低级驾驶辅助是根据路上的线来进行识别确定路径和可行区域，但这有几个问题，环境不好时候道路上的画线可能被遮挡干扰，atv，很多路还没有线。所以这时候就要引入感知中的“知”来作为辅助，那就是深度学习。

　　通过多次试验，逐渐将道路的可行驶区域调整绘制出来，分辨出真正的道路和马路沿并且逐渐根据人类司机的行驶路径，在无画线道路画出适合行驶的初步路线。

　　说的这么复杂，但仔细一想，这些事情，其实一匹马就能办到。

　　感知还不算难，难在决策

　　人人都有眼睛，都能感知，但不是每个人都会开车，人类司机开车上路前也要学习技巧考个驾照，更不用说自动驾驶车型，比起感知，决策才是最为困难的事情。

　　如果是一匹马，遇到障碍它会判断这个障碍能不能跨过，能就跨过，不能就停下。看似简单的判断逻辑和过程，对于自动驾驶车，这样的决策过程则需要一个复杂的过程，看到障碍，识别出障碍，判断障碍危险性，做出应对障碍的决策，控制车辆躲避或直接跨过障碍，每一步都需要反复学习调校。

　　另一方面，在行驶时的驾驶策略选择也是需要通过不断调校进行，但比较困难的事情是，用深度学习的方式培养自动驾驶策略，往往得到的是端到端的结果而并非算法，也就是说，自动驾驶车感知周围环境后，会直接输出驾驶决策，这也就意味着，中间的决策过程失去了透明性。

　　就如同 AlphaGo 每下一步棋都是根据取胜概率，如果自动驾驶的决策都深度学习端到端的概率来定，那么驾驶决策的可靠性和安全性就会受到很大影响。

　　所以自动驾驶的决策更加适合因果推理，也就是完全透明过程的推理过程来导出最后的自动驾驶决策。这样就能避免端到端推理出现问题的状况。

　　举个例子：虽然每次自动驾驶车并线都能正常进行，但也许自动驾驶车判断的依据并不仅仅是旁边车道没有车且路况允许，也许是几次学习侧后方刚好都是白色车辆且车况允许，车就会并线，这样端到端的决策方式就会出现场景覆盖上的偏差。

　　所以对于自动驾驶车来学，进行调校学习驾驶技巧的过程，要远难于教一个新手司机开车或者教一匹马跑赛道。而且除了决策算法上的调校，要能做到决策的及时性，对于车载电脑的运算能力和运算速度需求也都有很高的要求，这些实现起来，也确实比感知这个过程更难。

　　别对自动驾驶太乐观，未来几年驾驶辅助才是主流

　　如果自动驾驶真的实现了，会是一种怎样的交通场景？

　　首先，最为理想的自动驾驶环境，就是尽量减少干扰的封闭路段，就像火车和地铁，而事实上，目前大多数火车和地铁都配备了不错的自动驾驶功能，但为什么很多线路还是要有驾驶员呢，主要还是为了应对突发的干扰。

　　本来行驶状况良好的地铁，在早高峰人拥挤时，关门时夹到了人，这样地铁就必须要重新打开车门，然后再次关门后才能开走。这种意外情况可以说，已经是不能常见更多。

　　所以实际上，如果只是单一车辆拥有自动驾驶功能，那么调校再好的算法也很难灵活应付随时可能出现的各类干扰。

　　但我们可以看看大草原上奔跑的牛群和马群，尽管十分拥挤，但是由于互相都能感知到位置，所以虽然看上去混乱但整个群体却有序运动。

　　这就如同福特在 2017 年北美车展上给出的全自动驾驶概念一样，血液的“交通”系统远比人类的交通系统复杂，但人类的交通会堵车，但生物远不会堵车。关键是血液是一种既集体又独立的个体，能有机地用尽血管的空间；但人类的交通并没有这样的效率。交通愈能自动化，流动愈统一、愈充满活力。