與初期為路試資格欣喜若狂相比，近年來主機廠及科技公司對于無人車路測工作習以為常。隨著公開測試的大規模展開，各家車隊的駕駛能力幾乎齊頭并進。單憑駕駛能力遠不足以評判技術效果，其仍舊沒有完全杜絕類似“Uber無人車致死”等事故的發生。
為了最大程度上確保系統安全可靠，從業者開始強調無人駕駛技術兼顧駕駛能力與魯棒性。所謂“魯棒性”，可以簡單理解成無人駕駛系統的容錯能力，以保證系統能夠在操作錯誤、超出常規頻率的發出指令、網絡過載等極端情況中，仍舊正常運作，從而避免安全問題發生。因此，技術魯棒性逐漸成為了這項未來技術后期能否實現大規模商業落地的重要指標。
順著自動駕駛產業鏈來看，感知、決策、執行層面均各自遭遇了“黑盒子”的困境。
感知：地圖原始數據與衍生信息受限
感知定位層面無需多言。除了始終備受爭議的多種傳感器路線之外，近期大熱的高精地圖同樣沒能避開上述難題。
圖商的商業模式大同小異：以測繪車隊收集的道路數據為基礎，畫出一張厘米級精度的地圖，將其使用權出售給主機廠客戶。換句話說，車輛基本看不到地圖原始數據，更別提拿到其衍生信息。另一方面，長期占據產業鏈主導位置的老牌車廠在拿到數據之后，現階段恐怕不太可能對地圖廠商開放接口，以完成眾包進而實現實時更新。
在這種情況下，訓練系統、反復測試及模擬工作勢必會受到影響。如何在核心數據量受限時突圍，成了自動駕駛感知層打開“黑盒子”的關鍵。
決策：數據運算邏輯不可解釋
在自動駕駛與人工智能緊密綁定的當下，深度學習成了行業中熱度最高的語匯，而其主要應用在決策層，也就是人們口中的“自動駕駛大腦”。
然而理論上，基于訓練數據集歸納的深度學習算法并不像人類一樣，對所有開放環境均具備強認知功能。技術不能處理完全陌生的場景，最終會陷入數據運算邏輯不可解釋的“黑盒子”中，無法預估算法輸出結果。
或許這恰好可以解釋，為何創業者們談及無人駕駛時間節點時，往往信心十足又慎之又慎。畢竟在算法“黑盒子”未被拆解之前，誰也不敢拿運氣與性命對賭。
執行：底層控制協議被國際Tier 1壟斷
當然，自動駕駛絕不是拍腦袋決策。脫離“四肢”談“大腦”的都是高位截癱，執行控制層才是自動駕駛技術真正落地的基礎。
有意思的是，當真正涉及到車輛系統控制時，終于出現了一個具象的“黑盒子”：據悉，目前來自Tier 1供應商的執行控制產品都會做成一個黑盒子，也就是全套自成體系的底盤控制系統。底層的執行控制協議是付費公開的，即便公開，車廠對于接口開放程度也直接影響著汽車操控的可調程度。
對于如今直接面向主機廠的ADAS廠商而言，這也是雙方溝通過程中最大的難點。或許，只有國內企業真正打開跨國Tier 1巨頭手中的“黑盒子”，才能搶奪到部分話語權，將自主品牌從長期被動的處境中拉出來。