常识告诉我们，基于已知场景、障碍物和潜在事故原因部署网络化自主车辆是不够的。
谁能做出准确的预测和应对异常情况，将是下一步自动驾驶技术竞争的焦点。
从Mobileye的RSS到特斯拉的“影子模式”，从通用Cruise的“连续学习机”到几乎所有企业推广的“数据驱动闭环迭代”，不确定事件的预测、规避和学习能力得到加强。
一些研究机构也在尝试新的方法。最近，德国慕尼黑技术大学(TUM)的研究人员开发了一种新的自动驾驶汽车算法。该系统可以“思考”每时每刻可能发生的最糟糕的事情，然后在不危及或阻碍交通的情况下给出策略。首先，为了“得到”预报，我们可以加速着陆
如果自驾汽车要大规模上路，显然需要回答一个关键问题：周围的汽车、行人、骑自行车的人在接下来的3-5秒内会做什么？这个问题叫做行为预测。
近年来，许多参与自主驾驶研究和开发的工程师相信行为预测的重要性。在一些工程师看来，自主驾驶的“预测缺陷”是限制他们实现L4及更高级别自主驾驶的关键。
“在预测部分，如果在试验路况下，基于传统的常规做法进行整车路径规划，或者车辆采取任何行动，都可能面临车辆被强制停车的情况。”业内人士称。
对于Corner Case，以后要不断测试优化，用算法覆盖或者覆盖。通过学习汽车的运动轨迹和其他交通参与者的运动形式，我们可以不断地弥补这些错误，或者不断地更新无法处理的工作状态。
比如一个人过红绿灯，当你发现旁边的人已经走了，有的人会走两步然后停下来，有的人会一直走。
人与人之间的互动是有一定影响的，人与人之间是相互干扰的。特斯拉的策略是对4D自动标记神经网络的深度学习。
该系统意味着自动驾驶感知可以建立实时三维环境，然后根据其他车辆过去的行为预测标记物体的4D运动，进而有效利用神经网络学习其他驾驶员或物体的反应。
埃隆马斯克(Elon musk)曾表示，目前的神经网络等与自动驾驶相关的软件，仅使用定制设计的自动驾驶芯片的5-10%的计算能力，剩余的计算能力分配给计算量更大的神经网络，比如行为预测。
根据之前披露的一些信息，特斯拉的新一代神经网络(Dojo)不仅会更大，架构也会有所改进，比如人工神经元的类型以及它们之间的互联。
本项目基于特斯拉硬件团队开发的神经网络芯片和集群超级计算机，用于提高服务器端神经网络的学习速度。目标是接受大量数据，在视频层面进行无监督的大规模训练。
Waymo最初使用深度学习来识别和分类对象，现在使用DL来预测其他道路参与者的动作、计划和模拟。他们与谷歌内部的其他团队合作，包括大脑和深层思维。
为了提高预测的准确性，Waymo使用大量来自现实世界的数据来衡量预测性能，另一方面预测几种可能性。他们估计每个行动的概率，然后由计划模块考虑，以创建安全的决策计划。
克里斯厄姆森(Chris Urmson)在2013年至2016年期间领导Waymo自动驾驶的研发工作。“如果我能挥动魔杖，加速系统某些能力的提升，这就是感知和预测的能力。”二、如何解决当前的问题
人工智能的整个概念是基于模式创建和模式识别的。比如，没有人生来就知道如何安全驾驶汽车，计算机也不例外。到目前为止，它们的效率还不如人类。
“他们必须获得更多数据。”研究所负责人说。传统的测试方法是大规模的实际驾驶测试，然后是模拟测试。然而，真正的自动驾驶不能仅仅依靠数据建模。
模拟中学到的东西必须在现实世界中进行测试，以验证是否会再次出现任何可能的问题，包括车辆如何在不接管和响应不同场景事件的情况下自动运行。
为了预测未来的“命运”，自主车辆必须具备实时收集、存储和分析数据的能力，就像人类驾驶员对不同情况的反应一样。
其实无论是Waymo的虚拟模拟测试，还是特斯拉基于实际道路行驶数据的训练，都无法解决根本问题：系统遇到特殊场景，应该如何做出合理的判断和决策？
以前，Mobileye有自己的一套安全策略(RSS)，它将系统故障(即可识别的故障)与正常操作故障(可能的误报)区分开来。
这个机制并不是基于没有事故的想法(因为有些事故可能是不可避免的)。比如和前面的车保持安全距离，这样如果突然刹车，可以及时停车。
其方法是逃避造成事故的责任。换句话说，车辆的决定应该计算这样的路径/行为，而不是造成事故的责任。
上述机构的算法旨在不断预测最糟糕的可能情况。理论上是可行的，但从计算角度来看，可能是“非常昂贵的计算”，能否在“安全时间窗”内完成还不确定。
类似的改进算法和其他机器学习算法一样。如果有足够的关于异常事件和当这种事件发生时要执行的动作的数据，这些算法可以通过提高准确性和预测数据集来改进。
在业内人士看来，“提供一种可以在已知环境下运行，但不能在极端条件下运行的自动驾驶系统是相对简单的。”但是，要想在城市街道上实现L4自动驾驶，在仁中还有很长的路要走。
唯一的机会是提高预测的准确性。
目前大部分自动驾驶公司都是以测试为主。通过大量的测试，将有可能对数据进行整理和分析，从而提高场景预测能力，从而提高系统的安全性。
然而，这是一项耗时的任务，即使是模拟测试。
业内有人指出，唯一的办法就是共享数据。比如在数据采集、分析和评估方面建立一些行业标准和接口协议，通过企业间的数据共享来加速这个过程。
此前，美国公路安全保险协会(IIHS)的一份交通事故分析报告显示，自动驾驶只能避免约三分之一的道路交通事故。
基于5000多份有代表性的交通事故分析报告，并非所有的错误都可以通过摄像头、雷达和其他基于传感器的自动驾驶技术来消除。
因为大部分的撞车都是因为比较复杂的错误造成的，比如对其他道路使用者会做什么做了错误的假设，根据路况人为的加速或者减速，或者做了不正确的规避动作。
