近日，智能汽車事故頻出。
8月10日，在正常測試過程中，百度旗下自動駕駛出行服務平臺蘿卜快跑的測試車輛，被後方車輛追尾，導致交通事故；同日，某小鵬P7車主駕駛車輛與前方檢查車輛故障人員發生碰撞，據網絡流傳的聊天記錄，車主表示事故時開啟了ACC、LCC等輔助功能。
盡管兩起事故不一定是由輔助駕駛或自動駕駛系統所導致，但業界圍繞自動駕駛系統安全性的爭議愈演愈烈。
『無論是硬件還是軟件，當前汽車的輔助駕駛系統還非常不完善。
但是由於企業和自媒體的過度宣傳，導致用戶過於信任和依賴這套系統』某車企自動駕駛部門負責人李可向第一財經記者表示，他不會選擇在高速公路上使用輔助駕駛或自動駕駛。
主流感知方案仍存在短板
針對小鵬P7在寧波高架上發生的事故，業界的關注點主要聚焦在兩個方面：一是目前眾多車企使用的L2級輔助駕駛系統，都可以根據前方的車輛速度進行自動跟車和減速剎車，但此次事件中當前方有障礙物時，為何車輛沒能及時識別並做出相應的動作；二是根據車主表示，事故發生時自己『分神』了，在智能輔助駕駛系統功能愈發齊全、自動化程度越來越高的情況下，車企該如何讓用戶正確使用相關系統。
李可向稱，無論是高級輔助駕駛還是自動駕駛，組成部分基本可分為感知、決策和控制模塊。
在感知方案上，當前主流的輔助駕駛系統主要采用攝像頭和毫米波雷達的融合感知方案。
在未來的發展方向上，特斯拉致力於采用純視覺解決方案，大部分國內車企則計劃應用攝像頭、毫米波雷達和激光雷達的融合感知方案。
本次發生事故的小鵬P7便采用了毫米波雷達和視覺的融合感知方案。
其中，毫米波主要通過電波反射來進行障礙物的探測，但難以準確識別障礙物類型，諸如路牌、龍門架、護欄等靜止物體都會被識別為障礙物，為了保證駕駛輔助系統的流暢性，算法上通常會忽略相對於路面不移動的雷達回波。
而視覺需要依賴大量的樣本量進行學習，對於異形物的識別效果較差，這次被撞車輛前站了一個人，視覺可能會出現識別問題。
此外，視覺感知容易受到日照、明暗交替等環境因素幹擾；毫米波雷達會穿透塑料、墻板和衣服等特定材料，無法對相應目標物進行識別。
此外受制於成本，車載毫米波雷達一般僅涉及平面的角分辨率，垂直方向上則不做區分，因而也無法判斷識別目標距離地面的高度。
據第一財經記者梳理，包括小鵬以及特斯拉在內的車企，目前的高階輔助駕駛系統對於上述包括相對靜態的障礙物、雪糕筒在內的物體，幾乎都沒辦法識別，這在業內是一個普遍存在的問題。
正因如此，這些車企在用戶手冊中往往都會將輔助功能無法實現的場景單獨進行羅列。
以小鵬汽車為例，在車主首次使用相應輔助駕駛系統前，小鵬汽車的操作界面有一個強制的考試答題環節，幫助用戶了解輔助駕駛系統無法生效的使用場景。
有分析認為，在激光雷達上車之後，車輛對於靜止障礙物、雪糕筒等物體的識別能力將有大幅提升。
此外，激光雷達作為 3D 傳感器具有測距遠，分辨率優，受環境光影響小等特點，可以成為智能駕駛的第三隻眼睛，彌補傳統輔助駕駛系統的自帶缺陷，系統誤報等問題。
相當一部分車企也將增強感知的重任交給了激光雷達。
近期，蔚來、小鵬、理想、阿維塔等車企發佈的新車上，均已搭載一顆甚至多顆激光雷達。
無人駕駛是不是『鏡中花』？
『從近期的技術條件來看，激光雷達會是自動駕駛感知的必要元件，它的探測精度以及提供的距離信息能夠大大彌補目前主流方案的短板；但缺點就是價格過高，目前大部分車企裝車的都是半固態激光雷達，雖然性能弱於很多自動駕駛測試車使用的機械式激光雷達，但成本已經下滑了很多，並且隨著裝車量的提升，成本還有進一步下探的空間』某商用車自動駕駛解決方案首席工程師董浩告訴記者，將來不排除攝像頭出現技術上的躍進，能夠優化黑夜、光影交替等環境下的表現，提高純視覺感知方案的可靠性。
但值得注意的是，激光雷達上車並非是實現自動駕駛的『救世主』。
盡管激光雷達能夠補齊目前主流識別方案上的短板，但僅僅依靠硬件的升級，並不能完全解決識別能力不足或精確度不夠的問題。
『人類駕駛員操控車輛，是通過眼睛收集信息，大腦處理信息，並最終用手腳來實現操控的動作；激光雷達、毫米波雷達等感知元件，就像人的眼睛，是來獲取外界信息的；線性底盤、線性轉向就是手腳，負責控制車輛；但目前最大的問題是，軟件和算法還無法達到人腦的水平，即便探測元件收集到了信息，算法不一定能夠進行準確的識別，並指導相應元件進行控制』董浩說道。
自動駕駛是一個流程化、復雜的綜合系統，涉及眾多流程和領域。
其在流程上包括感知層、認知層、決策規劃層、控制層和執行層幾個層面。
而識別的準確度是上述幾個流程共同作用的結果，其一方面依賴於硬件設備的檢測精準度，比如，在攝像頭和毫米波雷達的視覺融合方案中，攝像頭和雷達都在執行檢測，但對於同樣的物體，不同的硬件設別檢測的精準度不同，這就需要對硬件進行視覺技術訓練。
近兩年來，得益於軟、硬件的提升，自動駕駛相關技術得到了長足的進步，例如小鵬的NGP、蔚來的NAD等系統，雖然被宣傳為智能駕駛，但其實現的功能已經夠得上L3級自動駕駛的水平。
董浩認為，在5到10年內，L4級別自動駕駛會得到較快的發展，其中近3~5年內，在礦區等相對封閉的場景會率先落地L4自動駕駛；但L5級自動駕駛，即全無人的自動駕駛，或許仍需要等待較長的時日。
『自動駕駛系統需要識別的物體有無限種，這就需要在機器學習中輸入大量數據，把算法喂出來。
但是非標準的物體又沒有足夠的數據』李可認為，自動駕駛中的Corner Case《長尾問題》會無窮無盡，除非機器能夠實現和人類一樣舉一反三的能力，那麼自動駕駛可能永遠無法覆蓋100%的工況。
國內某駕駛輔助公司投資人告訴記者，一定程度上，在線控、自動駕駛等領域，汽車正沿著過去幾十年間飛機技術的腳步演進，但目前即便是飛機，也沒能100%實現自動駕駛。