这些公司信心十足，是因为在解决计算机视觉问题上，机器学习的应用，尤其是卷积神经网络最近有了长足的进步。人工智能，特别是模式匹配和计算机视觉技术突破不断。

    此外，对新创公司来说，这是个巨大的赌注。类似谷歌这样的大公司，都在醉心于激光雷达的研究，因此它们放松了其他解决方案，而这给新创公司留了巨大的发展空间。

    当然，这些公司可能最终一无所有，但一旦成功，就能赚的盆满钵满，而风投公司最爱投资这类公司。

    对于这三项关键技术，如今的趋势已经非常明显：

    1. 随着时间的推进，激光雷达的价格会逐渐走低，性能会逐渐增强。最终，高端版本几百美元就能搞定，而低端版则更加便宜；

    2. 计算机视觉技术会不断进化，最终可靠性达到使用要求。同时，与其搭配使用的高性能处理器和电源需要都会不断走低；

    3. 雷达的价格会降至两位数（美元），用于分析雷达数据的软件也会越来越聪明。

    除此之外，一些新技术未来的走向也不好预测，比如远程长波红外激光雷达、新型雷达或能直接把光子当无线电波处理的激光雷达替代品。

    当然，即使新技术能按照预测的趋势发展，未来的赢家也一定是那些可以把多项技术相结合的公司，现在的问题是这些技术到底怎样结合才更有效。

    现有的激光雷达有个问题，那就是它分辨率有些低，探测距离不够远且售价昂贵。当然，计算机视觉问题也不少，当下它还不够可靠，需要外部照明辅助，而且对计算机能力要求较高（意味着贵）。雷达的问题也是分辨率较低，甚至还不如激光雷达。

    下面，我们就来介绍几种有效的技术结合方案：

    方案一：高端激光雷达为主，计算机视觉为辅

    受大多数团队青睐的32线或64线激光雷达在探测道路障碍的能力上非常可靠，只要在探测范围内，它们几乎不可能出错。不过，一旦距离稍远，它们就很有可能分不清障碍物到底是什么。

    如将皮卡错看成普通汽车，将3位行人看成2位，同时它也无法识别面部表情和肢体语言。最重要的是，这家伙是“色盲”，它看不出红绿灯信号。

    如果有了计算机视觉的辅助，情况就不一样了。激光雷达可以将障碍物的图片从背景中“抠”出来，随后计算机视觉很容易就能分清它到底是什么，而且计算机视觉无需100% 可靠，它只负责提升最终效果就行。

    如果自动驾驶汽车只需遵从“不要撞到路上的东西”这样简单的命令，激光雷达就完全够用，但这样的设定下自动驾驶汽车会频繁刹车，影响乘坐舒适度。

    方案二：低端雷达+更可靠的计算机视觉

    眼下，只拥有4组扫描线的激光雷达价格相对较低廉。不过，这样的配置探测能力一般，对于位置较高、较低或较小的物体有时会无能为力。

    因此，现在的问题是，如今计算机视觉系统能填补这个窟窿吗？答案是不太好解决。毕竟计算机视觉系统需要外部照明辅助，灯光打在车辆正前方还好，如果弄个360度照明，就会让驾驶员分心，而且还会影响其他车辆的行车安全，但如果不这样做，又无法获得360度的完整视野。

    有人提出可以用红外线灯来解决，这样就不会让驾驶员分心了，但这种解决方案也有个问题，那就是它的热功率不够高。

    低端激光雷达确实能解决一些非常危险的漏报问题，但它有可能带来更多副作用（即错报导致的无端刹车）。在自动驾驶车辆行驶中，漏报完全不能接受，但错报如果太多，也会影响用户的乘坐体验。

    这种方案成本较为低廉，不过需要用到较为先进的计算机视觉技术，而这种水平的计算机视觉现有技术还无法实现，但想实现这样的技术并不是不可能。

    其他方案

    特斯拉一直在研究如何用雷达来协助车载摄像头。雷达探测车辆前方的移动物体很有一手，许多新型号的产品对静止物体探测效果也不错，同时其分辨率也有提高。借助神经网络等新技术，车辆就能实时分辨周围物体到底是什么了。

    雷达对车辆的探测效果很好，但探测行人却很弱。不过，如果将双目视觉与计算机视觉搭配使用，探测能力就能大幅提高。

    当然，如果只跑高速公路，只需提高雷达的探测距离和对高速物体的辨识能力就信，毕竟路上不会出现行人。

    到底谁会最终获胜？

    无论谁获胜，未来最终决定自动驾驶汽车走向何方的是成本问题，而现在，安全则是第一要务。只要能比竞争对手更安全，花多少钱都行，降低成本的事以后可以徐徐图之。这也是大多数团队都选择方案一的原因。