特斯拉有哪些智能和高科技，Tesla Motors 在電動汽車領(lǐng)域有哪些核心技術(shù)

來源：整理時間：2023-05-17 04:20:03 編輯：智能門戶手機(jī)版

1，Tesla Motors 在電動汽車領(lǐng)域有哪些核心技術(shù)

電動汽車核心技術(shù)分三類，電機(jī)，電控、電池，特斯拉的技術(shù)再電控是有積累的，電池是用的松下的，電機(jī)也分自產(chǎn)，所以特斯拉真正的核心就是電控??！

電動車（ev）、混動車（hev）的各種核心技術(shù)，如電池、電機(jī)、逆變器、可充電電池、充電器等日本很厲害，尤其是電池基礎(chǔ)技術(shù)！autocto汽車學(xué)院總結(jié)，發(fā)展電動汽車必須解決好4個方面的關(guān)鍵技術(shù)：電池技術(shù)、電機(jī)驅(qū)動及其控制技術(shù)、電動汽車整車技術(shù)以及能量管理技術(shù)。　電池是電動汽車的動力源泉，也是一直制約電動汽車發(fā)展的關(guān)鍵因素。電動汽車用電池的主要性能指標(biāo)是比能量(e)、能量密度(ed)、比功率(p)、循環(huán)壽命(l)和成本(c)等。要使電動汽車能與燃油汽車相競爭，關(guān)鍵就是要開發(fā)出比能量高、比功率大、使用壽命長的高效電池。電動機(jī)與驅(qū)動系統(tǒng)是電動汽車的關(guān)鍵部件，要使電動汽車有良好的使用性能，驅(qū)動電機(jī)應(yīng)具有調(diào)速范圍寬、轉(zhuǎn)速高、啟動轉(zhuǎn)矩大、體積小、質(zhì)量小、效率高且有動態(tài)制動強(qiáng)和能量回饋等特性。電動汽車用電動機(jī)主要有直流電動機(jī)(dcm)、感應(yīng)電動機(jī)(im)、永磁無刷電動機(jī)(pmblm)和開關(guān)磁阻電動機(jī)(srm)4類。能量管理系統(tǒng)是電動汽車的智能核心。一輛設(shè)計(jì)優(yōu)良的電動汽車，除了有良好的機(jī)械性能、電驅(qū)動性能、選擇適當(dāng)?shù)哪芰吭?即電池)外，還應(yīng)該有一套協(xié)調(diào)各個功能部分工作的能量管理系統(tǒng)，它的作用是檢測單個電池或電池組的荷電狀態(tài)，并根據(jù)各種傳感信息，包括力、加減速命令、行駛路況、蓄電池工況、環(huán)境溫度等，合理地調(diào)配和使用有限的車載能量；它還能夠根據(jù)電池組的使用情況和充放電歷史選擇最佳充電方式，以盡可能延長電池的壽命。

Tesla Motors 在電動汽車領(lǐng)域有哪些核心技術(shù)

2，不知道有人比較過小鵬P7和特斯拉的自動駕駛功能嗎

小鵬P7這套Xpilot 3.0的硬件架構(gòu)被定義為全行業(yè)最強(qiáng)輔助駕駛硬件架構(gòu)，搭載12個超聲波傳感器、5個高精度毫米波雷達(dá)、13個自動駕駛攝像頭、1顆智能座艙攝像頭、高精度地圖、高精度定位融合、英偉達(dá)Xavier自動駕駛芯片。除特斯拉外，小鵬是第二個能夠完全自主建立感知能力的車企。在我看來，無論是將自動駕駛分為四大顆?！兄?、定位、規(guī)劃、控制，還是從這套硬件架構(gòu)本身，或者是從小鵬自動駕駛團(tuán)隊(duì)的組成架構(gòu)等等來看，并不能完整詮釋小鵬P7這款車的特殊性。對比特斯拉，在自動駕駛上特斯拉一直堅(jiān)持純視覺方案，全車21個傳感器，包括12個超聲波、8個攝像頭、1個前置毫米波雷達(dá)，主要以視覺感知為主。而小鵬P7則是多傳感器融合的方案，除了配置31個傳感器外，P7還通過高精度地圖+RTK差分+雙頻高精GPS+超高精度IMU實(shí)現(xiàn)了超視距+實(shí)時在線的輔助駕駛能力。超視距+實(shí)時在線這兩個地方，是我認(rèn)為小鵬P7在自動駕駛方案上與特斯拉最大的不同。某種程度上，可以將特斯拉看成桌面端或者單機(jī)的，將小鵬P7看成是移動端或者聯(lián)網(wǎng)的。不管什么方面，我覺得小鵬P7會越來越強(qiáng)，國產(chǎn)新勢力的發(fā)展希望。

絕密飛行

首先，隨著新能源汽車行業(yè)漸趨成熟，消費(fèi)者對于汽車智能化的要求也已經(jīng)越來越高。小鵬汽車作為造車新勢力中的一員，本身就非常注重汽車在智能化方面的研發(fā)，自創(chuàng)立開始到現(xiàn)在，小鵬汽車已經(jīng)累計(jì)申請過800項(xiàng)以上的專利技術(shù)，特別是在自動駕駛技術(shù)方面，更是投入了大量的精力和研發(fā)資金。據(jù)悉小鵬P7將會搭載號稱全行業(yè)最強(qiáng)的輔助駕駛架構(gòu)XPilot 3.0，其中就包括英偉達(dá)Xavier自動駕駛芯片。這款芯片是英偉達(dá)為自動駕駛專門設(shè)計(jì)的芯片，不管是安全架構(gòu)還是精準(zhǔn)性在世界范圍內(nèi)都處于領(lǐng)先水平，與特斯拉Model 3的FSD芯片相比也毫不遜色。尤其是國內(nèi)人多車多，交通環(huán)境自然會更復(fù)雜，而小鵬P7針對本土化特征的道路環(huán)境、國內(nèi)駕駛員的習(xí)慣及復(fù)雜的交通環(huán)境進(jìn)行研究，XPILOT 3.0也在適應(yīng)中國路況方面做出了很多努力。而特斯拉Model3在安全性能方面雖然也已經(jīng)比較完備，但是否適合國內(nèi)的交通環(huán)境呢？這點(diǎn)我還是有點(diǎn)存疑的?？偟脕碚f，我覺得無論是特斯拉還是小鵬P7，在自動駕駛這塊都是不錯的，但從實(shí)際硬件配置而言，還是小鵬P7高級那么一點(diǎn)。

不知道有人比較過小鵬P7和特斯拉的自動駕駛功能嗎

3，什么是人機(jī)共駕

人機(jī)共駕（Shared Autonomy）MIT 認(rèn)為自動駕駛應(yīng)該分為兩個等級：一、人機(jī)共駕（Shared Autonomy）；二、全自動駕駛（Full Autonomy）。這樣的分類方式不僅能夠提供有建設(shè)性的指導(dǎo)方針，添加必要的限制條件同時還可以對要實(shí)現(xiàn)的目標(biāo)進(jìn)行量化設(shè)定。甚至，對每個類別下要實(shí)現(xiàn)的功能、對應(yīng)的技術(shù)需求以及可能遇到的問題都可以劃分出來。這個原則的核心在于對「人類駕駛員在環(huán)」的討論。為了實(shí)現(xiàn)對車輛的有效控制，人和機(jī)器組成的團(tuán)隊(duì)必須共同保持對外部環(huán)境有充分的感知。目標(biāo)是促使整個行業(yè)對「人機(jī)共駕」和「全自動駕駛」進(jìn)行清晰地劃分。需要指出的是，表 I 中的術(shù)語「Good」和「Exceptional」用來表示解決 1% 極端案例的優(yōu)先級順序。遠(yuǎn)程操控、V2X 和 V2I 等并非必須的技術(shù)，如果要使用的話需要達(dá)到特殊的能力要求。在實(shí)現(xiàn)高等級自動駕駛的方法上，傳統(tǒng)思路全程都跳過了對「人」這個因素的考慮，精力主要集中在對地圖、感知、規(guī)劃以及表 I 中「全自動駕駛」一欄標(biāo)注為「exceptional」的技術(shù)上。實(shí)際來看，考慮到目前的硬件和算法能力，這種解決方案對高精度地圖、傳感器套件的魯棒性要求很高，提供的是較為保守的駕駛策略。而正如表 I 所述，「以人為中心」的自動駕駛汽車著眼點(diǎn)主要在司機(jī)身上。負(fù)責(zé)控制車輛的依然是人，但前提是要對人的狀態(tài)、駕駛方式及之前的人機(jī)合作經(jīng)驗(yàn)做充分的考量，同時把車輛的轉(zhuǎn)向、加減速等交由人工智能系統(tǒng)負(fù)責(zé)。以特斯拉的 Autopilot 為例，之前 MIT 的研究顯示，測試中有超過 30% 的行程都是由這套 L2 級駕駛輔助系統(tǒng)控制完成的。而如果人機(jī)共駕應(yīng)用成功的話，應(yīng)該能實(shí)現(xiàn)超過 50% 的機(jī)器控制率。在這次實(shí)驗(yàn)中，MIT 表示無人車系統(tǒng)在接管過程中呈現(xiàn)出了不同程度的能力，而人類駕駛員始終在密切關(guān)注著機(jī)器的動態(tài)，根據(jù)感知系統(tǒng)獲得的信息及時預(yù)測可能發(fā)生的危險。二、從數(shù)據(jù)中學(xué)習(xí)（Learn from Data）從表 I 不難發(fā)現(xiàn)，這其中涉及的任何一項(xiàng)車輛技術(shù)都是數(shù)據(jù)驅(qū)動的，需要搜集大量的邊緣案例數(shù)據(jù)，利用這些數(shù)據(jù)持續(xù)不斷地優(yōu)化算法。這個學(xué)習(xí)過程的目的應(yīng)該是，通過大量數(shù)據(jù)實(shí)現(xiàn)從傳統(tǒng)的模塊化監(jiān)督學(xué)習(xí)向端到端半監(jiān)督式和無監(jiān)督學(xué)習(xí)過渡。要實(shí)現(xiàn)車輛的自動駕駛，傳統(tǒng)的方法，不管是哪個級別，幾乎都不會大量的應(yīng)用機(jī)器學(xué)習(xí)技術(shù)。除了在一些特殊的線下場景，比如 Mobileye 的視覺感知系統(tǒng)要進(jìn)行車道線識別，或者是通用 Super Cruise 搭載的紅外攝像頭要對駕駛員頭部動作進(jìn)行預(yù)測等。特斯拉的 Autopilot 可能要比其他方案更進(jìn)一步，在開發(fā)針對第二代硬件平臺 HW 2.0 的軟件算法時，在視覺感知上應(yīng)用了越來越多監(jiān)督機(jī)器學(xué)習(xí)的原理。但即便如此，對車輛的絕大部分控制以及對駕駛員狀態(tài)監(jiān)測的實(shí)現(xiàn)中，并沒有利用大數(shù)據(jù)驅(qū)動的方式，也幾乎不涉及線上學(xué)習(xí)的過程。而在目前業(yè)界進(jìn)行的一些全自動駕駛技術(shù)的路測中，機(jī)器學(xué)習(xí)主要應(yīng)用于環(huán)境感知這一環(huán)節(jié)。更甚的是，這些車輛采集到的數(shù)據(jù)，無論是從量還是多樣性來看，和具備 L2 級自動駕駛能力的車型相比，遜色不少。特斯拉 Autopilot 對目標(biāo)物、車道線的檢測主要依賴機(jī)器學(xué)習(xí)算法進(jìn)行 | ElectrekMIT 認(rèn)為，「L2 級自動駕駛系統(tǒng)中機(jī)器學(xué)習(xí)框架使用的數(shù)據(jù)，從規(guī)模和豐富性的角度來看都具有足夠的擴(kuò)展能力，可以覆蓋多變的、具有代表性、挑戰(zhàn)性的邊緣案例?！谷藱C(jī)共駕（Shared Autonomy）要求同時搜集人和車輛的感知數(shù)據(jù)，挖掘分析后用于監(jiān)督學(xué)習(xí)的標(biāo)注。在 MIT 的實(shí)驗(yàn)過程中，駕駛場景感知、路徑規(guī)劃、駕駛員監(jiān)控、語音識別以及語音聚合都應(yīng)用了深度神經(jīng)網(wǎng)絡(luò)模型，可以通過搜集到的大量駕駛體驗(yàn)數(shù)據(jù)進(jìn)行持續(xù)性的調(diào)校和優(yōu)化。在進(jìn)行數(shù)據(jù)采集時，MIT 表示并不會只局限于單一的傳感器來源，而是對整個駕駛體驗(yàn)通盤考慮，并將所有的傳感器數(shù)據(jù)流通過實(shí)時時鐘（real-time clock）匯總、聚合，用于多個神經(jīng)網(wǎng)絡(luò)模型的標(biāo)注。這種方式能夠讓駕駛場景與駕駛員狀態(tài)能夠很好地匹配起來，而在聚合的傳感器數(shù)據(jù)流進(jìn)行標(biāo)注工作，使模塊化的監(jiān)督學(xué)習(xí)可以在數(shù)據(jù)規(guī)模允許時輕松地向端到端學(xué)習(xí)過渡。三、監(jiān)督人類（Human Sensing）這個其實(shí)就是我們俗稱的「駕駛員監(jiān)控」。它指的是對駕駛員的整體心理以及功能特征，包括分心、疲憊、注意力分配和容量、認(rèn)知負(fù)荷、情緒狀態(tài)等的不同程度進(jìn)行多維度的衡量和評估。目前除了通用 Super Cruise 在方向盤上裝有一枚紅外攝像頭外，不管是搭載了 ADAS 駕駛輔助系統(tǒng)的量產(chǎn)車型，還是在路測的全自動駕駛汽車，絕大部分都沒有提供任何有關(guān)駕駛員監(jiān)控的軟件和硬件。特斯拉 Model 3 其實(shí)也裝了一枚車內(nèi)攝像頭，但目前尚未啟用，具體功用官方表示要等軟件更新后才知道。而基于視覺的解決方案以外，市面上還包括一些準(zhǔn)確率不高的方式。比如特斯拉在方向盤上安裝了扭矩傳感器，也有的公司利用監(jiān)測方向盤是否發(fā)生倒轉(zhuǎn)的方式推斷駕駛員是否出現(xiàn)疲勞情況。全新一代凱迪拉克 CT6 搭載的駕駛員監(jiān)控系統(tǒng)由 Seeing Machines 提供 | 官方供圖MIT 認(rèn)為「對駕駛員狀態(tài)的感知和監(jiān)控是實(shí)現(xiàn)高效人機(jī)共駕的的第一步，同時也是最關(guān)鍵的一步?！乖谶^去的二十多年里，來自機(jī)器視覺、信號處理、機(jī)器人等領(lǐng)域的專家都進(jìn)行過相關(guān)課題的研究，目的都是在探討如何盡可能保證駕乘人員的安全。此外，對駕駛員狀態(tài)的監(jiān)測對如何改善和提升人機(jī)交互界面、高級駕駛輔助系統(tǒng) ADAS 的設(shè)計(jì)都有很大幫助。隨著汽車智能程度的不斷提高，如何準(zhǔn)確、實(shí)時地探測到駕駛員的各種行為對打造安全的個性化出行體驗(yàn)尤為重要。比較有意思的一點(diǎn)是，從完全的手動駕駛到全自動駕駛，這其中涉及到不同模式切換的問題。一般來說雙手脫離方向盤（handoff）就是一種信號，可能表示系統(tǒng)要做好接管的準(zhǔn)備了，但還有什么其他更準(zhǔn)確的信息可以用來判斷，可能這也是「駕駛員監(jiān)控」的研究人員需要持續(xù)思考的地方。四、共享的感知控制（Shared Preception-Control）通俗點(diǎn)來說，這相當(dāng)于為整個自動駕駛系統(tǒng)增加了「一雙眼睛和手」。目的是建立額外的感知、控制和路線規(guī)劃機(jī)制。即便在高度自動駕駛系統(tǒng)運(yùn)行狀態(tài)下，也要及時地為駕駛員推送信息，將其納入到整個駕駛過程中。研究全自動駕駛的目的就是為了完美地解決「感知-控制」的問題，考慮到人類的不靠譜和行為的不可測性。所以傳統(tǒng)觀點(diǎn)認(rèn)為最簡單的辦法就是把人從開車這件事上排除掉，像十幾年前在 DARPA 挑戰(zhàn)賽中獲勝的隊(duì)伍一樣。但和傳統(tǒng)解決思路相反的是，MIT 提出的「以人為中心」的理論將人置于感知和決策規(guī)劃閉環(huán)中的關(guān)鍵位置。因此，整車感知系統(tǒng)就變成了支持性的角色，為人類駕駛員提供外部環(huán)境信息，這其實(shí)也是為了解決機(jī)器視覺本身存在的局限性而考慮的。表 II MIT「以人為中心」自動駕駛系統(tǒng)執(zhí)行的感知任務(wù)，包括對駕駛員面部表情、動作以及可駕駛區(qū)域、車道線以及場景內(nèi)物體的檢測 | MIT在 MIT 的研究中，工作人員圍繞這個原則設(shè)計(jì)了幾條關(guān)鍵的算法。表 II 是其中幾個典型的案例。首先，從視覺上可以看到神經(jīng)網(wǎng)絡(luò)做出的判斷、道路分割的區(qū)域以及對駕駛場景狀態(tài)的預(yù)估的可信程度；其次，將所有的感知數(shù)據(jù)整合并輸出融合式的決策建議，這樣在表 IV 的場景下就能夠?qū)φw風(fēng)險進(jìn)行預(yù)估；再次，MIT 一直使用的是模仿學(xué)習(xí)：將人類駕駛員操控車輛時方向盤的動作作為訓(xùn)練數(shù)據(jù)，進(jìn)一步優(yōu)化端到端的深度神經(jīng)網(wǎng)絡(luò)；最后，MIT 使用的端到端的神經(jīng)網(wǎng)絡(luò)屬于一個叫做「arguing machines（爭論機(jī)器）」框架的一部分，它為主要的感知-控制系統(tǒng)（表 III）提供了來自人類的監(jiān)督。這里的「爭論機(jī)器框架」是 MIT 2018年提出的一個概念，它將主要 AI 系統(tǒng)與經(jīng)過獨(dú)立訓(xùn)練以執(zhí)行相同任務(wù)的次要 AI 系統(tǒng)配對。該框架表明，在沒有任何基礎(chǔ)系統(tǒng)設(shè)計(jì)或操作知識的情況下，兩個系統(tǒng)之間的分歧足以在人工監(jiān)督分歧的情況下提高整體決策管道的準(zhǔn)確性。表 III 對「爭論機(jī)器」框架在「Black Betty」自動駕駛測試車上的應(yīng)用和評估 | MIT表 IV 通過結(jié)合車內(nèi)外感知系統(tǒng)數(shù)據(jù)得出的融合型決策能夠充分預(yù)估可能發(fā)生的風(fēng)險 | MIT五、深度定制化（Deep Personalization）這里涉及到一個「將人類融入到機(jī)器中」的概念。通過調(diào)整 AI 系統(tǒng)的參數(shù)，使其能夠更適合人類操作并呈現(xiàn)出一定程度的定制化。最終的系統(tǒng)應(yīng)該帶有該駕駛員的行為特征，而不是像剛出廠時的普通配置一樣。六、不回避設(shè)計(jì)缺陷（Imperfect by Design）對整個汽車工業(yè)而言，處于很多原因的考慮，進(jìn)行工程設(shè)計(jì)時通?？紤]最多的是「安全」，所以要盡可能地講系統(tǒng)錯誤出現(xiàn)的頻率和程度降至最低。換句話說，對自動駕駛而言，完美是目標(biāo)，這也導(dǎo)致了在進(jìn)行某些功能設(shè)計(jì)時，可能會因其「不完美」和「不確定」的性質(zhì)而放棄這些可能是「必要」的設(shè)計(jì)。但是在 MIT 的研究看來，豐富、高效的溝通機(jī)制在設(shè)計(jì)用于實(shí)現(xiàn)「人機(jī)共駕」的人工智能系統(tǒng)時，是非常必要的因素。就「溝通」而言，系統(tǒng)存在的不完美對人和機(jī)器而言，在進(jìn)行感知模型的交換和融合過程中，能夠提供密集、多樣的信息內(nèi)容。如果將 AI 系統(tǒng)的不確定性、局限性和錯誤都隱藏起來，這也就錯失了與人建立信任、深度理解關(guān)系的機(jī)會。MIT 認(rèn)為，此前業(yè)界在設(shè)計(jì)半自動駕駛系統(tǒng)時所采取的「完美」思路，可能是迄今為止所犯的嚴(yán)重錯誤之一。而在開發(fā)「Black Betty」這輛無人車時，MIT 把人工智能系統(tǒng)的局限性通過文字和視覺的形式與人類進(jìn)行充分溝通。例如將人類和機(jī)器對外部世界的感知視覺化，讓駕駛員知曉 AI 系統(tǒng)的局限所在。研究人員表示這種方式相比只是提供「報(bào)警」或者「模糊的信號」，是最簡潔有效的人機(jī)溝通方式。盡管這種溝通機(jī)制要實(shí)現(xiàn)還面臨一些技術(shù)上的難題，比如視覺化的過程通常對芯片的算力和實(shí)時調(diào)用的能力要求很高。但值得機(jī)器人、自動化以及人機(jī)交互等領(lǐng)域共同關(guān)注并思考解決的辦法。七、系統(tǒng)級的駕駛體驗(yàn)（System-Level Experience）目前，汽車工業(yè)的工程設(shè)計(jì)過程中，一個最主要的目標(biāo)就是「安全」。另一個則是「降低成本」。第二個目標(biāo)導(dǎo)向的是模塊化、基于零部件的設(shè)計(jì)思考。但同樣的模式在面向機(jī)器人、計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)等領(lǐng)域的人工智能系統(tǒng)設(shè)計(jì)中卻有著迥異的理由。譬如在設(shè)計(jì)中重視單一功能（目標(biāo)物檢測等）的實(shí)現(xiàn)，能夠有效測試該算法的合理性并逐步使之得到改善和優(yōu)化。但是這個過程也難免會把注意力過渡集中在單一功能而忽略了系統(tǒng)的整體體驗(yàn)。在過去的幾十年里，「系統(tǒng)工程」、「系統(tǒng)思考」這樣的原則一直在指導(dǎo)著汽車工業(yè)產(chǎn)品的輸出。然后，類似的思考卻幾乎沒有應(yīng)用在自動駕駛汽車的設(shè)計(jì)、測試和評估過程中。正如 MIT 上面提到的這六大原則，人和機(jī)器都不可避免會有缺陷，只有當(dāng)「人機(jī)共駕」這個框架在系統(tǒng)層面上得到考慮時，這些缺陷才可能有機(jī)會成為優(yōu)勢。對「人機(jī)共駕」的永恒討論不管短期還是長期來看，其實(shí)很難預(yù)測自動駕駛的哪條實(shí)現(xiàn)路徑最終會成功，而且退一萬步說，你甚至都不知道什么樣的結(jié)果算得上是「成功」。在談到研究目的時，MIT 希望一套自動駕駛系統(tǒng)能夠同時滿足「安全」、「愉悅的駕駛體驗(yàn)」和「提升的出行體驗(yàn)」這三個要求，而不是彼此妥善折中。而盡管「人機(jī)共駕」這個話題在過去的十年里，是包括汽車工業(yè)、機(jī)器人在內(nèi)很多領(lǐng)域研究的焦點(diǎn)，但它仍值得更深入的探討。在今年四月份的上海國際車展上，coPILOT 智能高級駕駛輔助系統(tǒng)，這是一套定位「L2+級」的自動駕駛輔助系統(tǒng)，目的是提高乘用車的安全性和駕駛舒適性。從產(chǎn)品名稱不難看出，這套系統(tǒng)同樣強(qiáng)調(diào)了「人機(jī)共駕」的概念。它配備了相應(yīng)的傳感器和功能，能夠監(jiān)控駕駛員并在發(fā)生潛在危險情況時觸發(fā)警告。例如，當(dāng)發(fā)生駕駛員注意力不集中、幾乎完全未將注意力放在路面交通上或顯示出瞌睡跡象等。所以人工智能扮演了「私人駕駛助手」的角色，這個產(chǎn)品理念與 MIT 的研究不謀而合。到底完美解決駕駛?cè)蝿?wù)比完美管理人類的信任和注意力哪個更難？這是值得深思熟慮的問題。MIT 認(rèn)為關(guān)于這個問題的討論仍不會停止，不管是這篇論文還是「Black Betty」這臺無人測試車，都是基于「人機(jī)共駕」研究的成果，MIT 認(rèn)為它是開發(fā)「以人為中心」自動駕駛系統(tǒng)的必由之路。

①時間概念層面的，什么時候人開車，什么時候車自己開（純無人駕駛），什么時候人和車一起開。 ②汽車駕駛性能層面的，隨著無人駕駛技術(shù)發(fā)展，在駕車過程中，人起的作用越來越小，車的自主性越來越高。

什么是人機(jī)共駕