7月5日，李彦宏坐自动驾驶汽车去参加百度人工智能大会。凭着李总的知名度和自动驾驶的热度，此事吸引了不少眼球，于是乎给人一个感觉：自己会跑的汽车即将进入我们的生活，而司机这个职业将很快消失。那么自动驾驶到底离我们还有多远？
自动驾驶这个梦想恐怕早就有了，不少科幻作品提出这种设想，通用更是早在1939就提出了类似的规划。然而幻想归幻想，技术上实现是需要一步一个脚印的，最初的几个脚印就是各种驾驶辅助系统，比如泊车辅助、车道保持、自适应巡航、自动刹车等等。
2016年有驾驶辅助系统的车辆全球已经超过了1.5亿辆，比2015年增长50%以上。很多高端车型都配备了主动刹车功能，这就离完全自动驾驶又近了一步。
自动驾驶目前还处于群雄逐鹿的时代，业内并没有制定出相关的标准。虽然SAE和NHTSA把自动驾驶按层次分级，但只有最高等级的完全自动驾驶才能算是成功，目前各个团队只是在不停的测试和改进。经过众多企业的长期实践，目前主要有3种技术方案。
相机为主，电磁波雷达为辅。
电磁波雷达为主，相机为辅。
激光雷达、电磁波雷达和相机结合。
所有的方案都还不完善，各有千秋，比如电磁波雷达方案成本低，在路况简单的封闭道路上效果不错，但在路况复杂的街道就不好用。激光雷达方案能应对更加复杂的路况，但是运算复杂，成本高昂。
SAE（美国汽车工程师协会）把驾驶分为6级（L0-L5）。李彦宏7月5日坐的那辆车，应该处于L3级，人基本不必操作，但必须时刻注意路况，遇到危险需要及时介入。五年内，自动驾驶也许能达到SAE的L4级，也就是人基本不必操作，也不必关注路况，但系统还是会遇到不能处理的情况，此时仍然需要人类驾驶员介入。
自动驾驶L4级和L5级必须要应对一些特殊环境，比如没有划线的道路、未铺装道路、甚至电子地图没有覆盖的地区，比如草地、荒原。此外冰雪覆盖的道路，对于图像识别系统来说也是一大难题。要确保可靠性和安全性，这还有待于一系列测试，这将花费数年时间。
对于智能系统，所有硬件的功能最终都需要通过软件来实现，而软件技术还有很长的路要走，数据算法还有待改进。
首先物体分析对于机器来说是个难点。例如，对于停在路边的摩托车和骑车人，在机器看来他们的差别并不大，区别两者并作出正确反应，机器需要进行复杂的计算。
其次识别物体的效果也受到诸多因素限制，比如光线是否明亮，背景和物体的对比是否明显，物体是否运动等等。
最后系统要做出决策，自动驾驶实质上是交通领域的人工智能，要让机器模仿人类的决策，系统必须具备学习能力，这正是难点所在。
感知系统目前有电磁波雷达、声呐、相机和激光雷达。专业人员更看好激光雷达的前景，采用增强激光雷达结合电磁波雷达和相机，此方案功能强大，能适应各种复杂环境，比如狭窄空间，交通繁忙路段，然而挑战是需要开发更强的算法，这正是难点所在。
映射：一种是测绘高清地图，使用配备激光雷达和照相机的车辆，沿着目标道路行驶，360度全方位测绘3D高清地图。还有一种是特征映射，用相机与电磁波雷达相结合，绘制出道路的特征。这个方案像素粒度级别低，但是计算简单和更新容易。
定位：一种方法是使用高精度传感器，把感知到的环境和相应的高清地图对比，车辆可以精确地确定它所处的环境和位置，此方案适用于城市。另一种方案是用GPS的近似定位，结合相机拍摄的图像逐帧对比分析，种方法简，便但精度较差，适用于偏僻地区的道路。
决策：自动驾驶1公里需要做出上千个决策。以前主要是基于规则的决策，这种方法需要预设所有的情景，然后让程序车辆根据预设的程序处理，这样必然有遗漏。今天的决策系统主要采用的神经网络，但这是一种的极其复杂网络，人类很难理解其内部逻辑。许多专家主张采用神经网络和规则编程结合，这个方法可以使神经网络的应用简化。
测试和验证：
自动驾驶说到底就是让汽车拥有人工智能，既然AlphaGo能战胜人类，那么人工智能汽交通也是必然趋势。为此相关企业投下了巨大的赌注，但是开发者们面临着诸多的技术障碍，这些困难不是短时期能够解决的。此外还有安全这个大难题，监管机构的政策必然会保守，这也可能会阻碍创新的步伐。
10个月宝宝每天需要喝多少奶粉？
