1樓：水清木華
你這問題問得得籠統。得看是「自動駕駛」的哪乙個級別。L2及以下的，瓶頸基本已突破，L3級，多感測器融合技術上也可行，主要是就看成本，畢竟車企很在意成本；L4-5還比較早，瓶頸就多了。
2樓：阿狸
我怎麼感覺是政策。。。。
政策多寬容一些，自動駕駛就能快速進入良性迴圈發展。先跑起來，然後經驗日漸豐富，演算法日漸精良，資料量增加起來就會產生質變。
3樓：「已登出」
目前，自動駕駛行業發展主要受制於兩大瓶頸：技術和成本。
首先，自動駕駛技術的發展仍然處於初級階段，還不夠成熟，比如在惡劣天氣下提高感測器的解析度對演算法的要求較高，這一方面的研發仍然需要提高，其他如攝像頭、雷射雷達等感測器也需要變得更加高效。
其次，自動駕駛的研發成本較高，這使自動駕駛的商業化面臨著挑戰。為確保安全性，自動駕駛車輛一般都會配備多系統冗餘設計，也需配備更多感測器，這就提高了單車成本，因此開發一輛自動駕駛車輛的成本是開發傳統汽車的10-20倍。不過，未來隨著演算法演進和規模的擴大，成本也會隨之下降，近幾年來，雷達的成本就下降了很多。
儘管如此自動駕駛系統在2023年前還是很難在私人用汽車上大量部署。不過車隊運營商能比較輕鬆地適應成本高的不利，未來商用車市場最有可能廣泛普及自動駕駛系統。
4樓：luffy
自動駕駛是乙個非常龐大的系統工程，環環相扣，中間任何乙個環節出現差錯，整個系統都會崩盤。目前比較主流的兩種選型方式，一是雷射雷達與感測器的融合，二是利用計算機視覺，使用攝像頭的方式。前者屬於主動探測，其成本較高；後者成本低，技術要求更高。
個人認為自動駕駛的瓶頸在於資料，關鍵是資料從哪來，如何合理有效地收集豐富的資料。網上開源的自動駕駛資料一般適合競賽，其複雜度遠遠不夠。
就拿特斯拉來說吧，特斯拉的自動駕駛技術算是比較厲害的。其車型即使是車主沒有開啟駕駛輔助功能，車輛的感測器也會在車主駕駛時全開記錄行進資訊，並上傳雲端做為自動駕駛路試大資料的積累。這也讓特斯拉在實際道路資料的積累上，領先其他產商相當多的距離，原因就是因為路上每一輛跑著的特斯拉，都相當於特斯拉的自動駕駛測試車，在積累自動駕駛資料。
5樓：
從目前專案開發來看，難點還是感知融合，當前車輛規劃控制這塊的演算法基本比較成熟，都是基於adas迭代即可，自動駕駛和智慧型輔助駕駛區別在於誰是主駕，誰是副駕，前者是車是主駕，人是副駕，駕駛員的作用就是在車輛需要人去接管的時候去接管，即使沒有人接管，它也能安全停下來，所以這個問題就來了，如何識別邊界條件，這是難點，二是邊界條件有了，駕駛員不接管怎麼辦，這是整個系統要考慮的，也就是冗餘方案，比如有多控制器系統！
研究自動駕駛技術的演算法需要哪些知識？
與非網 以自動駕駛為代表的新一代駕乘體驗離我們越來越近了！在實現新一代駕乘體驗的路徑中，自動駕駛 虛擬中控 智慧型座艙 高畫質影音 高速聯網等新興概念不斷湧現，與之相輔的則是雷射雷達 智慧型感測 融合演算法 人工智慧處理單元等等光芒耀眼的前沿技術。不過，在我們為此感到歡欣鼓舞的時候，千萬別忘了實現這...
L5級自動駕駛的主要瓶頸是什麼？
Jie Ge 我的認知就是 現在我們有技術可以做出一台可以通過交規考試和小路考的汽車。但是在面對大路考的時候，發現，我們既找不到合格的考官，也沒有對應的考題和正確答案，更沒有技術造出大路考100 不會有事故的車輛。主要瓶頸是什麼？全部都是啊。 李優 沒有明顯瓶頸。在可預見的未來，硬體效能的增長是可預...
自動駕駛的哪個方向演算法未來面臨挑戰最大，將會成為自動駕駛的瓶頸？
多感測器融合是一項結合多感測器資料的綜合性前沿內容，主要包括Camera 雷射雷達 IMU 公釐波雷達等感測器的融合，在自動駕駛 移動機械人的感知和定位領域中占有非常重要的地位。 Yuxin CV 最大的瓶頸在於自動駕駛一旦犯錯，所產生的代價極高，而目前其依賴的相關技術只能成功應用於犯錯代價極低的場...