則可能碰撞同向車輛，引發更嚴重的事故。再加上觀察相鄰車道的情況會導致判斷時間緊縮，因此，連人類都很難做出最佳選擇，人工智能就能搞定嗎？