人人都使用的谷歌地图、Apple 地图等已经有非常高的分辨率，能让人们无障碍地在城市道路上穿行。但对于自动驾驶汽车来说，这样的分辨率仍然是不够的。

　　这些地图可能缺失的信息包括：

哪里是拐弯处

哪里有路障

什么时候需要打远光灯

　　普通的地图也丢失了其他所有类型的微分辨率细节。因为我们人类不关心这些，当前的这些地图是为人类而非机器设计的。

　　那么，我们需要特意为自主车辆设计单独的预计算地图（precomputed maps）吗？答案显然是肯定的，但谁来做，做的成本是多少？以及在这个空间是否有垄断的机会？这是个还没有人问过的有趣问题。因为在不远的将来我们就可能到达 Level 5，到那时你已经没有选择，atv，没法选择自己去驾驶车辆——你不得不完全依赖驱动自动驾驶汽车的基础架构。

　　我们会看到预计算地图的成本降低？这将允许自动驾驶汽车以一定的低速度、维持一定的安全水平自主驾驶。

　　那么，谁将管理这个有潜在危险的灰色地带？

　　这也有能耗的影响，因为你不得不依赖后备箱里的超级计算机来处理这些复杂的、数以百万计的参数预计算高精地图，而这会消耗大量的能耗。

　　4. 软件架构：你使用哪些软件技术？

　　深度学习很热，但机器人以及路径搜索（path finding）等其他领域也有一些成就，不应该被忽视。这些方法之间主要的区别是系统是从以前的经验/数据集学习，还是仅基于硬线逻辑（hardwired logic）或规则进行决策。

　　实际上，波士顿动力机器人也没有使用任何的机器学习，但仍让人们深感震撼。

　　尽管那些直接编程的规则可能无法击败利用深度学习算法的 AlphaGo，但它们可以与机器学习的最新进展相结合，提供更好的结果。

　　5. 测试：真实世界 vs 虚拟世界的测试需要多少？

　　机器学习需要用非常大量的数据集来学习，这些数据集包含以前的经验、正确驾驶行为的例子以及环境数据。

　　这里的问题是，在真实道路上行驶的真实汽车的数据与从模拟环境中得来的数据之间存在差距。实际上，已经有一些使用模拟环境（例如Open AI的Universe平台）来简化这种学习过程的尝试。

　　那么，我们能确保使用模拟环境训练的算法得到与真实世界中相同的预测吗？使用虚拟世界的平台可以模拟更多的情况，但考虑到预计算地图的精度和颗粒度，这些模拟的情况有多少是准确的呢？

　　6. 车联网：V2X对你会起重要作用吗？

　　V2X是一种能让车辆与交通系统中周围的移动物进行通信的技术。V2V技术，也就是 vehicle to vehicle，是让车辆与它周围的车辆通信的技术。

　　V2X的使用情形包括：当周围没有其他汽车，而你的车在红绿灯前等了超过5分钟，这时自动驾驶系统就可以与红绿灯通信；又如在更危险的情况下，车辆之间需要紧急传递前方车祸之类的紧急情况。

　　最近有一则关于特斯拉的高级辅助驾驶系统避开一起车祸的视频，让V2X这项技术特别令人关注。时间在去年12月27日，车主开着特斯拉的 Model X 行驶在高速公路上。视频显示，车辆突然发出警报并全力刹车，在警报声响起约1秒后，前方一辆红车猛烈追尾更前方的一台黑色车辆，红车翻倒在路边，黑车严重损毁停在路上，而 Model X 已经在后边安全停下。车主称在警报响起的同时，自己还没反应过来车辆已经自动刹车，从而避免了事故。

　　想象一下，假如道路上的所有车辆都能够和周围环境在有需要时进行通信，可以避免多少事故。

　　这里主要的问题是协议兼容性和通信的效率，因为这样的决策往往是在毫秒内进行的，并没有时间由于通信中“语言”的不同进行额外的运算。

　　这是一种实现美好未来的技术，不过没有计划将其作为第一代的完全自动驾驶车辆。

　　7. 基础设施：你觉得交通灯可以取消吗？