搜尋意圖： 如果你在找「自駕車 是什麼」或「自駕車 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 自駕車是指無需人類駕駛員干預，能自主感知環境、做出決策和控制行駛的車輛。自駕系統整合了計算機視覺、傳感器融合、路徑規劃和深度學習，是 AI 應用中最複雜的系統。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
自駕車是指無需人類駕駛員干預，能自主感知環境、做出決策和控制行駛的車輛。自駕系統整合了計算機視覺、傳感器融合、路徑規劃和深度學習，是 AI 應用中最複雜的系統。
核心概念
自駕車通常按自動化程度分為 6 個等級（SAE J3016 標準）：
第 0 級（人工駕駛）：駕駛員完全掌控。
第 1 級（駕駛輔助）：系統在某些特定環境下輔助駕駛（如自適應巡航控制）。
第 2 級（部分自動化）：系統可以控制加速、轉向和制動，但駕駛員必須持續監控並準備接管。
第 3 級（條件自動化）：系統在特定條件下（如高速公路）完全自動駕駛，駕駛員可以進行其他活動但必須在被要求時能迅速接管。
第 4 級（高度自動化）：系統在定義的環境條件下完全自動駕駛，不需要人類干預（但可能沒有方向盤）。
第 5 級（完全自動化）：在任何條件下完全自動駕駛，無方向盤。
當前，大多數商用自駕系統處於第 2-3 級。完全的第 5 級自駕仍面臨技術、法律和社會的巨大挑戰。
運作原理
自駕系統的典型架構包括以下模塊：
傳感器層：車輛配備多種傳感器來感知環境：
攝像頭：捕捉視覺信息（顏色、紋理）
雷達：測量距離和速度（穿透雨霧）
激光雷達（LIDAR）：獲得精確的三維環境地圖
慣性傳感器：測量加速度和角速度
GPS：提供全局位置
感知模塊：使用深度學習和計算機視覺處理傳感器數據，識別周圍環境：
物體檢測：識別行人、車輛、交通信號等
語義分割：識別道路、人行道、停止線等
深度估計：估計物體的距離
行為預測：預測其他行駛者（車輛、行人）的意圖和軌跡
定位與地圖模塊：確定車輛的精確位置，構建和更新環境地圖。
路徑規劃與決策模塊：基於感知和定位信息，決定車輛的行動。包括：
路徑規劃：確定從起點到終點的最優路徑
行為決策：決定是否加速、減速、變道、停止等
軌跡規劃：生成平滑的轉向和加速曲線
控制模塊：執行決策，發送指令給方向盤、油門、制動系統。
安全監控：持續檢查系統是否異常，如果檢測到故障，立即執行安全停止。
實際應用
考慮一個自駕計程車在城市道路上的場景：
初始化：車輛啟動，傳感器開始收集數據。攝像頭、雷達、LIDAR 捕捉周圍環境。
感知：深度學習模型（如 YOLO 或 Faster R-CNN）實時檢測周圍物體。檢測結果包括：前方 50 米內有一個停止信號、右邊有行人在人行道上、左邊有一輛車在並行車道上。
行為預測：預測模塊預測行人是否會進入車道，結論是有 30% 的概率行人會在下一秒進入車道。
路徑規劃：導航系統規劃路線：向右轉進入下一條街道。
決策與規劃：決策模塊綜合考慮：
前方停止信號要求停止
行人可能進入車道，需要降速
左邊的車處於安全距離 決策：減速接近停止信號，準備停止。
控制執行：控制模塊計算減速曲線，逐步減速，在停止信號前完全停止。
持續監控：在停止期間，系統持續掃描，檢查信號變化、新的行人、其他車的動態。
恢復行駛：信號轉綠，系統檢查確認道路安全後，加速並轉向。
常見誤區
誤區 1：自駕車只是一個深度學習問題
自駕車的複雜性遠超單純的 ML。它涉及傳感器融合、實時系統、軟體工程、控制理論等。一個好的感知模型不夠，還需要可靠的定位、魯棒的決策、安全的控制。許多失敗的自駕項目就是因為過於強調 ML，忽視了其他工程方面。
誤區 2：測試里數代表自駕能力
Waymo 和特斯拉都聲稱測試了數百萬里程。然而，里數本身不代表能力。特斯拉在平坦城市高速公路上行駛 100 萬里不如在複雜的山區鄉村道路上行駛 10,000 里。關鍵是在多樣化、高風險的環境中測試，衡量失敗模式的頻率和嚴重程度。
誤區 3：自駕車完全不需要人工干預
現實是，即使在高度自動化系統中，仍然需要人類作為後備。一些情況（極端天氣、未預見的障礙、系統故障）超出自駕系統的能力，需要人類接管。此外，目前沒有自駕系統能 100% 安全，監督和改進需要人類。
與相關技術的比較
自駕車 vs. 高級駕駛輔助（ADAS）：ADAS（如 Tesla Autopilot）在特定條件下幫助駕駛員，但駕駛員仍需負責。自駕車在自動化的環境中完全接管。ADAS 更容易在現有車輛上實現，自駕車要求新設計和新的法規框架。
基於規則的自駕 vs. 基於 ML 的自駕：早期的自駕車（如 Google 的 Waymo）大量使用人工編寫的規則和精細的手工工程特徵。現代趨勢是更多使用端到端的深度學習，直接從感應器輸入預測駕駛行為。兩種方法各有優缺點：規則方法更可解釋但難以擴展，ML 方法更靈活但難以保證安全。
常見問題
自駕車的感知系統如何處理惡劣天氣？
惡劣天氣（雨、霧、雪）是自駕的重大挑戰。不同傳感器有不同的鯰魚：攝像頭在霧中視野很差，雷達穿透性強但分辨率低，LIDAR 在雨中效果差。現代系統採用傳感器融合，結合多個傳感器的信息彌補各自的不足。例如，當霧中攝像頭視野不清時，依賴雷達和LIDAR；在雨中LIDAR效果差時，依賴攝像頭和雷達。此外，深度學習模型需要在各種天氣條件下訓練，以適應不同環境。一些公司還開發了專門的雨/霧偵測模塊，當檢測到惡劣條件時，自動降低速度或尋求停止。
自駕車在倫理決策（如不可避免的事故中誰受傷）中如何選擇？
這是自駕車最有爭議的倫理問題。假設制動失敗，車必須選擇撞行人還是撞護欄。現實中，設計自駕系統的目標應該是完全避免這種二選一的情況：維持足夠的安全距離、監控制動系統健康、在極端情況下安全停止。當前的公共政策和工程實踐傾向於：(1) 最小化整體傷害（無論誰受傷），而非針對性地選擇受害者；(2) 優先保護最脆弱的群體（如行人）；(3) 透明地記錄系統決策用於事後分析。不同國家可能有不同的倫理框架，這也是自駕車全球推廣的障礙。
自駕車的端到端學習（直接從影像到操控）可行嗎？
端到端學習（如 NVIDIA 的方法：輸入攝像頭影像，直接輸出轉向和加速）在簡單場景（如高速公路）上展現了潛力，但在複雜城市環境中仍有挑戰。優點是簡化系統，減少手工特徵工程。缺點是難以解釋（為什麼模型做出某個決定），難以泛化（在未見過的環境中失敗），難以修正（如果出錯，難以診斷根本原因）。大多數成功的自駕項目采用中間層次的方法：使用深度學習做感知（檢測、分割），然後用明確的決策邏輯（規則或優化算法）選擇行動。這種混合方法在安全性和靈活性之間找到平衡。純端到端方法可能適合特定的、受控的場景（如農業、采礦），但對於公共道路上承載乘客的車輛，分解系統仍是更可靠的方法。