关于对车辆周遭环境的判别讨论还不错，
但是自动驾驶的进步还有一个关键就是驾驶行为，
何时该转弯？如何转弯？路口可以往前噜一点再转吗？等等
参考影片：https://youtu.be/uClWlVCwHsI　
(看看特斯拉如何处理越过多线道左转)
这也是特斯拉跟其他公司有优势的地方，
就是在电脑驾驶时，人为干预产生时的数据，
为何人类驾驶会在这个环境下干预电脑？
特斯拉会把干预当下八颗镜头的影像传回服务器，
收集并做为训练AI的数据库，
这个需要很多人类驾驶才能做出来的资料，非常非常的有价值，
当然FSD beta还是有很大的进步空间，
但是已经很令人兴奋了
※ 引述《ykjiang (York)》之铭言：
: 从最基本的原理来说，光达跟雷达就是用来测距，理论上只有一维的资讯
: 三维的部分是经过一些设计、运算后得到的
: 反而摄像头一开始就是二维资讯，然后可以经过运算得到三维的资讯，特
: 斯拉更进一步从中取得四维资讯（多的那维是时间轨迹预测）
: 以目前的技术：
: 距离方面，光达的精度比较高
: 平面部分，摄像头的精度较高，然后摄像头还可以判断颜色这个重要资讯
: 以自动驾驶而言，两者的精度都超过人眼了
: 所以关键还是在 AI 等其他方面
: ※ 引述《airforce1101 (我不宅)》之铭言：
: : 影像、雷达、光达不太一样，我把影像与雷达、光达拆成两类好了，影像对于讯号处理来
: : 说属于二维阵列，但是雷达与光达可以带回三维的目标资讯，雷达就是低频段的光，因频
: : 率特性不同，所以适用场景不同，光达的脉冲时间很短，所以较于雷达相比，对于相同目
: : 标，可以带回更高精度的资讯。
: : 光达的领域上有关延展性目标，可以参考K. Granstrom, M. Baum, and S. Reuter 所著
: : 的这篇文章 Extended object tracking: Introduction, overview, and application.
: : 在AI辅助下，或许环境良好下影像能做到光达能大多数能做的事，但某些判断影像与光达
: : 先天上的差距还是存在。
: : 其实也好奇，传感器与影像间的关联是否让AI找出并学习其特征向量，有待高手解答了。