1樓：
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。
2樓：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景，例如美顏，拉腿等CyberTok場景。
3樓：流雲飛水
我覺得是感知到認知的轉變和整套ai自動化機制。
感知到認知：想實現自動駕駛就繞不來人工智慧，當前世界三大流派：起源於符號理論的邏輯流，基於神經元的仿生流，還有基於控制的控制流，每個流派都有自己的問題，當前還不能實現感知+認識+算力的完美融合，基於當前方案，是無法實現無限制，全場景自動駕駛的
ai自動化機制：想實現自動駕駛，要麼你得充分提取特徵值，要麼就要給網路喂大量的資料去進行訓練，所以我們需要這麼一套完備的訓練平台，且不提資料夠不夠，以深度神經網路來說，資料需要通過監督學習，人為去標註來告訴網路真實世界應該是怎樣的，這個標註對準確率、效率要求很高的，需要耗費大量的人力物力，當前貝葉斯理論的加成當前也出現了小樣本學習的可能，但是事關人身安全，真的沒有幾個企業敢於嘗試這種小樣本學習的能力，所以自動化標註以及自動化訓練又是自動駕駛領域的乙個挑戰
4樓：熙鋒
從大資料和AI的深度學習能力的提公升上對自動駕駛有很大的幫助，但是「決策」會成為瓶頸。如何對極端案例做出最優的決策，這似乎是乙個無解的問題。
5樓：
決策應該是最困難的部分，
感知，定位，地圖，包括後面的通訊，資料管理等等，一定程度上技術進步或者砸錢堆投入都是可以解決的，唯獨決策是靠邏輯，而這個邏輯又需要靠不斷地窮舉道路上各種可能性來補充。
先不說自動駕駛這麼複雜的，發動機自動啟停，夠簡單吧？
一般人理解自動啟停就是車停了，發動機停止運轉，車開起來發動機自動啟動，有啥複雜的？
但是在汽車工程師的眼裡，自動啟停的邏輯遠不是那麼簡單，
簡單列一下影響啟停邏輯的一些因素
冷啟動，發動機還沒熱起來之前，即便停車也不能自動停吧？
空調工作情況下，降溫過程中應該不能停，但是車內溫度平衡狀態可以停？
車身狀態，如果車輛是停止在斜坡上，能不能停？
低速蠕行狀態，車輛停住了，可能下一秒就要動，也可能要原地等幾分鐘，該不該停？
這還只是語言描述，如果用工程引數來描述，恐怕會是乙個長長長長的列表。
自動駕駛比自動啟停要複雜一百倍，一萬倍，自動駕駛決策要綜合車輛所有的輸入變數，甚至還要面臨一些不確定性因素，甚至倫理要素，這不是堆技術堆投入能解決的，沒有任何演算法可以窮舉交通環境中可能會面臨的所有可能性，只能期待人工智慧的進化和成熟。
有些甚至人工智慧都搞不定，
錐桶困境了解一下，
20塊錢買四個，前後各擺倆，立刻就能讓一輛幾十萬的自動駕駛汽車變成動不了的鐵坨坨。
特別說明一下，錐桶困境對於自動駕駛的困難並非錐桶或者咱們這個例子本身，而是錐桶作為一種外部輸入變數，它在不同的交通環境中約束力是可變的，停車場裡面大概率是可以自己隨便挪的，但是在道路上或者停車場門口並不是你想動就能動的。自動駕駛就算可以識別並處理錐桶，但是什麼情況可以動，這決策會摻雜人性成分，不是簡單的二元選擇了。
未來如果人類駕駛員和自動駕駛車輛出現利益衝突，人類駕駛員只需要在自動駕駛車輛停車場出口擺倆錐桶就可以了。
自動駕駛與有限自動駕駛的區別？
坦途智行 就是自動駕駛的物件不一樣，自動駕駛的定義是純機器判定，人為駕駛不參與駕駛行為，汽車無駕駛艙環節。用人工智慧完全替代人類駕駛員。而有限自動駕駛是人為駕駛和自動駕駛相結合，有些特殊路況交由人類駕駛員駕駛，人類駕駛員參與到汽車駕駛的過程中，這是目前自動駕駛的趨勢，並且在未來很長一段時間內，自動駕...
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...
自動駕駛博士可以進大廠演算法崗嗎？
為什麼不能啊？說到我們的自動駕駛，那麼對於現在當今的熱門話題，對於乙個博士生來說屬於乙個非常棒的專業而且學歷也是夠的，完全沒有理由不進我們的大廠啊？說到自動駕駛，我們是非常建議各位是讀研究生或者博士的，首先自動駕駛這個本身就是乙個比較負責且龐大的體系，也包含了很多演算法上面的知識，因為我們所知道的可...