特斯拉致死車禍不是自動駕駛的錯?
1月20日，美國國家公路交通安全管理局（NHTSA）當地時間週四表示，沒有證據表明5月份發生在佛羅里達的致死特斯拉事故是由自動駕駛系統所致。此一“無罪判決”為自動駕駛技術發展免除了潛在阻礙。
此前據路透社報導，車禍受害者約書亞·布朗（Joshua Brown）在駕駛特斯拉Model S並啟用半自動駕駛模式時發生車禍喪生。7月份，NHTSA調查發現布朗的車事發時以74mph的速度行駛在限速65mph的道路上，而且事發當天天氣晴朗，能見度良好。
在理想情況下，自動駕駛系統能夠在駕駛員最小參與的情況下自主沿著道路行駛，保持與其他車輛的距離，並根據情況自動改變車道。然而一些車主被拍到過度使用自動駕駛技術，進而難以避免地因疏忽造成事故。
這導致特斯拉加強了對自動駕駛技術的限制，如果司機沒有對警告作出反應則暫時禁用自動駕駛。另外更新版的Model車型也升級了更好的感測器、處理器和軟體。在特斯拉完成測試和開發之後，理論上應該能夠實現全自動駕駛。
如果NHTSA宣佈特斯拉存在缺陷需要被召回，那麼將不僅是特斯拉，連帶著許多自動駕駛相關的公司都會受到影響。召回會導致安全措施被重新評估，NHSTA可能會因此引入新的法規。
蘋果研發自動駕駛汽車的“泰坦計畫”(Project Titan)目前正處於困境中。媒體報導“泰坦”從打造整車轉向研究自動駕駛平臺，並在2017年底決定是否重啟整車計畫或是選擇和協力廠商汽車廠商合作。
蘋果在與特斯拉之間的人才搶奪戰中暫處下風。最近，蘋果Swift程式設計團隊的負責人Chris Lattner轉投特斯拉，領導新東家自動駕駛系統的開發。
對蘋果有利的消息是其環境事務副總裁Lisa Jackson入選美國交通部自動駕駛技術委員會，或將從政策方面為蘋果帶來益處。值得一提的是雖然特斯拉是目前自動駕駛領域的領頭者，但卻沒有特斯拉高管參加自動駕駛委員會。
究竟什麼是自動駕駛？自動駕駛是通過怎樣的原理和技術實現的？為什麼說自動駕駛要想全面使用，人們所要發展的不僅僅是單獨的無人車技術？下面這些文字試圖用最簡單的方式來解答這些問題。
什麼是自動駕駛？
人們對於自動駕駛最早的誤解，其實源於一些媒體的誤讀。很多媒體把 Autopilot 這一詞簡單簡單拆解為“Auto”和“pilot”兩個詞彙，並將中文意思曲解為自動駕駛。
(仍然需要人類做出關鍵決策的特斯拉駕駛輔助系統)
然而其實 Autopilot 這個詞源於飛機、列車、輪船領域的輔助駕駛系統。維琪百科也給這個詞做了明確的定義：
An autopilot is a system used to control the trajectory of a vehiclewithout constant ‘hands-on’ controlby a human operator being required.
駕駛輔助是一個用來控制載具軌道而無須人工一直干預的系統。
這句話裡面的關鍵字其實是“constant”持續的。也就是說，Autopilot 所代表的駕駛輔助系統是不需要人類持續干預的，但是仍然需要人類做出某些干預，比如關鍵性的決策等，機器只是在一旁輔助。
而關於我們大眾所認知的自動駕駛，或者說全自動駕駛，在維琪百科中同樣也有相關的定義。我們所認知的無人駕駛車，準確的說應該叫做“Autonomous car”。
而這一概念的定義是：
An autonomous car (driverless car, self-driving car, robotic car) is a vehicle that is capable of sensing its environment and navigatingwithout human input.
自動駕駛車（無人駕駛車，自駕駛車，機器人車）是能自動感應周圍環境並且無需人干預而自動導航的載具。
與對於駕駛輔助的定義類似，無人駕駛車概念的關鍵支持在於無需人類干涉。也就是說機器會自動感知，自動做出決策並且自動駕駛。
（Google 自動駕駛車）
所以這樣來說，自動駕駛究竟是什麼的定義問題就變得格外簡單了。駕駛輔助和自動駕駛，最主要的區別在於人的參與度，前者需要人參與，而後者完全不需要人參與。
如果我們只說人的參與度的問題，就會出現界定技術是否屬於自動駕駛的禿頭悖論（究竟拔掉多少根頭髮才算禿頭）。所以為了更為清晰地做出界定，美國汽車工程師協會（SAE）和美國高速公路安全局（NHTSA）對自動駕駛做了分級。
從圖表中我們可以看出，我們所期望的全自動駕駛車輛其實在分級上屬於 SAE 的 Level 4-5、NHTSA 的 Level 4 車型，是基本不需要人類做任何駕駛決策的。
瞭解了究竟什麼才是自動駕駛，我們再來看看自動駕駛是通過什麼技術實現的。
自動駕駛是如何實現的？難點在哪兒？
1）攝像頭
其實單純從硬體技術層面來看，自動駕駛的原理並不算特別複雜。用最簡單的話說，找一台車子來改裝一下，加幾個感測器，再塞一套開源的自動駕駛計算平臺。
感測器是自動駕駛車的眼睛，用於收集汽車周圍的資訊。歸納來看，目前主流的自動駕駛車其實也就是使用了三種感測器：LiDAR 雷射雷達、攝像頭、和傳統雷達。
（Velodyne 雷射雷達）
三種感測器各有各的優勢，早就運用在車輛倒車雷達上的傳統雷達成本相對較低，穿透性較強且不受雨霧等環境的影響，但弱點在於覆蓋範圍較小且難以對周圍物體做出精准的判斷。LiDAR 雷射雷達的優勢在於可以通過旋轉的鐳射射線束，構建出車輛周圍的 3D 影像圖，但缺點是由於鐳射的特性，容易受到雨、塵埃、霧的影響。且最主要的，由於雷射雷達加工難度比較高，產量小，所以售價最貴。一顆 64 線雷射雷達的售價就得四五十萬人民幣。
攝像頭同樣也是自動駕駛車所必備的感測器，與兩種雷達不同，攝像頭沒有任何穿透力且需要光線，用於自動駕駛的資料是通過對攝像頭的圖樣識別得出的。不過攝像頭也是最容易受到干擾的一種自動駕駛感測器，且一旦獲取的圖像有誤差，對最終的識別結果就會產生極大的影響。唯一的好處在於成本低，且目前視覺識別的方案相對來說發展得比較成熟，做無人駕駛汽車可用的也比較多。
2）資料處理
自動駕駛車上搭載的感測器收集到的資料，都會被傳輸到車載電腦中進行分析和處理，最終做出決策。對於車載電腦的技術部分我們不必多說，因為自動駕駛汽車單純從原理上真的不算是什麼“黑科技”，畢竟規劃路線，躲避障礙的功能目前很多掃地機器人和無人機都能實現。所以還是把關注的重心聚焦在實現自動駕駛的難點上。
自動駕駛汽車需要收集汽車周圍資料，對資訊進行處理並最終做出決策，這整個過程與真人司機所要完成的過程幾乎毫無差異。所以訓練自動駕駛汽車的過程，其實就是個從菜鳥到老司機的過程。
在人工智慧技術的訓練上，試錯(Trial and error) 是極為重要的方式之一，人工智慧通過不斷的試錯與糾正得到進步。但這一方式換到了自動駕駛上卻幾乎不可行。行車時出現的事故往往是我們不能接受的，只要出了意外，輕則損失數千元，重則導致人命傷亡。由始至終，自動駕駛汽車的關鍵絕非“能否做到”，而是“能否做好”；所以目前的自動駕駛技術，大部份都是用來減低犯錯機率的。
還有一個重要的問題是，自動駕駛若是想要覆蓋更多的地方，所要收集和處理的資料就會越來越多，不同的路況會給車載電腦帶來不同的處理變數。而當人類駕駛和自動駕駛車同時行駛在路上時，不確定性就更高了，自動駕駛車做出決策的難度也會大大增加。
自動駕駛能減少交通事故嗎？這必須需要整個交通生態的改變
我們可以把交通事故的問題與交通擁堵的問題放在一起來看，理論上來講，這兩個問題的起因在於人類駕駛員的失誤。如果駕駛技巧更高的自動駕駛汽車介入到交通系統當中，那些人類可能出現的失誤將會被避免，可能出現的交通事故也被減少了。
然而事情並沒有像理論上看上去那麼簡單。我們可以做個類比，地鐵這種軌道交通，其實可以算得上是一個系統封閉、不容易受到干擾、高度自動化僅有少部分依賴人類駕駛員的交通方式。然而由於各種迷之因素的干擾，比如有乘客卡在門裡或者突然某一節車廂出現了故障，整個地鐵系統仍然有可能被打亂陷入癱瘓的境地，更不用說是現在還沒有上路的自動駕駛汽車了。
現在已經有不少廠商公佈了自家的無人車計畫，幾乎都是計畫在五六年之後讓自動駕駛車正式上路，先從商用做起，再逐步民用。當然，自動駕駛車是否真的會徹底取代人類駕駛員則是另一個層面的問題，畢竟人們可能並不會放棄傳統汽車的駕駛樂趣。
至於未來交通的樣子究竟會是什麼樣？其實可以想像出這樣一種場景：
每一輛自動駕駛汽車都知道相互的位置與速度，不會因為並線變道干擾到其他車輛，自動駕駛車也會即時讀取出發點到目的地的道路擁堵狀況，即時選擇最佳路線以及避免過多紅燈，車輛也會感知到行人的位置，避免出現車禍。只有實現了這樣的高效率運作，自動駕駛才會真正有效避免擁堵和交通事故。
只不過到那個時候，恐怕人們要擔心的就不是交通事故與擁堵，而是保障整個交通系統聯網的絕對安全，避免網路被駭客干擾。