无人驾驶汽车，尤其是自动驾驶乘用车，当它实现时就像是一个梦想。我们谈论的是将人工智能全面部署到可以在各种情况下自动在繁忙的道路上行驶的汽车中的时间，而无需驾驶员的帮助，避免了所有物体使旅途安全无撞。

到目前为止，除了极少数的商用车外，还没有自动驾驶汽车在全自动模式下运行。尽管几年前，谷歌和特斯拉已经成功测试了自动驾驶汽车，但即使是特斯拉汽车也提供了不同程度的自主性，但由于在测试过程中以及在汽车实际使用时发生的事故很少，因此还不够成功拥有者。

您知道为什么自动驾驶汽车仍未在道路上行驶，或者花这么多时间才能使自动驾驶汽车在道路上成功行驶的原因是什么？此类技术正在解决许多小问题。然后，面临着解决所有这些小问题并将整个系统整合在一起的挑战。

自动驾驶汽车具有不同程度的自主权，允许驾驶员控制关键功能或依靠机器做出自己的决定。因此，在这里我们讨论自动驾驶汽车的挑战之前，我们需要了解不同级别的自动驾驶–自动驾驶汽车用于在道路上行驶。

5种不同级别的自动驾驶

级别0：您不能说与自动化无关的级别，这意味着转向，制动，油门和动力之类的所有系统都是由人控制的。

级别1：自动化级别从此阶段开始。在自动驾驶的这一阶段，大多数功能仍由驾驶员控制，但是汽车可以自动完成特定功能（如转向或加速）。

级别2：在自动化的这一阶段，至少有一个驾驶员辅助系统是自动化的，例如加速和转向，但是需要人工才能安全操作。实际上，在这个水平上，驾驶员脱离了对车辆的物理操作。

级别3：在自动化的第三级，许多功能是自动化的。是的，在此阶段，汽车可以在某些条件下管理所有至关重要的安全功能，但是由于不确定的条件，驾驶员应在收到警报后接任。

级别4：您可以说这是一辆完全自动驾驶的汽车，可以在特定区域和定义的天气条件下执行所有对安全至关重要的功能。但不是所有功能。

第5级：如果自动驾驶汽车配备了第5级自动化功能，则它是完全自动驾驶的车辆，能够在每种驾驶情况下自动驾驶，就像人类控制所有功能一样。

这些是可思数据总结的最常见的五个自动化级别，可以开发出自动驾驶汽车。如果您想享受全自动驾驶的乐趣，那么它应该具有4级或5级自动化水平。但是，在开发和运行全自动驾驶汽车方面存在许多挑战，下面我们将讨论这些挑战及其含义。

自动驾驶汽车的五个主要问题

很少有像特斯拉这样的汽车制造商已经将一定程度的自动化集成到汽车中，但没有将5级或完全自动化集成到汽车中，因为自动驾驶汽车存在一定的挑战，这使制造商很难开发出无需驾驶即可运行AI的全自动汽车完全安全的人为干预。

对于机器学习工程师来说，了解无人驾驶汽车的问题对于开发这种具有AI功能的汽车来成功驾驶非常重要。因此，在这里，我们还讨论了自动驾驶汽车最关键的问题。

机器学习训练

为了开发自动驾驶汽车，基于机器学习的技术被用于将AI集成到此类模型中。汽车只能通过机器学习算法来理解通过传感器收集的数据。

这些算法将帮助识别行人，传感器检测到的路灯之类的物体，并根据系统的训练对它们进行分类。然后，汽车使用该信息来帮助确定汽车是否需要采取正确的行动来移动，停止，加速或转弯，以避免传感器检测到的物体与汽车发生碰撞。

借助更精确的机器学习培训过程，在不久的将来，机器将比人类驾驶员更有效地进行检测和分类。但是，目前尚无确保汽车中使用的机器学习算法的广泛接受和公认的基础。整个汽车行业都没有这样的协议，机器学习在开发这种自动汽车方面有多可靠。

场景多样的道路

自动驾驶汽车在道路上行驶，一旦开始驾驶，机器学习将帮助其在驾驶时学习。并且，在行驶过程中，它可以检测出训练过程中没有遇到的各种物体，并且可以进行软件更新。

由于道路是开放的，汽车可能会看到无限的或多种类型的新对象，而这些新对象尚未用于训练自动驾驶汽车模型。以及如何确保系统继续保持与以前版本相同的安全性。因此，我们需要能够证明任何新的学习都是安全的，并且该系统不会忘记先前的安全行为或类似的东西，而该行业尚未达成共识。

法规与标准

自动驾驶汽车的另一个​​障碍是没有针对整个自动驾驶系统的具体规定或足够的标准。实际上，根据当前的安全标准，对于现有车辆，驾驶员必须在紧急情况下接管控制。

对于自动驾驶汽车，对于自动行车道保持系统等功能的法规很少。此外，还有针对自动驾驶汽车的国际标准，其中包括自动驾驶汽车，该标准设定了相关要求，但对解决诸如机器学习，操作学习和传感器等其他各种问题没有帮助。

社会层面的接受度

在过去的一年中，无论是在测试还是在现实生活中使用时，无人驾驶汽车都以自动驾驶模式坠毁。而且由于安全原因，此类事件不鼓励人们完全依靠自动驾驶汽车。因此，这种车主不能接受社会接受性，而与他们一起在道路上共享道路的其他人也不能接受。

因此，人们需要接受并采用自动驾驶汽车的系统，并参与这种新时代技术的引入。并且，除非可接受性达到社会水平，否则更多的人将不会购买自动驾驶汽车，这将使汽车制造商难以进一步改善此类汽车的功能和性能。

一套大范围传感器

为了感应车厢周围的环境，自动驾驶汽车使用了广泛的传感器，例如摄像机，雷达和激光雷达。这些传感器有助于检测各种物体，例如行人，其他车辆和道路标志。摄像头有助于查看物体，而雷达则有助于检测物体并跟踪其速度和方向。

同样，还有一个重要的传感器称为LIDAR，该传感器使用激光测量物体与车辆之间的距离。全自动驾驶汽车需要这样的一组传感器，它们能够在所有条件和环境下准确地检测物体，距离，速度等，而无需人工干预。

为什么要将LIDAR用于自动驾驶汽车？

所有这些传感器将收集到的所有数据反馈到汽车的控制系统或计算机，以帮助其决定在何处转向，何时制动以及向正确的方向转向。不确定的环境条件（例如糟糕的天气，繁忙的交通状况，上面涂有涂鸦的道路标志）都会对传感能力的准确性产生负面影响。

在这里，雷达感测是更合适的，因为它不易受到不利天气条件的影响，但是要确保在全自动驾驶汽车中使用的所选传感器能够以所需的确定性对所有物体进行安全检测，仍然存在挑战。因此，LIDAR传感器对于检测具有范围深度的物体更为重要和精确。

LIDAR传感器的3D点云注释

为了利用从远处感测物体的能力，LIDAR无疑是最适合自动驾驶汽车的传感器，但是通过LIDAR 3D点云标记服务可以标记出不同类型的物体和可感知的各种场景，例如图像。

LIDAR点云分割是一种用于对具有附加属性的对象进行分类的技术，感知模型可以检测该属性以学习。对于自动驾驶汽车，3D点云注释服务有助于在3D点云地图中区分不同类型的车道，从而为道路添加注释，从而在3D方向上提供更精确的可见性。

可思数据为LIDAR提供3D点云数据标注，具有更高的准确性。可思数据与标注团队合作，拥有丰富的经验，涉及点云数据，带2D映射的3D对象跟踪，带点云数据的语义分割以及在智能车辆中的应用以及自动地形映射和导航。

这些注释器可以按照LAS标准使用多边形和画笔工具对摄影点云进行标记，从而使用多边形和画笔工具对点云数据进行分段，从而为自动驾驶汽车开发中的LiDAR提供一流的质量数据。


原创声明：转载注明出处（可思数据）