自動運転車（autonomous vehicleとも呼ばれる）は、センサー、コンピューティング、ソフトウェアを備え、周囲の状況を認識し、ステアリング、加速、制動を人間の介入を減らすか、または排除して制御できる道路車両である。自動車技術者協会は、無自動化のレベル0から、常時ドライバーの監視を必要とする部分自動化のレベル2、そして全条件下でドライバーなしで完全自動化するレベル5まで、運転自動化の6段階を定義している。2020年代半ばの時点で、商業展開されたシステムで確実にレベル5に達したものはなく、一般公開されているシステムの大半はレベル2、または限られた地理的フェンスエリア内ではレベル4で稼働していた。
DARPAから商業展開へ
現代の自動運転研究は、DARPA Grand Challengeに遡る。これはDARPAが2004年と2005年に開催した、砂漠地帯を自律走行車で走る一連のレースであり、最初のコースを完走したチームがいなかったことから始まった。2005年の勝者であるスタンフォード大学のStanley（Sebastian Thrunが率いた）と、その後の2007年のUrban Challengeは、現代産業のための才能と技術基盤を育むのに貢献した。Googleは2009年にThrunの下で自動運転車プロジェクトを開始し、これは2016年にGoogle DeepMindの姉妹会社としてWaymoとしてスピンアウトした。Waymoは、人間の安全運転者なしでドライバーレスの商用ロボタクシーサービスを運営する最初の企業となり、2020年にアリゾナ州フェニックスで開始し、その後サンフランシスコ、ロサンゼルス、およびその他の米国都市に拡大した。General Motorsが支援するCruiseは競合するロボタクシーサービスを運営していたが、2023年にサンフランシスコで起きた歩行者が引きずられる事件により、全米で車両運行が一時停止され、主要なリーダーシップと戦略の変更が強制された。
テスラのアプローチ
Elon Muskの下でテスラは、Waymoやほとんどの他の開発者が使用していたlidarセンサーではなく、カメラベースのComputer visionに依存し、AutopilotおよびFull Self-Drivingという名称のドライバー支援機能を、小規模な地理フェンス付きロボタクシー機隊に限定するのではなく、消費者車に段階的に出荷するという、異なる技術的な道を選んだ。「Full Self-Driving」というブランディングにもかかわらず、このシステムは公開展開を通じて積極的なドライバー監視が必要であり、レベル2の自動化に分類されるままである。このアプローチとそのマーケティングは、自動車関連の事故を含む連邦自動車局による米国道路交通安全管理局（NHTSA）の調査など規制上の監視を引き寄せている。
技術的アプローチ
自動運転システムは一般に、複数種類のセンサー、カメラ、レーダー、そして、テスラ以外のほとんどのアプローチではliarapsも組み合わせ、コンピュータービジョンと、純粋な手作業コーヌではなく、ますます学習されるNeural networkモデルに基づく認識ソフトウェアを通じて融合される。経路計画と制御層は、次に、認識された周囲を運転意思決定に変換し、最近のシステムでは、センサー入力から運転行動に直接的にマッピングするエンドツBDエンド学習モデルをますます使用している。このアプローチは、Robotics全体で手作業エンジニアリングされた制御から学習された制御へ移行しつつある広範な動向と概念的に類似している。
ロングテイル問題
完全自動運転への中心的な技術的障害は、しばしばロングテイルと表現されます。つまり、大多数の運転状況は日常的で、すでに確実に処理されているが、まれで事実上無指向な特殊なケース、例えば異常な道路標示、不規則な他のドライバー、予測不能な歩行者行動、または不慣れな天候などが、失敗を引き起こし、その尾を十分にカバーして人xx魚同等の安全性を全条件で達成することは、2010年代の初期の業界予測が予期していたよりもはるかに困難であることが証明された。まず、異なる一般的な条件での実証された能力とまれな条件下での堅牢性の間のこのギャップは、Hallucination (AI)やLarge language modelシステムなどの他のAIドメインで観察された同様の信頼性課題に類似し、業界全体でレベル5の完全展開のタイムラインを繰り返し延期させてきた。