最重要的是什麽？在這裏為你提供一個偏底層的視角（先簡介概況再分析原因，最後給出結果）：（復制自我的另一個回答）
你可能知道感知層面有許多方案，例如Waymo的雷射雷達占主體、特斯拉的網路攝影機占主體，或者說現在才浮出水面沒多久的V2X下的運控平台，但是國內還停留在路旁設施與雲端的通訊方式選光纖還是實線這個層面的問題。
你也可能知道決策規劃層面有許多的演算法（可以參考我的部落格https:// zhuanlan.zhihu.com/p/26 0707853 ），從前主機廠搞PID ➕ 狀態機的無人駕駛（太水了也），現在華為、Momenta等科技公司與部份優秀主機廠搞學習類演算法下的決策規劃，做行為預測問題、分析多智慧體互動問題。
那既然感知決策規劃都有了那麽多套方案，針對不同的子問題有那麽多解決演算法，那為什麽'自動駕駛'還是一直只存在於耳邊，存在於宣傳呢？
答：可能大家第一時間會說：因為這個方案不行啊。（於是乎又尋找新的解決方案，V2X雲控就是這麽出現的，我敢保證這絕對不是最後一個方案突破點，一定會有下一個出現的，直到核心問題被解決之前）甭看方案、演算法這麽多，要解決的子問題一個個的被挖出來。實際上有用的核心演算法一直沒突破，子問題也只是錦上添花，非核心問題。那麽核心演算法是什麽呢？核心問題又是什麽呢？
答：1.學習類演算法（基於神經網路的）的可解釋性（science前一百重要待解決問題），人類絕對不會允許一個未達到全知的產品掌控自己的姓名。（可能有人會說，不要因為一點問題就停住了前進的腳步，我只能說這得看這個腳步想哪裏邁進了，如果只是研究測試那隨便，但是如果想面向世界，實作商用，那麽這個問題就是要停下腳步）
2.決策、預測類演算法本身的機率問題，用機率演算法表述環境不確定性，在一定機率下仍可能發生不好的事情，人臉辨識一百次錯一次沒啥，無人駕駛辨識一萬次錯一次都有啥（撞車）。（也是因為這個原因，業界常說的問題之一就是法律法規問題，但是從來沒有人說出該咋辦，因為辦不了，誰也不會主動擔責任）。（可能有人會說，在演算法後面加上個安全性檢測模組不就行了，的確這也是業界目前的解決辦法，但是別忘了，使用不確定性演算法的原因就是環境的固有內容就包含不確定性，換句話說確定的演算法搞不定不確定的環境，那麽用個確定的安全檢測模組怎麽可能搞得定本身是不確定的環境呢）
3.數學層面最佳化問題的求解方式、效率，學習類演算法本質也是個最佳化問題，然而發展了這麽多年，最佳化演算法出來這麽多，求解演算法還是哪幾種：罰函式、有效集為核心的帶約束求解思想，求梯度或者梯度近似的無約束求解思想。甭管建立什麽天花亂墜的模型，最後還是這幾個辦法，如果這就可以的話，那較低復雜度的模型預測控制早就可以在固定場景下獨當一面了。（可能有些人會說從建模、建約束的角度提高效率，但是這種方式都是針對某一環境或者某一種環境下才可生效，只有數學層面的最佳化才是全工況全範圍下的提升）
