车联网网联自动驾驶白皮书
四个白皮书学习笔记
四个白皮书学习笔记在当代社会，技术和人工智能的发展对于各行各业的进步至关重要。
在这个过程中，四个白皮书——《人工智能2018》、《工业互联网白皮书》、《区块链白皮书》和《车联网白皮书》已经成为了学习笔记的关键素材。
在这篇论文中，我们将对这四个白皮书进行详细的分析，以便更好地理解它们的重要性。
《人工智能2018》是由中国科学院的研究人员编写的，它对当前人工智能技术的发展做了深入的研究和预测。
白皮书初步介绍了人工智能技术的演化，从基础的自然语言处理和机器学习到更高级的深度学习和智能系统。
尤其是对于深度学习技术的研究，白皮书提出了不少值得关注的观点。
例如，它认为社交网络分析和语义网络建模将成为深度学习的未来发展方向，同时对于图像和语音的识别能力也将会进一步提高。
对于经济领域而言，白皮书认为人工智能将会产生深远的影响。
人工智能技术将帮助减少无效的人工流程和降低成本，从而进一步提高产业效率。
另外，人工智能无疑将带来新的工作机会和领域，尤其是在智能制造和金融领域。
《工业互联网白皮书》则是一个关于未来制造业的重要文献。
白皮书强调了未来工业的互联互通将会是一项重要的趋势，而工业互联网的技术则将成为这一趋势的重要基础。
白皮书阐述了制造业内的数字化转型将会很有必要，使得数据得以共享和管理，同时也提高了制造过程的可靠性和效率。
特别是，在机器人领域的发展将会加速工业制造的自动化和智能化，从而引领未来的制造业。
另外，白皮书也提出了未来工业领域的未来趋势，如智能制造、服务化、网络化、安全性和可靠性等。
这对于制造业人员、工程师和学生们都将是一个非常重要的参考。
《区块链白皮书》则是一个探讨分布式计算原理和相应技术应用的重要文献。
白皮书详细介绍了区块链技术的基本原理，并提出该技术在金融、保险、电商、医疗和政府等领域应用的前景。
白皮书还深入探讨了在金融和保险领域的应用。
当然，白皮书也并非是万能的，它提出了分布式账本的安全生态问题和挑战。
2022年中国车路协同市场白皮书
2022年中国车路协同市场白皮书2022将是中国汽车市场的一个重要历史节点，智能汽车技术将成为汽车市场的主要发展方向。
车路协同市场也将随之变得越来越重要，从而促进汽车行业的发展。
因此，本白皮书旨在探讨2022年中国车路协同市场的展望。
一、中国车路协同市场的定义所谓车路协同，就是汽车在路上与其周围环境和其他车辆进行交互，通过各种智能系统，现道路安全、效可靠、便捷服务等目标。
车路协同市场是指以服务于车路协同的自动驾驶设备、技术服务和支持服务为主体的市场。
车路协同市场涉及的内容包括但不限于：自动驾驶设备、无人机配送、自动驾驶车载系统、车联网系统、道路信息系统、道路环境监测系统、智能交通系统、自动驾驶车辆安全系统、城市道路信息服务、车辆维修保养服务等。
二、中国车路协同市场的发展历程随着技术发展，智能车路协同及相关市场日臻成熟，从2012年开始，车路协同市场迅速发展，2013年，全球首个自动驾驶车路协同系统在中国投入运行；2014年，中国成为全球首个智能道路实施项目的国家；2015，北京推出了全球首条商用无人驾驶公交线路。
三、2022年中国车路协同市场前景展望2022年车路协同市场将呈现全新面貌，继续在技术服务、车路协同系统以及智能管理系统等领域迅猛发展。
1、技术服务技术服务将在2022取得突破性进展。
技术公司将快速发展完善的技术服务体系，为车路协同市场的发展提供支持，提供更加专业的技术服务，满足用户需求。
2、车路协同系统2022，为了实现智能车路协同，各种车路协同系统将大量投入市场，包括自动驾驶系统、无人机配送系统、智能交通系统等，这些技术将帮助提高道路安全，提升交通便利性。
3、智能管理系统为了实现车路协同，智能管理系统也将大量投入市场，包括车联网系统、车辆安全系统等，它们将帮助实现车辆安全运行，有效地管理车辆信息，提升行车安全等。
四、2022年中国车路协同市场的政策支持要充分发挥车路协同市场的发展潜力，必须加强政策支持。
车联网中的车辆识别与自动驾驶技术研究
车联网中的车辆识别与自动驾驶技术研究近年来，随着信息技术和人工智能的快速发展，车联网技术逐渐成为汽车行业的热点领域。
在车联网中，车辆识别与自动驾驶技术是关键的研究方向之一。
本文将对车联网中的车辆识别和自动驾驶技术进行深入探讨和分析。
一、车联网中的车辆识别技术车联网中的车辆识别技术是指通过传感器、摄像头等设备对周围的车辆进行检测和识别的技术。
它是实现自动驾驶和智能交通系统的基础。
1. 传感器技术传感器是车联网中车辆识别的关键技术之一。
通过安装在车辆上的传感器，可以实时获取周围环境的信息，如距离、速度、方向等。
常用的传感器包括激光雷达、摄像头、毫米波雷达等。
这些传感器能够对周围的车辆进行识别和跟踪，为自动驾驶提供重要的数据支持。
2. 图像处理技术图像处理技术是车联网中车辆识别的核心技术之一。
通过对传感器获取的图像数据进行处理和分析，可以实现对车辆的检测、分类和跟踪。
图像处理技术包括图像预处理、特征提取、目标检测和跟踪等步骤。
其中，深度学习技术在车辆识别中得到了广泛应用，能够提高识别的准确率和效率。
3. 数据融合技术数据融合技术是指将来自不同传感器的数据进行融合和处理，以提高车辆识别的精度和稳定性。
多传感器数据融合能够有效地解决单一传感器无法完全准确获取车辆信息的问题。
通过融合激光雷达、摄像头和雷达等多种传感器的数据，可以提高车辆识别的鲁棒性和准确性。
二、车联网中的自动驾驶技术自动驾驶技术是车联网的核心应用之一，旨在实现车辆的智能化、自主化驾驶。
通过引入人工智能、感知技术和控制算法等，实现车辆的自主导航和智能决策。
1. 人工智能技术在车联网中，人工智能技术是实现自动驾驶的关键。
通过机器学习和深度学习等技术，车辆可以从传感器获取的数据中学习和理解环境，模拟人类驾驶的决策过程。
人工智能技术可以提高车辆的感知能力和决策能力，实现自主导航和安全驾驶。
2. 感知技术感知技术是自动驾驶的基础。
通过激光雷达、摄像头和雷达等传感器，车辆可以感知和识别周围的车辆、行人、交通信号等，实现环境的全面感知。
C-V2X业务演进白皮书
IMT-2020 (5G)推进组
C-V2X业务演进白皮书
2.2.1 车辆汇入汇出 车辆汇入汇出是指主车（HV）与远车（RV）分别位于匝道入口/出口两侧，HV预备从匝道汇入 主道。 · 有路侧单元（RSU）的情况下：RSU广播汇入指令，引导两侧车流通行，HV与RV接收到汇 入指令后按指令要求通行；或者路侧单元广播路侧的感知信息，HV与RV接收感知信息后，自行决策 进行汇入汇出。 · 无路侧单元（RSU）的情况下：HV和RV通过车车通信互相传递车辆信息，由车载单元自行 计算汇入策略并广播汇入指令。
基于AI的智能切片管理 协同白皮
息，并发送给HV； · HV通过路侧RSU获取相关感知信息、其他车辆信息、V2X服务器的云端信息等，自身生成调
度信息。 · HV可按照通行调度信息，结合V2X功能感知的、以及其它车载传感器感知的周边环境信息，
控制HV通过交叉路口。
图2.2.4-1 V2X服务器指挥HV通行或停车 基于车路协同的交叉口通行从全局最优的角度为车辆分配入口车道、出口车道、以及引导车速等信 息，能够提高通行效率，实现辅助驾驶，为智慧交通管理与控制提供助力。该类应用需要部署智能路侧 设备（RSU），车载通信设备等以支持交通基础设施的信息化，交通工具的智能化和网联化，通过边缘 计算平台或者云端平台实现智能交通的业务管控和设备管控，形成车-路-网一体化智慧交通体系。 基于车路协同的交叉口通行涉及的关键技术、设备、部署条件如下：
表1.2-1 车联网业务参与方能够提供的基础支撑能力
C-V2X业务演进涉及信息通信、汽车、交通、自动驾驶平台与应用软件提供企业等，相关方都有 机会根据实际条件提供并发展相应业务。
· 电信运营商与供应商 电信运营商在C-V2X业务的落地中将扮演越来越重要的角色。基于5G+C-V2X+MEC，能够提 供端到端网络通信以及车联网业务使能平台，从而为C-V2X业务演进提供协同通信和网联协同计算能 力。除此之外，网联相关的数据，MEC业务使能相关的数据也有助于使能更丰富和复杂的C-V2X演进 业务。
C-V2X技术演进白皮书(2019)
2.1-1 C-V2X演进业务
2 2 C-V2X演进业务 驾驶安全、交通效率、信息服务三大类业务结合车路协同的发展，在C-V2X业务演进阶段（1-3 年）将集中在如图2.2-1所示新业务。新业务根据C-V2X网联覆盖范围以及网联智能协同程度的不 同，还可以继续细分不同的子场景。
2.2-1 C-V2X业务演进
IMT-2020 (5G)推进组
C-V2X业务演进白皮书
1 C-V2X业务演进趋势
C-V2X业务
演进
随着C-V2X及5G技术发展，与之而来的更大数据吞吐量、更低时延、更高安全性和更海量连接等
特性，极大地促进了智能驾驶和智慧交通发展。通过“车-路-云”协同，一方面推动智能网联汽车快
速发展，提供更安全、更智能的出行方式；另一方面赋能智能路况综合感知、动态协同交通控制等功
IIMMTT--22002200 ((55GG))推推进进组组
CC -- VV 22 XX 业业 务务 演演 进进 白白 皮皮 书书
目录
1 C-V2X业务演进趋势
P1
2 典型的C-V2X演进业务
P4
3 C-V2X业务演进部署推进建议
P18
4 结束语
P21
5 主要贡献单位
P22
IMT-2020(5G)推进组于2013年2月由中国工业和信息化部、国家发展和改革委员会、科学技术部联合推动成立，组织架 构基于原IMT-Advanced推进组，成员包括中国主要的运营商、制造商、高校和研究机构。推进组是聚合中国产学研用力 量、推动中国第五代移动通信技术研究和开展国际交流与合作的主要平台。
1.2-1
业务
C-V2X业务演进涉及信息通信、汽车、交通、自动驾驶平台与应用软件提供企业等，相关方都有 机会根据实际条件提供并发展相应业务。
自动驾驶安全第一白皮书_自动驾驶可靠性领域
层面需要统一的法律框架 可为自动驾驶系统规范提供基础法律框架 这将为国家公路交通安 全管理局 NHTSA 制定新的联邦机动车安全标准 FMVSS 提供基础
各国政府都有需求分析各自的汽车立法现状 以理解需要根据自动驾驶系统调整的领域 这样将促进和实现不同级别的自动驾驶系统的大规模量产 特别是促进对近期可量产的 SAE L3 和 L4 级技术的安全监管
14
此 本出版物试图将该标准扩展至 L3 和 L4 应用 上述标准相互补充 可主要用于定义自动 驾驶系统的设计风险 使工程团队设计出各种安全机制并增强自动驾驶系统的预期功能 以降 低所识别的风险
现有标准并没有解决自动驾驶系统中一些最棘手的问题 例如人工智能的安全保障 相关 的算法来自于机器学习和神经网络领域 参见附录 B 人为因素和心理学 以及作为自动驾 驶系统输入的传感器的技术能力等 尽管如此 应分析与安全相关的用例 以确保必要的安全 水平 这些分析系统地评估了预期用途和可预见的误用可能产生的危害的功能说明 除了安全 的设计和开发过程 系统评估还从验证到确认逐步迭代 包括专家评估 安全分析和试验 根 据其范围的不同 这一过程可采用多种标准
可靠性的系统开发
基于可靠性的系统能力
要素
能力的目的 原则对照 <->能力
通用示例 能力对照<->要素
图2: 可靠性的系统开发
通用体系结构
将要素连接到通用逻辑体系结构
12
2�1 由可靠性推导自动驾驶能力要求
由可靠性推导自动驾驶能力时 首先概述了适用于自动驾驶车辆的各国的法律框架 以确 定在 12 条原则以外的能力要求 这些能力同时涵盖了功能安全和应对人为因素的 SOTIF 安 保性作用于逻辑和技术架构 并为这两者提供输入要求 由于目前没有关于汽车信息安全的立 法或国际标准 因此本节提供了有关信息安全方法和措施的建议
电动车智能互联技术分析车联网与自动驾驶的融合
电动车智能互联技术分析车联网与自动驾驶的融合随着科技的不断进步，电动车智能化已成为当今汽车产业的热点之一。
而其中最具前景的技术就是车联网和自动驾驶的融合。
本文将对电动车智能互联技术进行分析，探讨车联网与自动驾驶相结合的可能性以及在电动车领域的应用前景。
一、车联网技术在电动车中的应用车联网是指通过无线通信技术将车辆与互联网连接起来，实现车辆之间以及车辆与交通基础设施之间的信息传递与交流。
在电动车领域，车联网技术的应用主要表现在以下几个方面：1. 车辆定位与导航：借助卫星导航系统，电动车可以准确定位并规划最佳行驶路线，避免拥堵和浪费能源。
2. 远程监控与诊断：通过车联网技术，车主可以实时监控电动车的电池状态、续航里程等信息，同时也可以根据车况进行故障诊断，提前预防和解决问题。
3. 信息娱乐与服务：车联网为电动车提供了各种实用的信息娱乐功能，如在线音乐播放、语音识别、天气预报等，使驾驶更加愉悦和便捷。
二、自动驾驶技术与电动车的结合自动驾驶技术是当前汽车产业的热门话题之一，其核心目标是实现车辆的智能驾驶，不需要人为干预。
在电动车领域，自动驾驶技术的发展被视为提高电动车安全性和行驶效率的关键。
1. 电动车安全性提升：自动驾驶技术可以提高电动车的安全性，通过传感器和人工智能算法实时感知周围环境，能够及时发现障碍物，并做出避免碰撞和紧急制动的反应。
2. 行驶效率提高：自动驾驶技术能够实现车辆之间的通信与协同，使车队行驶更加紧密和有序，从而提高能源利用率和路面通行效率。
三、车联网与自动驾驶的融合车联网和自动驾驶技术的融合将进一步推动电动车智能化的发展，产生更多创新应用。
1. 高效能源管理：车联网技术可以实时获取充电桩的状态和电价信息，与自动驾驶技术结合，电动车可以在最佳充电时段自动前往充电桩，实现能源的高效管理和利用。
2. 智能维护与故障排查：车联网技术可以通过传感器实时监测电动车的各个部件运行状况，结合自动驾驶技术可以进行智能维护和故障排查，提前预防和解决问题。
百度Apollo智能交通白皮书
百度Apollo智能交通白皮书1：引言1.1 背景1.2 目的1.3 范围1.4 定义2：市场概述2.1 全球智能交通市场情况2.2 行业现状及挑战2.3 发展趋势3： Apollo智能交通平台介绍3.1 概述3.2 架构3.3 功能3.4 关键技术4： Apollo智能交通应用场景4.1 自动驾驶4.1.1 地图数据4.1.2 传感器4.1.3 路径规划与控制4.2 智能交通信号灯控制4.2.1 交通流量监测4.2.2 信号灯优化算法4.3 智能交通调度4.3.1 车辆调度4.3.2 行人调度5： Apollo智能交通技术挑战与解决方案 5.1 安全性挑战5.1.1 道路环境感知5.1.2 决策与规划5.2 高可用性挑战5.2.1 算法优化5.2.2 系统架构设计5.3 数据隐私与安全挑战5.3.1 数据采集与存储5.3.2 数据传输与加密6：法律法规及注释6.1 道路交通安全法6.1.1 注释1: 驾驶员的义务和责任 6.1.2 注释2: 交通信号灯的使用规定 6.2 隐私法6.2.1 注释1: 个人信息保护6.2.2 注释2: 数据安全要求【附件】1：表格1：Apollo智能交通平台技术规格2：图表1：全球智能交通市场规模预测3：图表2：Apollo智能交通应用案例【法律名词及注释】1：道路交通安全法：- 驾驶员的义务和责任：指驾驶员在道路上的义务和责任，包括遵守交通规则、确保交通安全等。
- 交通信号灯的使用规定：指驾驶员在遇到交通信号灯时的行为要求和规定。
2：隐私法：- 个人信息保护：指对个人身份、生物特征等敏感信息的保护，保护个人隐私和信息安全。
- 数据安全要求：指对数据采集、存储、传输等过程中的安全要求，以保护数据的完整性和机密性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
车联网白皮书（网联自动驾驶分册）前言车联网是汽车、电子、信息通信、交通运输和交通管理等行业深度融合的新型产业形态，是5G、人工智能等新一代信息通信技术在汽车、交通等行业应用的重要体现。
自动驾驶是汽车智能化、网联化发展的核心应用，也是车联网部署发展的核心服务。
我国在车联网技术创新、应用实践、产业生态构建等方面已经走在了世界前列，将有利于探索实现一条具有我国特色的网联自动驾驶发展路径。
本文聚焦车联网支持实现自动驾驶应用，从“协同感知、协同决策、协同控制”等不同环节，重点研究分析网联需求、典型应用场景、体系架构和核心关键技术。
在此基础上，总结提炼网联自动驾驶发展面临的挑战，包括技术融合、基础设施建设以及商业运营等方面。
最终以协同发展总结全文，希望我国能抓住难得的历史发展机遇，坚持网联自动驾驶的协同发展路径，影响形成全球广泛认同。
目录一、网联自动驾驶的内涵 (1)二、网联自动驾驶的需求及典型应用 (2)（一）单车智能自动驾驶发展现状 (2)1.单车智能自动驾驶应用尚未成熟 (2)2.单车智能自动驾驶仍面临诸多风险 (3)（二）单车智能自动驾驶的挑战和网联需求 (4)1.环境感知的挑战和网联需求 (4)2.计算决策的挑战和网联需求 (5)3.控制执行的挑战和网联需求 (6)（三）网联自动驾驶的典型应用 (7)三、网联自动驾驶的技术体系架构 (10)（一）网联自动驾驶的技术体系视图 (10)1.全局视图下的网联自动驾驶技术体系 (10)2.智能网联汽车视角下的网联自动驾驶技术体系 (12)3.信息通信视角下的网联自动驾驶技术体系 (13)4.交通与交管视角下的网联自动驾驶技术体系 (14)5.网联自动驾驶技术体系的三向视图 (15)（二）网联自动驾驶的协同关键技术 (17)1.车载视觉感知关键技术 (17)2.车载激光雷达感知关键技术 (18)3.车载毫米波雷达感知关键技术 (18)4.感知融合关键技术 (19)5.网联无线通信（C-V2X）关键技术 (19)6.多接入边缘计算（MEC）关键技术 (20)四、网联自动驾驶的挑战 (22)五、网联自动驾驶的协同发展政策现状和展望 (25)（一）美欧日等发达地区或国家持续布局自动驾驶 (25)1.美国政府、产业在网联路径选择上存在差异性考虑 (25)2.欧盟战略高度重视智能化和网联化的协同发展 (26)3.日韩布局基础设施建设，希望抢占商业化普及先机 (26)（二）我国协同发展环境加速形成 (27)1.协同发展政策体系不断完善 (27)2.应用示范，助力网联自动驾驶技术与产业成熟 (29)（三）网联自动驾驶协同发展展望 (31)附录：缩略语 (34)图目录图1 基于智慧基础设施和边缘计算的不停车汇入 (9)图2 网联自动驾驶的体系架构 (11)图3 智能网联汽车视角下的网联自动驾驶技术体系 (12)图4 信息通信视角下的网联自动驾驶技术体系 (13)图5 交通与交管视角下的网联自动驾驶技术体系 (14)图6 网联自动驾驶技术体系的三向视图 (15)图7 MEC 与C-V2X 融合系统的多层系统架构 (21)表目录表1 网联自动驾驶的典型应用场景 (7)一、网联自动驾驶的内涵自动驾驶是车辆作为运载工具智能化、网联化发展的核心应用，也是车联网、智慧交通产业发展的核心应用服务。
在技术层面上，当前存在着单车智能自动驾驶和网联自动驾驶两种不同的实现路径。
单车智能自动驾驶主要依靠车辆自身的视觉、毫米波雷达、激光雷达等传感器进行环境感知、计算决策和控制执行。
环境感知通过车载传感器完成对周围环境的探测以及定位功能。
计算决策一方面将传感器数据进行分析处理，实现对目标的识别；另一方面进行行为预测和全局路径规划、局部路径规划和即时动作规划，决定车辆当前及未来的运动轨迹。
控制执行主要包括车辆的运动控制以及人机交互，决定每个执行器如电机、油门、刹车等控制信号。
目前单车智能自动驾驶在环境感知、计算决策和控制执行的多个环节均存在不同程度的技术瓶颈，在应用过程中也出现了各种失效的问题，因此一方面需要不断地加强单车智能的感知、决策和控制能力；另一方面也希望引入不同的技术手段来进行弥补。
网联自动驾驶是在现有单车智能自动驾驶的基础上，旨在通过车联网将“人-车-路-云”交通参与要素有机地联系在一起，拓展和助力单车智能自动驾驶在环境感知、计算决策和控制执行等方面的能力升级，加速自动驾驶应用成熟。
在环境感知环节进行协同，支持车辆获得比单车智能感知更多的信息，例如非视距感知或解决容易受恶劣环境影响等问题；在计算决策环节进行协同，增加车与车、车与路之间的系统性决策，例如解决车辆优先级管理、交通路口优化控制等情况；在控制执行环节进行协同，对车辆驾驶行为进行干预，例如远程遥控车辆脱困等。
与此同时，网联自动驾驶的发展还将带动“人-车-路-云” 协同车联网新型基础设施体系的建设与完善，助力5G、人工智能等信息通信技术在垂直行业的应用推广，促进实现汽车和交通服务的新模式新业态发展。
二、网联自动驾驶的需求及典型应用（一）单车智能自动驾驶发展现状1.单车智能自动驾驶应用尚未成熟按照美国汽车工程师学会（SAE）划分的L0-L5 的自动驾驶等级来看，目前单车智能自动驾驶正处于L2-L3 等级的落地发展阶段，市场渗透率和应用规模仍然较小，先进辅助驾驶系统功能（Advanced Driver Assistance Systems，ADAS）仍然是主力。
高工智能汽车研究院《2020 年1-2 月乘用车新车上险量ADAS 市场数据报告》提出，国内自主及合资品牌上线新车ADAS 搭载率为28.15%。
《智能网联汽车技术路线图2.0》提出，到2025 年，L2 和L3 相当的部分自动驾驶（PA）和有条件的自动驾驶（CA）的汽车销量占比将超过50%，高度自动驾驶（HA，相当于L4）开始进入市场。
从各个汽车企业的研发进度上看，2018 年宝马、沃尔沃、奥迪、通用等相继推出L2 级自动驾驶应用；2020-2022 年是各车企计划推出L3 级自动驾驶汽车的时间，但目前仅出现了一批L2.5、L2.99 等自动驾驶的概念性应用，一方面受限于L3 级自动驾驶汽车上路的法律法规完善，另一方面受限于技术实现。
综合分析，从技术的发展上看，目前单车智能自动驾驶的技术实现能力为L2-L3，但受到场景的局限，例如需要在高速公路、道路标识规范清晰的城市主干道路等；从产业应用的落地上看，L2 及以下的ADAS 应用仍然保持一个较低的渗透水平，L3 及以上自动驾驶应用仍以试验和区域性示范为主，L4 及以上更高等级自动驾驶应用则需要更长的时间。
2.单车智能自动驾驶仍面临诸多风险目前已经商用量产的很多ADAS 功能仍存在特定场景下应对能力不足和失效的风险。
以自动紧急刹车为例，2019 年美国汽车协会（AAA）对雪佛兰迈锐宝XL、本田雅阁、特斯拉Model 3 和丰田凯美瑞等进行了测试，发现一方面是在夜间或儿童穿梭等场景下车辆的应对能力不足，大部分车型均发生了碰撞现象；另一方面是在下雨天的打伞、雨衣、隧道等场景较容易引起失效。
现有已经商用的ADAS 功能尚无法应对复杂的交通状况或恶劣的天气条件，感知能力的不足仍是主要原因。
但在驾驶员负责整个驾驶过程的条件下，L2 及以下的ADAS 应用功能已经具备商用落地的条件。
在高等级自动驾驶路测方面，自动驾驶的可靠性和应对挑战性交通场景的能力仍有待提升。
从2019 年度美国加州的自动驾驶脱离报告《Autonomous Vehicle Disengagement Reports》来看，36 家企业进行了自动驾驶测试，谷歌Waymo 以234 万公里测试里程遥遥领先，其每21273 公里出现一次脱离接管，但相比较下苹果则每189 公里就要出现一次脱离接管。
从脱离接管的原因来看，软硬件系统性能的可靠性几乎是每个测试企业面临的共性问题；此外，对突然出现目标的感知能力不足、目标运动行为的预测能力不足、决策时间超时和错误的轨迹生成、交通信息标识识别的错误等也是主要问题。
此外，已经商用的部分自动驾驶车辆也出现了各类别的事故，存在感知失效、预测和决策失效等原因。
2018 年1 月，美国洛杉矶一辆Model S 因跟随车辆突然变道而没有及时检测到前方停止的消防车，未能及时刹车/减速而造成事故，引发其感知失效的讨论。
2016 年2 月，美国加州的一辆雷克萨斯车辆感知到后侧有公交车准备通过，但经过判断路面并没有足够的空间让公交车通过，便假定公交车驾驶员会减速，而公交车驾驶员判断雷克萨斯会礼让，因此发生碰撞，显示了单车智能自动驾驶在这种“博弈”的驾驶条件下很难准确判断周边交通参与主体的意图，提出了协同决策的挑战。
（二）单车智能自动驾驶挑战和网联需求1.环境感知的挑战和网联需求目前，单车智能自动驾驶的技术解决方案，视觉传感器、激光雷达、毫米波雷达以及红外夜视、超声波等成熟的传感器是主要的产品组成。
各类别传感器的标称技术指标持续稳步发展，不断满足自动驾驶需求，逐渐接近人类驾驶员的感知能力，甚至在部分技术能力上实现了超越，例如探测距离200 米以上、综合精度能够达到厘米级甚至毫米级等。
但是各类传感器的可靠性，以及对突发事件的响应能力上仍然存在不足。
一方面，容易受到遮挡、恶劣天气等环境条件影响，如十字交叉路口、隧道出入口等。
网联化通过车路协同、车车协同，能够极大地拓展单车的感知范围，并且不受遮挡限制，能够让单车提早发现未知状况，能够应对目标突然驶入等目前在自动驾驶测试和事故中难以应对的状况。
此外，单车智能自动驾驶在目标预测、驾驶意图“博弈”等方面存在困难。
网联化能够直接给出关键结果状态信息，例如信号灯状态、周边车辆的下一步动作意图、当前路况下最佳的行驶路线等，减少了复杂的基于传感信息的计算处理过程，并且能够准确地了解周围交通参与者的意图。
2.计算决策的挑战和网联需求计算决策主要实现的功能可以分为两类，一是对环境感知数据进行目标识别，深度神经网络是目前在感知中使用最多的方式，也是目前对算力消耗需求最大的计算任务；二是针对感知的结果以及车辆的行驶任务，给出行驶路线、车辆动作的决策规划。
在硬件上，计算决策主要承载在基于CPU、GPU、DSP、AI 芯片、MCU 等多核异构分布的计算处理平台上。
算力和功耗之间的矛盾是目前单车智能自动驾驶计算处理平台遇到的重要瓶颈。
同时，由于交通行为更多是众多参与者之间互相“博弈”，在路径动作的决策规划环节，单车智能自动驾驶难以给出最佳的解决方案。
网联化有望分担单车的算力消耗，基于云控平台给出全局最优的驾驶策略。
在算力方面，一是网联化作为“超级传感器”能够直接给出感知的目标结果，省去了复杂的对传感器信号的计算分析过程，如红绿灯的判断，从而大大减轻了单车的算力需求；二是能够借助云计算、边缘计算等能力，有望将路侧的算力引入，例如在路侧安装视觉传感器、激光雷达等传感器，将路侧感知结果进行下发等。