首先为满足全自动驾驶技术的要求，激光雷达还未能实现低成本量产；其次交通物联网的V2X技术及基础设施也还未开始研发建设。最后，如果无人驾驶汽车面临一场不可避免的车祸，左转是儿童，右转是孕妇，那么它该如何选择？涉及到道德的问题一直在等待着法规的完善。不过软件部分的高精度地图与自动驾驶的算法已经获得了较大的发展，这让自动驾驶的实现有了坚实的基础。
乐观来看，10到20年之内自动驾驶技术将会普及，而自动驾驶时代的到来会比过去任何一次技术进步都更能对我们的生活产生颠覆式的影响。
首先，我们对汽车的消费模式将会发生较大的变化，而这一变化又将深刻改变汽车产业的发展格局。其次，伴随着事故率的降低，加速了车险行业的改革，我们的通勤、出行习惯也会产生较大改变，并且自动驾驶汽车停靠需求的改变也将会让过去的停车场不复存在。这样城市的结构、商业设施的布局都会让我们的生活发生翻天覆地的变化。
谷歌曾认为从2级自动驾驶做起来的特斯拉，因为出于成本考虑并没有采用激光雷达，它就像青蛙一样，即使跳的再高再快，也不能“飞”。但直接开发5级自动驾驶的“天鹅”谷歌，虽然解决了所有技术问题，但他们的成本太高，普通家庭难以支付。那么到底什么是自动驾驶等级？实现自动驾驶的硬件又是什么？
以下，供你参考。
一步到位vs迭代升级
美国汽车工程师协会（SAE）提出了自动驾驶的6个等级，目前大多数汽车尚处在第一级中。围绕着这一分级自动驾驶产生了两种不同的发展路径，其中百度与Google的无人车是想要直接发力第五级，实现全自动驾驶的功能，而Tesla目前的自动驾驶技术路线应该是想要偏向于尽快量产实用，再随着技术的进展不断的迭代升级。
第1级能够进行一些辅助这些汽车有着包含ABS、自动巡航在内的功能，基于这些功能车辆能够在一些特定环境下维持行驶的状态。
第2级半自动驾驶在这一级别中，汽车的控制系统可以在特定情况下接管汽车，但司机还是需要坐在驾驶位并全程监控驾驶情况。一般情况下这一功能适用于高速公路场景，司机不需要操作，但需要坐在驾驶位并确保汽车自动控制程序一直能够保持稳定。
第3级部分情况下能够自动驾驶该水平意味着驾驶员不必一直监视系统，但依然需要呆在能够快速控制并恢复汽车行驶状态的位置。这意味着驾驶员不需要时刻把手放在方向盘上监控情况，但能够在系统判定紧急情况并发出警报后及时接管。
第4级高度自动化由自动驾驶系统完成特定场景或一段路途中绝大部分的驾驶，在这一级别中驾驶员已经不需要对自动驾驶状态做任何干扰。
第5级全自动驾驶最高级别的自动驾驶技术，这意味着在全部旅途、全部情况下都不需要司机的干预，自动驾驶程序就能够独自完成所有情况的处理，此时也将会淡化司机这一角色。
传感器、车联网与基础设施互联设备作为必要的硬件设备构成了技术的一大发展方向，同样为无人驾驶汽车提供驾驶算法以及车用高精度地图的软件业务也是技术发展中不可或缺的必要环节。
实现自动驾驶汽车的必要硬件设备
1。激光雷达vs传统雷达与摄像头
首先，传感器是至关重要的硬件设备，对于自动驾驶汽车来说相当于它的眼睛。通过传感器无人驾驶汽车能够识别道路、其他车辆、行人、障碍物及交通基础设施。目前传感器主要分为激光雷达、传统雷达和摄像头这三个部件，在应用层面摄像头又有单目和双目之分。
激光雷达：
激光雷达目前是被采用比例最大的设备，Google、百度、Uber等公司的自动驾驶技术目前都依赖于它，这种设备被架在汽车的车顶上，能够用激光脉冲对周围环境进行距离检测，并结合软件绘制3D图，从而为自动驾驶汽车提供足够多的环境信息。
但目前的问题是激光雷达的价格高达80000美元，在其降低成本之前不可能被量产的自动驾驶汽车采用。好在目前已经有一些方案能够降低激光雷达的成本，例如将上述“机械”式的激光雷达改变为“固态”激光雷达。
固态激光雷达能够通过电子部件进行相控阵扫描，并不需要依靠内部机械部件的旋转，这样不仅能把激光雷达越做越小，也控制住了成本。目前全固态激光雷达的主要研发厂商有Quanergy、以色列的Innoviz以及TetraVue等企业，但均未实现量产，Quanergy宣布其纯固态激光雷达已经在进行测试，如果顺利的话2018年初可实现量产。
而前不久接受了百度与福特投资，目前是机械旋转式激光雷达最大企业的Velodyne，仅开发出“混合固态激光雷达”，而这一产品还是要靠内部的机械部件实现360°的高速旋转，仅仅实现了产品的小型化，算是过渡产品。国内企业镭神智能、禾赛科技及北科天绘也推出了内部旋转式的混合固态激光雷达产品。
传统雷达与摄像头：
由于激光雷达的高昂价格，走实用性技术路线的特斯拉便采取了更加切合实际的路线发展其“辅助驾驶”功能，其采用的硬件便是传统的雷达和单目摄像头。这一设备其硬件原理与目前车载的ACC自适应巡航系统类似，依靠覆盖汽车周围360°视角的摄像头及前置雷达来识别三维空间信息，从而确保交通工具之间不会互相碰撞。
具体来说，单目摄像头先通过图像匹配进行目标识别，再通过目标在图像中的大小去估算目标距离，准确识别是准确估算距离的第一步。因此单目识别技术需要建立并不断维护庞大的样本特征数据库，如果缺乏待识别目标的特征数据，就会导致系统无法识别以及测距，很容易导致事故的发生。
目前基于单目摄像头的半自动驾驶系统还远未成熟，此前特斯拉导致驾驶员死亡的事故便是因为其单目摄像头误将掉头的白色集装箱货车错误的识别为了空中的白云而未能及时刹车。
双目摄像头的测距方式则是通过对图像视差进行计算，直接对前方景物进行距离测量。双目摄像头的原理与人眼相似，难点在于计算量大，对计算单元的性能要求非常高，这使得双目系统的产品化、小型化的难度较大。因此目前宝马i3、特斯拉以及日产ProPilot等自动驾驶技术均采用了单目摄像头设备。
星河研究院预计，短期内基于双目摄像头的算法与处理器将会得到较快的发展与自动驾驶汽车产业的青睐，但其低解析度、相对激光雷达准确性较低的特点在面对未来成本不断降低的激光雷达的竞争中很大概率要败下阵来，因此不出意外的话实现第五级别的全自动驾驶功能很大概率还是要建立在激光雷达技术之上。
2。V2Xvs红绿灯
V2X是一个能够让车辆与周围的移动交通控制系统通信的技术，V2V技术则允许车辆与其他车辆互相通信。这是未来全自动驾驶汽车所依赖的一项技术，但遗憾的是相比于火热的传感器领域，V2X技术的研发创新还很冷清。
更大胆的设想是，如果汽车之间可以互相通信，并且实现了完全的自动驾驶，那么红绿灯便没有理由继续存在了。没有了红绿灯后，交通设施将会需要智能的调度算法和对交叉路口极严密的监控，但相比于交通运输效率的提升，这些设施的成本就不是问题。
另外在一些情况下车辆能够提早的预判危险情况，如果一定会发生事故或是在车辆已经确认遭遇撞击后可以通过V2X系统广播信息求助，从而极大的提升车内人员被救治的效率。
根据美国交通部的数据，V2X技术能够降低80%的交通事故率。仅仅在美国，这就将每年减少59.4万次交通事故并拯救多达1321条人命。
除了上述对硬件的需求外，自动驾驶技术更离不开软件方面的突破。高精度地图是实现自动驾驶的基础资源，而机器学习与工程算法则是使高精度地图、传感器与V2X设施所获得的数据真正实现价值的手段。
自动驾驶汽车在软件方面的需求
1。高精度预计算地图，垄断vs竞争
现在每个人出行都会用谷歌地图、苹果地图、百度地图及高德等产品，并且他们都有一个不错的准确度令我们在城市中可以便捷的通行。但令人类用户满意的地图精度距离满足自动驾驶汽车的需求还很远，因为他缺乏了路面上有几条车道、车道的边缘位置、隔离带与路障位置等极为具体的信息。
因此给自动驾驶汽车开发其专用的高精度地图便成为了必不可少的任务。国内外较大的地图提供商目前都已经在高清地图领域展开了积极的行动，意图尽快的占领自动驾驶汽车用地图市场更多的份额。
高清地图服务商一般先要使用类似于谷歌街景车的技术，用车顶上的高清相机、雷达等设备把周围环境全部扫描记录，再通过算法优化最终得到厘米级别的地图数据。
HERE生产高清地图的策略与Google类似，这两家公司目前都是一次性采集一整个街区的数据。HERE通过车顶安装的四个广角的24兆像素摄像头、旋转式的激光雷达、陀螺仪以及GPS系统，依靠自有算法能够生成高清地图。按照Here的预期，用于自动驾驶高清地图服务预计将在2020年能够上线。
国内的高德地图也已经在推进地图数据的高精度化，在未来高德希望能够利用高精地图数据支撑自动驾驶的发展，自动驾驶再产生新的数据，经过科学自动化的处理，变得更新更准，更能被机器电脑使用和学习的数据，最终形成高精地图数据的生产闭环。地图行业及自动驾驶领域的巨头百度也早有布局，目前高精度地图已经是百度最重要的战略性业务之一。
A16Z的合伙人担心高精度地图会存在垄断的机会，因为他认为在自动驾驶时代人们将不得不完全依赖于这些成本高昂地图，且这个目前没有法律所管辖的领域也急需监督。
星河研究院认为从我国情况来看这种担心有些多余，在国内资本充足的现状下，多家地图企业相互竞争才是比较现实的情况，而其高昂的成本多半要先由风险投资商承担，再到后期寻找合适的变现模式。目前高德已经宣布其高精度地图对自动驾驶汽车免费开放，而预计随着竞争的加剧，为了市场份额而争相免费的情况将不可避免。
2。机器学习vs工程算法：
算法是支撑自动驾驶技术最关键的部分，目前主流自动驾驶公司都采用了机器学习与人工智能算法来实现。
而海量的数据是机器学习以及人工智能算法的基础，通过此前提到的传感器、V2X设施和高精度地图信息所获得的数据，以及收集到的驾驶行为、驾驶经验、驾驶规则、案例和周边环境的数据信息，不断优化的算法能够识别并最终规划路线、操纵驾驶。
现在面临的主要问题是相比于模型计算，真实行驶场景中的算法需要的数据过多且计算量超出了现有能力。目前已经有了不少对机器学习进行简化的尝试，例如OpenAI的Universe这一项目，未来这一问题或许能够通过近似简化以及计算能力的提高得到解决。
同时在机械以及路径规划方面较为优秀的工程算法也不应该被弃之不顾。这两者最主要的区别是工程算法依靠固定的逻辑及规则运行，而机器学习能够结合历史经验与数据计算出最优结果。
BostonDynamics令人惊叹的机器人的算法中并没有使用机器学习技术，但依然拥有了令人印象深刻的成果。因此即使工程算法在执行效率上与基于深度学习算法的Alpha-Go并不在一个水平，但将两者的优点相结合依然能够有效的提升机器学习的最终效果。
3。算法通用化vs本地化：
本地化是一个计算机科学的术语，意味着软件将会依据其周围的环境条件选择合适的执行策略。
每个城市都有不同的驾驶习惯，所以未来自动驾驶汽车如何处理好本地化问题成为了其实际应用前必须突破的障碍。如果算法不能够做到本地化，那么在班加罗尔适用的自动驾驶安全措施很明显将会在波士顿造成严重的交通拥堵，其他城市亦然。
但我们无法为每一个不同驾驶习惯的地区都编写特定的算法，因此能够实现本地化的自适应综合算法成为了关键，这种自适应算法要做到能够通过学习社会习俗及典型的当地人类行为来使自动驾驶汽车获得更好的表现。
自动驾驶技术在普及过程中，以及完全实现后将会对社会造成的影响
出行是人们生活中最基本的需求之一，因此随着自动驾驶技术的逐布实现，我们的生活也将产生巨大的变革，而涉及到出行行业的汽车制造、出行服务商、保险、市政等等环节都会发生巨大的变革。
1。传统汽车厂商vs互联网公司
汽车产业是一个庞大的链条，涉及到了上下游无数的零配件制造与配送体系，其影响范围仅次于房地产业。老牌汽车厂商们拥有的全套汽车制造基础设备，丰富的汽车设计、制造经验以及熟练的流水线运行管理经验都是其相对于跨界造车的科技创新企业的优势。
并且传统汽车厂商已经认识到未来汽车产业的创新发展主要是基于软件基础之上的，因此他们积极的在硅谷设立办公室，高薪雇佣IT技术人员。例如福特汽车就在硅谷设立了自动驾驶研究与创新中心，而宝马此前更是另辟蹊径选择了与百度进行自动驾驶的技术合作。
但科技创新企业的机会也依然很大。通过灵活超前的设计理念以及优秀的软件开发能力，一大批的初创科技型造车企业涌现，蔚来汽车下线的超跑打破了全球最快电动车速度记录且已经在实际道路开展自动驾驶路试，行业领头羊特斯拉更是宣称其2018年将具备年产50万辆汽车的规模，且这些汽车都可以选配最新的辅助驾驶功能。
国内厂商在自动驾驶领域也构成了一极，科技创新类公司中，车和家同蔚来汽车一样也在实验自动驾驶技术并希望将其尽快量产，百度等软件公司在自动驾驶算法及硬件上也有着很高的技术壁垒，传统主机厂商中上汽、北汽、长安都对自动驾驶技术有着大额的投入，且长安作为第一家进行实车展示的主机厂商其自动驾驶汽车已经有超过1万公里的测试里程。中国作为世界上深度学习论文发表数量最多的国家，其自动驾驶技术十分值得市场的期待。
2。购买汽车vs购买服务
如果作为消费者的我们把从汽车制造商购买汽车的习惯，转变为向类似Uber和Lyft这样的出行公司购买交通服务，这将会令汽车制造商从以往的B2C模式转型为B2B公司，即制造商向出行公司提供设备，而出行公司向消费者提供服务。
需要注意的是随着商业模式的变化，是否未来自动驾驶汽车也会和飞机一样千篇一律毫无特点，以便于出行服务公司压缩成本节省开支呢？这一现象或许将会对汽车制造行业产生较大的负面影响。
3。汽车保险，保汽车vs保硬件
在如今每25起交通事故中，有24起都是因为人为错误而发生的，比如说超速、分心驾驶、醉驾、闯红灯等。因此现在的汽车保险价格，由司机所在的城市人口、居住地和购买车辆的车型、价值等数据精算得出，但未来随着自动驾驶技术的到来，事故率显然要趋近于0，因此保险行业的变革势不可免。
也许未来保险的精算会基于汽车所处城市、汽车制造商是谁，或者拥有汽车或租赁汽车的人的身份来判定，而保险的模式也不一定会局限在年费这一单一场景下。但保险价格的最终计算方法目前还是无法推测，因为虽然事故率会趋近于0，但一旦发生事故，车上昂贵的激光雷达系统、地图分析计算机和其他硬件设备的维修或更换将会耗费超过以往数倍的资金，因此保险公司将会面临怎样维修成本目前来看无法确定。
处于混合驾驶情况下的保险业将更加混乱，毕竟自动驾驶车辆与人工驾驶车辆混合存在的阶段不可避免，届时责任认定都会成为很复杂的问题。
4。上下班，通勤vs步行
但自动驾驶汽车和汽车服务运营商的存在也将释放很多诸如停车场、修车店等在内的城市空间，这些空间会增加人们的居住场所或工作场所，因此人们或许将会住在距离工作地点很近的地方，而不像今天一样需要长距离通勤。
一些业内人士预测自动驾驶的时代将会在2020—2040年到来，我们将会在有生之年看到这一奇妙的世界，对于大众来说从现在就做好准备迎接未来是当下最好的选择。