2020年的自動駕駛行業形態已經趨于成熟 ，新聞里也不再有hype。如果我們看各公司最新的介入報告，會發現駕駛的水平并沒有實質性的進展，越來越多的員工開始放棄自動駕駛行業。各公司于是開始另辟蹊徑，尋找下一個技術突破口。

如今，大部分公司采取的研發方式是傳統機器人研發的方法，將駕駛技術分割為幾個模塊，將人類駕駛的習慣逐一傳授于無人車。

比如，我們將公司分為定位、視覺、路徑規劃與控制等幾個部門，然后將各個部門的研發成果匯集到一個release里，放在車上測試。我們可以要求視覺系統將行人與騎自行車區分開來，然后要求路徑規劃在駕駛時對騎自行車的人永遠保持一米的距離，但是對行人永遠保持0.8米的距離。

這種開發思路有諸多優點，但也有不少弊端。首先，只要分別組建好團隊，搭建出一個駕駛平臺并非難事。各個團隊只要專注做好自己的分內責任，就可以保證這輛車至少可以在路上開起來。但這種平行的開發方式的缺點是，無法保證各個部門之間的代碼可以兼容。比如，如果視覺只能探測90米之內的行人，而無人車的車速提快之后，90米很可能不夠用。如此導致部門之間的協調工作十分繁重。

另外，這種開發方式完全依賴人類的駕駛經驗，但是人類的駕駛習慣很難量化。一些人看來比較危險的駕駛習慣，在另一些人看來卻很平常。那么，我們該教無人車哪一種駕駛風格才對？像機器人一樣駕駛的無人車，又該如何在眾多人類駕駛車中生存？

何況，人類的駕駛經驗十分復雜，如果都要轉化為一個個數值逐一傳授于無人車，恐怕要花上數十載的時間。行業內的幾家領頭公司已經至少潛心開發了四五年的時間，經過這段時間的研發，在規定的場景（ODD）內已經可以做到90%的駕駛功能。然而，接下來的10%卻難上加難，不知還需要多少年才能做到99.9%。

人類的駕駛經驗往往也并不是完美的。研發自動駕駛的初衷就是讓人類擺脫遭遇車禍的痛苦，而研發自動駕駛的人自己往往也造成過車禍，不完美的人類研發出的軟件往往也是不完美的。即使我們可以避免大部分的車禍，但仍會有一小部分車禍場景是工程師們所預料不到的。

因此，自動駕駛行業急需一個技術突破口。于是，各公司將注意力轉向了深度神經網絡。在已有部門的基礎上，很多公司組建了獨立的研發團隊，搭建深度神經網絡系統，指望著通過獨立的系統，擺脫人類駕駛經驗，讓無人車自主學習，一步到位。但這樣的研發方式的缺陷是，無人車一旦發生問題，就很難找到問題的根源，也就是所謂的“黑匣子”。同時，網絡的訓練需要大量數據，數據的收集也是一大難題。

其實，無論是傳統機器人的研發方式還是深度神經網絡的研發方式，都逃不開安全驗證這一步。我們在探索研發方式時，最好可以找到二者的結合點，盡量做到在人類駕駛經驗的指導前提下，利用深度神經網絡，并保證在上路前進行嚴格的仿真測試。