当前影响汽车实现全自动驾驶四大阻碍

当前所有商用自动驾驶都未达到L3

所以通过以上可知，自动驾驶依赖传感器去感知环境，利用算法加上芯片处理器去识别环境。就如我们之前文章自动驾驶 – 只需要一个聪明的人工智能取代人类驾驶所讲采用人工智能给汽车输入控制从而来实现自动驾驶。

自动驾驶逻辑貌似很简单，但其实按照主流推断乘用车公共场所全自动驾驶要到本世纪中叶，那么当前自动驾驶发展的阻碍主要有哪些r>

超级AI处理器

如前文讲到自动驾驶他主要采用deep learning而deep learning 的核心是把物体进行微分化处理再进行微分化逐步到局部整体的匹配识别，这就决定了它需要的算力TOPS强大，算力TOPS(Tera trillion” Operations Per Second) 每秒万亿次操作。它主要是对最大可实现吞吐量的度量，是当前最直观评价AI芯片的能力指标。

所以当前第一个影响全自动驾驶的阻碍是AI芯片行业的制造设计。

高精度传感器

感知定位是自动驾驶的前提，（详细了解感知点位以及优缺点点击自动驾驶八大定位感知)当前汽车主要采用雷达来测量前车距离，采用摄像头来识别物体，采用IMU,GNSS来预测车辆运动状态。

根据yole的 告显示，未来实现自动驾驶整车上传感器的成本会是当前汽车上的传感器价格的8倍左右。

电器架构

传感器数据融合，中央控制器数据处理，高效利用是高负载多数据自动驾驶所要求的电器架构但当前汽车的电器架构和供应商系列显然都还没有做好这个准备，当前电器架构是各种功能分布随着汽车产业发展然后互相不干涉或者很少互动叠加发展而来，举个例子很多豪车配备360环视摄像头但是他却难以在自动驾驶的仪表上显示虚拟环境，这显然就是没有进行数据融合处理。

机器学习和AI的概念至少从1960年代就已经存在了，其实20世纪80年代就存在的算法也做得非常好，但是直到2006年前后deep learning 都没有促发多大的进步。这可能仅仅由于其计算代价太高，而以当时可用的硬件难以进行足够的试验。所以当前自动驾驶算法的犹如我们文章当前自动驾驶方法的-限制和极限讲出的限制和极限其实更多是体现算法向算力和经济价值之间的妥协导致。

另一个重要部分就是企业内部进行算法形成时候的数据分析处理总结能力，这个需要强大的数据整理服务器系统来支持数据整理和算法形成。

当然自动驾驶的落地是历史趋势，阻碍不是意味着停滞不前，恰恰阻碍就是机遇，以上四点也为当前自动驾驶热门方向。是当前汽车供应链转变和资金密集，人才聚集方向。

参考文章

1. YDR20085-Sensing-and-Computing-for-ADAS-Vehicle-2020- Yole Developpement

2. Deep Learning – MIT Ian Goodfellow Yoshua Bengio Aaron Courville

文章知识点与官方知识档案匹配，可进一步学习相关知识算法技能树首页概览34800 人正在系统学习中