技术发展日新月异，时间来到2024年，自动驾驶汽车也不再是报纸、手机上的一个新闻报道或技术科普，而是在某些城市、某些区域可以真实接触、实际体验到的技术。尤其是百度在武汉布局萝卜快跑无人出租后，自动驾驶更是有了具象化的使用场景，也屡次登上网络热搜，没有驾驶员在驾驶位置的出租车，着实给大家带来了非常惊艳的感受。

当然，这也给很多人带来了压力，尤其是在武汉的一些出租车、网约车司机，切实感受到很多的顾客出行使用无人出租，让他们的生存空间进一步压缩，收入进一步减少，更多很多司机表示无人出租或将让自己失业。

再来看看现在的一些车企，尤其是很多的造车新势力，在进入2024年之后，也在大力宣传自己的NOA技术。所谓NOA，即导航辅助驾驶，也被一些车企称之为“高阶智能驾驶辅助”。虽然很多车企对于NOA技术的叫法不同，如特斯拉和理想称其为NOA，小鹏称为NGP，华为称为NCA、另外还有NOH、NAD、NCA等多种叫法，但本质上都是NOA。现阶段，很多车企已经将NOA技术应用到城市路段，开始在各平台宣传和展示自家的城市NOA技术，让更多消费者看到私家车在城市道路“自动驾驶”的可能性。

自动驾驶现状

虽然自动驾驶给我们的感觉近在咫尺，但细心的小伙伴应该也发现到了，现在网络上对于自动驾驶概念的宣传，还是使用的L2级、L2+级、L2.9级、L2++级等字眼，鲜有使用L3级的说法，为何我们现在已经可以体验到自动驾驶技术了，但大家在宣传时，还是没有使用到L4级的说法呢？其实是因为L4级的自动驾驶，真的太难实现了！

为何L4级自动驾驶那么难实现？在聊这个话题之前，我们要先了解下，什么是L4级自动驾驶。根据国际汽车工程师学会（SAE）的分类，自动驾驶被分为了L0级～L5级，共6个等级，其中对于L4级的定义为高度自动驾驶，此时在特定的道路和特定环境条件下，高级辅助驾驶系统可以完成所有的驾驶操作，驾驶员无需保持注意力集中，可以在乘车时将更多的时间用于娱乐。

2022年3月1日起，由工业和信息化部提出、全国汽车标准化技术委员会归口的GB/T 40429-2021《汽车驾驶自动化分级》推荐性国家标准正式发布，这一标准的发布，解决了我国汽车驾驶自动化分级的规范性问题。在这一标准中，也将自动驾驶分为了0级驾驶自动化～5级驾驶自动化，共6个等级，对于4级驾驶自动化的标准定义中，要求系统在其设计运行条件下持续地执行全部动态驾驶任务并自动执行最小风险策略。

在这一阶段中自动驾驶系统可以独立完成规定的驾驶场景中（如园区、学校等）的自动驾驶功能，驾驶员依旧需要充当安全员的角色，监管自动驾驶系统的驾驶行为。自动驾驶系统在遇到不能完成驾驶行为的场景或自动驾驶系统功能失效时，会向安全员提出请求让其介入驾驶行为，如果安全员对请求不做响应、安全员不满足驾驶车辆能力或安全员要求自动驾驶系统控制车辆到最小风险状态时，自动驾驶系统可以自行将车辆控制到最小风险状态下。

可以发现，在我国的标准中，4级驾驶自动化要求更为宽松，在行驶时可以有安全员的介入，而SAE归类的L4级自动驾驶则对安全员不再作要求。回看现阶段的自动驾驶实际应用，貌似只有萝卜快跑与L4级自动驾驶最为接近，在很多媒体的宣传中也使用了L4级自动驾驶相关字眼，但事实真就如此吗？

在萝卜快跑频繁出现在热搜时，有一个词条非常亮眼，那就是萝卜快跑后台居然是有汽车机器人智控中心的，并有网友附上了图片。从图片中可以看到，一个个安全员坐在电脑前，观察着车辆的行驶状态，宛如大型赛车游戏现场。对此，萝卜快跑客服回应称“萝卜快跑目前是自动驾驶，是没有人操控的”。客服还表示，为了保证乘客安全，有的车辆配有安全员，而全无人车辆也会配备行程专员，行程专员会在后台监控，乘客如有需要可以通过屏幕上的SOS联系到他。由此可见，萝卜快跑虽然不再需要驾驶员，但其背后，依旧有安全员的加入，并不能称之为L4级自动驾驶。

L4级自动驾驶为何如此难实现？

为何现在自动驾驶技术已经在很多领域得到了应用，却没有可以达到L4级的呢？

2.1 技术复杂性

环境感知与理解

L4级自动驾驶系统需要能够在几乎所有环境中自主驾驶，无论是高速公路、城市街道还是复杂的交叉路口。要做到这一点，车辆需要通过多种传感器（如激光雷达、毫米波雷达、摄像头等）对周围环境进行全面感知。这些传感器需要协调工作，提供高分辨率的环境数据，并将这些数据融合到一个统一的模型中。然而，传感器本身存在局限性。例如：

• 激光雷达可以提供精确的三维点云，但在雨雪天气条件下，其性能可能会下降。

• 摄像头能捕捉视觉信息，但在光线不足或过强的情况下，效果会受限。

• 毫米波雷达能够穿透雾霾和雨雪，但其分辨率较低，难以准确识别细小或复杂的物体。

为了处理这些复杂场景，自动驾驶系统需要先进的感知算法来正确解读这些传感器的数据，并进行场景理解和目标检测。但目前的算法在应对复杂、不确定的道路状况时，仍然可能出现误判。例如，系统可能无法正确识别突然出现的行人或对某些非标准物体的反应较慢。

决策与规划

一旦系统感知到环境中的所有元素，就需要做出驾驶决策和路径规划。这涉及复杂的算法，如路径优化、障碍物规避、行为预测等。在开放环境中（如城市道路），系统必须处理大量的不确定性，例如：

• 其他车辆的行为是否符合预期？

• 行人会否突然横穿马路？

• 信号灯故障如何处理？

要做到安全驾驶，系统需要在毫秒级别的时间内处理这些信息，并做出最佳决策。目前的人工智能和机器学习算法在某些情况下可能表现不稳定，特别是在面对从未遇到过的新场景时。因此，系统的鲁棒性和安全性还需要进一步提升。

2.2 数据与算法局限

数据采集与标注

自动驾驶系统依赖大量数据来训练和优化其算法，尤其是在感知和决策方面。然而，采集并标注这些数据是一个庞大而昂贵的过程。为了覆盖各种驾驶场景，系统需要大量的真实世界数据，包括不同天气条件、不同时间段以及各种地形和道路类型。这些数据的多样性直接影响系统的泛化能力。然而，目前的数据采集仍然主要集中在少数特定区域和条件下，导致系统在面对某些特殊情况时，可能缺乏足够的经验。

极端场景与长尾问题

长尾问题是指在训练数据中很少见但在实际驾驶中可能会遇到的极端场景。例如，系统可能很少遇到大型动物突然横穿高速公路，或者遭遇严重的交通事故场景。这些极端情况虽然发生频率低，但一旦发生，其风险极高。目前，系统在应对这些极端场景时的表现还不够理想。

算法的局限性

尽管深度学习和其他机器学习技术在图像识别、语音识别等领域取得了显著进展，但在自动驾驶中，这些算法仍面临挑战。尤其是在多目标跟踪、行为预测和异常检测等方面，现有算法还不能保证在所有情况下都能做出最优决策。此外，算法在处理不确定性和推理方面的能力有限，使得系统在复杂决策场景下容易出错。

2.3 法律与法规障碍

法律框架的不完善

许多国家和地区的法律和法规尚未完全跟上自动驾驶技术的发展。现有的交通法规通常假设有人类驾驶员在控制车辆，因此，在完全无人驾驶的情况下，法律责任的归属仍然是一个巨大的挑战。例如：

• 责任划分：如果L4自动驾驶车辆发生事故，责任应该归于驾驶员、汽车制造商、技术供应商还是其他第三方？这在法律上尚无定论。

• 数据隐私：自动驾驶车辆会收集大量数据，包括位置、驾驶行为、环境信息等，这些数据的使用和保护如何符合现行的隐私法规，也需要进一步明确。

法规限制与标准化

不同国家和地区对自动驾驶技术的测试和部署要求不同，这使得跨国部署变得复杂。此外，目前缺乏全球统一的自动驾驶安全标准，使得技术供应商在不同市场之间难以保持一致的技术和安全标准。

2.4 基础设施与成本

基础设施建设不足

L4级自动驾驶系统的顺利运行往往需要支持性的基础设施。例如：

• 高精度地图：L4级自动驾驶依赖于精确到厘米级的高精度地图，以确保车辆能够准确定位和导航。但这些地图的更新和维护成本高昂，且在某些偏远地区，可能没有足够的地图数据支持。

• V2X通信：V2X（Vehicle-to-Everything）通信技术允许车辆与其他车辆、交通信号、道路基础设施等进行实时通信，从而提高交通安全和效率。然而，这种通信基础设施在大多数地区尚未完全普及，且标准化程度较低，影响了自动驾驶技术的应用。

高昂的研发与运营成本

L4级自动驾驶系统的研发需要投入巨大的资金和资源。开发、测试、验证和维护一套安全可靠的自动驾驶系统涉及大量的工程和计算资源，因此现阶段自动驾驶还是应用在无人出租上，为企业化的统一管理。此外，商业化部署所需的传感器、计算硬件等成本也非常高，这使得目前的L4自动驾驶解决方案难以在商业上大规模推广。

2.5 安全性与可靠性

安全性挑战

自动驾驶系统的首要任务是确保乘客和周围道路使用者的安全。要做到这一点，系统的故障率必须极低。即使在面对极端情况下，系统也必须做出正确的决策。例如，如何在没有明确道路标志或信号灯失灵的情况下安全行驶？如何在车辆传感器或通信系统失效时仍能保障行驶安全？

多层冗余与系统可靠性

为了提高可靠性，L4级自动驾驶系统通常需要多层冗余设计，包括冗余的传感器、冗余的计算系统等。然而，这种冗余设计不仅增加了系统的复杂性和成本，还需要复杂的软件架构来管理和协调多个冗余系统的工作。确保所有系统在任何情况下都能无缝协作，并在故障发生时及时切换，是一项巨大的技术挑战。

长期测试与验证

为了确保系统的安全性，L4级自动驾驶需要经过长时间、大规模的测试与验证，包括在不同的环境条件、不同的道路类型和不同的驾驶场景下进行全面测试。然而，即使进行了大量测试，仍然存在某些极端情况可能未被覆盖的风险，这对系统的全面可靠性提出了更高要求。

2.6 社会接受度与伦理问题

公众信任

许多人对完全由机器控制的自动驾驶技术仍然持有怀疑态度，特别是在涉及安全和隐私问题时。多起涉及自动驾驶车辆的事故报道加剧了这种担忧。要推动L4级自动驾驶技术的广泛应用，需要通过实际表现、透明的测试流程和公正的法规来逐步建立公众的信任。

伦理决策

自动驾驶系统在某些情况下可能需要做出涉及生命伦理的决策。例如，如何在紧急情况下决定避让行人还是优先保护乘客？这些伦理决策目前主要依赖于人类驾驶员的判断，但在自动驾驶系统中，如何编程和实现这些决策是一个巨大的伦理挑战。这不仅涉及技术问题，还涉及社会道德和法律的复杂讨论。

如何破局？

想要实现L4级自动驾驶，我们首先要明确，L4级自动驾驶真的可以实现吗？答案是肯定的，我们已经非常接近L4级自动驾驶了。现在自动驾驶发展路径已经非常明确，在不考虑成本的前提下，感知硬件也已非常完善。而想要达到L4级自动驾驶，需要的是一个足够聪明，可以灵活处理各种交通场景的决策系统。

之所以现在很多自动驾驶应用中离不开安全员的角色，主要是因为我们对于自动驾驶决策系统还不够信任，决策系统也无法和人类一样灵活应对各类交通场景。

技术是有笼子的，自动驾驶汽车决策系统也是如此，技术人员教给决策系统的是如何根据交通规则来行驶，但人的不确定性太大了，不按交规行驶行为屡见不鲜，这就让自动驾驶汽车无法正确判断进一步的行驶方式，这也是为何L4级自动驾驶无法实现的原因。虽然现在已有很多车企提出来端到端的解决方案，但归根到底，还是难以处理突发性的交通状况。

或许还有一个方法，可以快速实现L4级自动驾驶，那就是禁止人类驾驶汽车，全由自动驾驶汽车按照统一规则来服务大家出行吧！（玩笑话，切莫当真）

原文标题 : 为什么L4自动驾驶那么难实现？

技术发展日新月异，时间来到2024年，自动驾驶汽车也不再是报纸、手机上的一个新闻报道或技术科普，而是在某些城市、某些区域可以真实接触、实际体验到的技术。尤其是百度在武汉布局萝卜快跑无人出租后，自动驾驶更是有了具象化的使用场景，也屡次登上网络热搜，没有驾驶员在驾驶位置的出租车，着实给大家带来了非常惊艳的感受。

当然，这也给很多人带来了压力，尤其是在武汉的一些出租车、网约车司机，切实感受到很多的顾客出行使用无人出租，让他们的生存空间进一步压缩，收入进一步减少，更多很多司机表示无人出租或将让自己失业。

再来看看现在的一些车企，尤其是很多的造车新势力，在进入2024年之后，也在大力宣传自己的NOA技术。所谓NOA，即导航辅助驾驶，也被一些车企称之为“高阶智能驾驶辅助”。虽然很多车企对于NOA技术的叫法不同，如特斯拉和理想称其为NOA，小鹏称为NGP，华为称为NCA、另外还有NOH、NAD、NCA等多种叫法，但本质上都是NOA。现阶段，很多车企已经将NOA技术应用到城市路段，开始在各平台宣传和展示自家的城市NOA技术，让更多消费者看到私家车在城市道路“自动驾驶”的可能性。

自动驾驶现状

虽然自动驾驶给我们的感觉近在咫尺，但细心的小伙伴应该也发现到了，现在网络上对于自动驾驶概念的宣传，还是使用的L2级、L2+级、L2.9级、L2++级等字眼，鲜有使用L3级的说法，为何我们现在已经可以体验到自动驾驶技术了，但大家在宣传时，还是没有使用到L4级的说法呢？其实是因为L4级的自动驾驶，真的太难实现了！

为何L4级自动驾驶那么难实现？在聊这个话题之前，我们要先了解下，什么是L4级自动驾驶。根据国际汽车工程师学会（SAE）的分类，自动驾驶被分为了L0级～L5级，共6个等级，其中对于L4级的定义为高度自动驾驶，此时在特定的道路和特定环境条件下，高级辅助驾驶系统可以完成所有的驾驶操作，驾驶员无需保持注意力集中，可以在乘车时将更多的时间用于娱乐。

2022年3月1日起，由工业和信息化部提出、全国汽车标准化技术委员会归口的GB/T 40429-2021《汽车驾驶自动化分级》推荐性国家标准正式发布，这一标准的发布，解决了我国汽车驾驶自动化分级的规范性问题。在这一标准中，也将自动驾驶分为了0级驾驶自动化～5级驾驶自动化，共6个等级，对于4级驾驶自动化的标准定义中，要求系统在其设计运行条件下持续地执行全部动态驾驶任务并自动执行最小风险策略。

在这一阶段中自动驾驶系统可以独立完成规定的驾驶场景中（如园区、学校等）的自动驾驶功能，驾驶员依旧需要充当安全员的角色，监管自动驾驶系统的驾驶行为。自动驾驶系统在遇到不能完成驾驶行为的场景或自动驾驶系统功能失效时，会向安全员提出请求让其介入驾驶行为，如果安全员对请求不做响应、安全员不满足驾驶车辆能力或安全员要求自动驾驶系统控制车辆到最小风险状态时，自动驾驶系统可以自行将车辆控制到最小风险状态下。

可以发现，在我国的标准中，4级驾驶自动化要求更为宽松，在行驶时可以有安全员的介入，而SAE归类的L4级自动驾驶则对安全员不再作要求。回看现阶段的自动驾驶实际应用，貌似只有萝卜快跑与L4级自动驾驶最为接近，在很多媒体的宣传中也使用了L4级自动驾驶相关字眼，但事实真就如此吗？

在萝卜快跑频繁出现在热搜时，有一个词条非常亮眼，那就是萝卜快跑后台居然是有汽车机器人智控中心的，并有网友附上了图片。从图片中可以看到，一个个安全员坐在电脑前，观察着车辆的行驶状态，宛如大型赛车游戏现场。对此，萝卜快跑客服回应称“萝卜快跑目前是自动驾驶，是没有人操控的”。客服还表示，为了保证乘客安全，有的车辆配有安全员，而全无人车辆也会配备行程专员，行程专员会在后台监控，乘客如有需要可以通过屏幕上的SOS联系到他。由此可见，萝卜快跑虽然不再需要驾驶员，但其背后，依旧有安全员的加入，并不能称之为L4级自动驾驶。

L4级自动驾驶为何如此难实现？

为何现在自动驾驶技术已经在很多领域得到了应用，却没有可以达到L4级的呢？

2.1 技术复杂性

环境感知与理解

L4级自动驾驶系统需要能够在几乎所有环境中自主驾驶，无论是高速公路、城市街道还是复杂的交叉路口。要做到这一点，车辆需要通过多种传感器（如激光雷达、毫米波雷达、摄像头等）对周围环境进行全面感知。这些传感器需要协调工作，提供高分辨率的环境数据，并将这些数据融合到一个统一的模型中。然而，传感器本身存在局限性。例如：

• 激光雷达可以提供精确的三维点云，但在雨雪天气条件下，其性能可能会下降。

• 摄像头能捕捉视觉信息，但在光线不足或过强的情况下，效果会受限。

• 毫米波雷达能够穿透雾霾和雨雪，但其分辨率较低，难以准确识别细小或复杂的物体。

为了处理这些复杂场景，自动驾驶系统需要先进的感知算法来正确解读这些传感器的数据，并进行场景理解和目标检测。但目前的算法在应对复杂、不确定的道路状况时，仍然可能出现误判。例如，系统可能无法正确识别突然出现的行人或对某些非标准物体的反应较慢。

决策与规划

一旦系统感知到环境中的所有元素，就需要做出驾驶决策和路径规划。这涉及复杂的算法，如路径优化、障碍物规避、行为预测等。在开放环境中（如城市道路），系统必须处理大量的不确定性，例如：

• 其他车辆的行为是否符合预期？

• 行人会否突然横穿马路？

• 信号灯故障如何处理？

要做到安全驾驶，系统需要在毫秒级别的时间内处理这些信息，并做出最佳决策。目前的人工智能和机器学习算法在某些情况下可能表现不稳定，特别是在面对从未遇到过的新场景时。因此，系统的鲁棒性和安全性还需要进一步提升。

2.2 数据与算法局限

数据采集与标注

自动驾驶系统依赖大量数据来训练和优化其算法，尤其是在感知和决策方面。然而，采集并标注这些数据是一个庞大而昂贵的过程。为了覆盖各种驾驶场景，系统需要大量的真实世界数据，包括不同天气条件、不同时间段以及各种地形和道路类型。这些数据的多样性直接影响系统的泛化能力。然而，目前的数据采集仍然主要集中在少数特定区域和条件下，导致系统在面对某些特殊情况时，可能缺乏足够的经验。

极端场景与长尾问题

长尾问题是指在训练数据中很少见但在实际驾驶中可能会遇到的极端场景。例如，系统可能很少遇到大型动物突然横穿高速公路，或者遭遇严重的交通事故场景。这些极端情况虽然发生频率低，但一旦发生，其风险极高。目前，系统在应对这些极端场景时的表现还不够理想。

算法的局限性

尽管深度学习和其他机器学习技术在图像识别、语音识别等领域取得了显著进展，但在自动驾驶中，这些算法仍面临挑战。尤其是在多目标跟踪、行为预测和异常检测等方面，现有算法还不能保证在所有情况下都能做出最优决策。此外，算法在处理不确定性和推理方面的能力有限，使得系统在复杂决策场景下容易出错。

2.3 法律与法规障碍

法律框架的不完善

许多国家和地区的法律和法规尚未完全跟上自动驾驶技术的发展。现有的交通法规通常假设有人类驾驶员在控制车辆，因此，在完全无人驾驶的情况下，法律责任的归属仍然是一个巨大的挑战。例如：

• 责任划分：如果L4自动驾驶车辆发生事故，责任应该归于驾驶员、汽车制造商、技术供应商还是其他第三方？这在法律上尚无定论。

• 数据隐私：自动驾驶车辆会收集大量数据，包括位置、驾驶行为、环境信息等，这些数据的使用和保护如何符合现行的隐私法规，也需要进一步明确。

法规限制与标准化

不同国家和地区对自动驾驶技术的测试和部署要求不同，这使得跨国部署变得复杂。此外，目前缺乏全球统一的自动驾驶安全标准，使得技术供应商在不同市场之间难以保持一致的技术和安全标准。

2.4 基础设施与成本

基础设施建设不足

L4级自动驾驶系统的顺利运行往往需要支持性的基础设施。例如：

• 高精度地图：L4级自动驾驶依赖于精确到厘米级的高精度地图，以确保车辆能够准确定位和导航。但这些地图的更新和维护成本高昂，且在某些偏远地区，可能没有足够的地图数据支持。

• V2X通信：V2X（Vehicle-to-Everything）通信技术允许车辆与其他车辆、交通信号、道路基础设施等进行实时通信，从而提高交通安全和效率。然而，这种通信基础设施在大多数地区尚未完全普及，且标准化程度较低，影响了自动驾驶技术的应用。

高昂的研发与运营成本

L4级自动驾驶系统的研发需要投入巨大的资金和资源。开发、测试、验证和维护一套安全可靠的自动驾驶系统涉及大量的工程和计算资源，因此现阶段自动驾驶还是应用在无人出租上，为企业化的统一管理。此外，商业化部署所需的传感器、计算硬件等成本也非常高，这使得目前的L4自动驾驶解决方案难以在商业上大规模推广。

2.5 安全性与可靠性

安全性挑战

自动驾驶系统的首要任务是确保乘客和周围道路使用者的安全。要做到这一点，系统的故障率必须极低。即使在面对极端情况下，系统也必须做出正确的决策。例如，如何在没有明确道路标志或信号灯失灵的情况下安全行驶？如何在车辆传感器或通信系统失效时仍能保障行驶安全？

多层冗余与系统可靠性

为了提高可靠性，L4级自动驾驶系统通常需要多层冗余设计，包括冗余的传感器、冗余的计算系统等。然而，这种冗余设计不仅增加了系统的复杂性和成本，还需要复杂的软件架构来管理和协调多个冗余系统的工作。确保所有系统在任何情况下都能无缝协作，并在故障发生时及时切换，是一项巨大的技术挑战。

长期测试与验证

为了确保系统的安全性，L4级自动驾驶需要经过长时间、大规模的测试与验证，包括在不同的环境条件、不同的道路类型和不同的驾驶场景下进行全面测试。然而，即使进行了大量测试，仍然存在某些极端情况可能未被覆盖的风险，这对系统的全面可靠性提出了更高要求。

2.6 社会接受度与伦理问题

公众信任

许多人对完全由机器控制的自动驾驶技术仍然持有怀疑态度，特别是在涉及安全和隐私问题时。多起涉及自动驾驶车辆的事故报道加剧了这种担忧。要推动L4级自动驾驶技术的广泛应用，需要通过实际表现、透明的测试流程和公正的法规来逐步建立公众的信任。

伦理决策

自动驾驶系统在某些情况下可能需要做出涉及生命伦理的决策。例如，如何在紧急情况下决定避让行人还是优先保护乘客？这些伦理决策目前主要依赖于人类驾驶员的判断，但在自动驾驶系统中，如何编程和实现这些决策是一个巨大的伦理挑战。这不仅涉及技术问题，还涉及社会道德和法律的复杂讨论。

如何破局？

想要实现L4级自动驾驶，我们首先要明确，L4级自动驾驶真的可以实现吗？答案是肯定的，我们已经非常接近L4级自动驾驶了。现在自动驾驶发展路径已经非常明确，在不考虑成本的前提下，感知硬件也已非常完善。而想要达到L4级自动驾驶，需要的是一个足够聪明，可以灵活处理各种交通场景的决策系统。

之所以现在很多自动驾驶应用中离不开安全员的角色，主要是因为我们对于自动驾驶决策系统还不够信任，决策系统也无法和人类一样灵活应对各类交通场景。

技术是有笼子的，自动驾驶汽车决策系统也是如此，技术人员教给决策系统的是如何根据交通规则来行驶，但人的不确定性太大了，不按交规行驶行为屡见不鲜，这就让自动驾驶汽车无法正确判断进一步的行驶方式，这也是为何L4级自动驾驶无法实现的原因。虽然现在已有很多车企提出来端到端的解决方案，但归根到底，还是难以处理突发性的交通状况。

或许还有一个方法，可以快速实现L4级自动驾驶，那就是禁止人类驾驶汽车，全由自动驾驶汽车按照统一规则来服务大家出行吧！（玩笑话，切莫当真）

原文标题 : 为什么L4自动驾驶那么难实现？