特斯拉要实现完全自动驾驶，即SAE L5级别，仅依靠纯计算机视觉（CV）技术目前是不可行的。
现在特斯拉的自动驾驶介于 L3，L4 之间，但是从 L2到L3,就是把驾驶事故的责任完全转嫁到自动驾驶的车企上了，所以马斯克死也不承认他的自动驾驶技术已经介于 L3 and L4.
L2：出事故：责任完全在司机
L3：出事故，主要责任在车企
仅依靠纯计算机视觉（CV）技术目前是不可行的。下面是我认为的三个核心原因。
感知局限性
纯视觉系统存在固有的技术局限性，使得其无法在所有环境下都可靠地感知世界：
-
对环境的依赖性高： 像人眼一样，摄像头依赖光线。这意味着纯视觉系统在恶劣天气（如大雨、大雪、浓雾）和弱光条件下（如夜晚或太阳眩光）的感知能力会显著下降，甚至完全失效。报告指出，即使是脏污的摄像头镜头也会影响系统性能。
-
深度和距离测量不精确： 与激光雷达或毫米波雷达不同，摄像头很难精确测量物体在远处的距离和深度。虽然可以通过训练神经网络来推断，但这种推断缺乏其他传感器固有的硬件级精度，无法满足L5级别系统所需的普遍可靠性。
-
缺乏冗余： 纯视觉系统缺乏传感器冗余，这意味着一旦摄像头系统因任何原因（如光线、天气或硬件故障）失灵，就没有其他备用传感器来提供安全保障，这会带来灾难性后果。
“边缘案例”困境
即使拥有海量的真实驾驶数据，也无法解决自动驾驶面临的“边缘案例”问题，而L5级别系统必须能处理所有情况：
-
数据驱动模型的根本局限： 纯视觉系统只能从它所接触过的数据中学习。尽管特斯拉拥有数十亿英里的驾驶数据，但这仍然是有限的、历史性的记录。系统无法为它从未见过、不可预测的突发事件做好准备，而这是任何数据驱动模型的根本缺陷。
-
无法应对“新颖”场景： L5级别的系统必须能够处理任何可以想象到的场景，而不仅仅是常见的场景。依赖历史数据训练的系统很难为前所未见的复杂情况做好准备。
监管和法律鸿沟
特斯拉在推广其纯视觉技术时面临监管和法律上的挑战，这暴露了其技术与实际能力之间的差距：
-
品牌命名误导： “全自动驾驶（Full Self-Driving）”这样的名称会给消费者带来一种虚假的安全感，让他们误以为系统可以处理所有情况，从而导致危险的过度依赖。特斯拉将系统官方归类为L2级别，这与它所宣传的能力相矛盾，也让它得以规避更高级别自动驾驶所需的严格监管和测试。
-
安全隐患： 特斯拉的几次Autopilot的致命事故，这些事件都暴露了纯视觉系统在识别固定障碍物等场景时的缺陷。这表明，一个真正安全的L5系统必须能够完美地处理系统故障和用户疏忽，而纯视觉系统尚未达到这一要求。
总而言之，虽然纯视觉方法具有成本效益和可扩展性的优势，但它在感知、可靠性和安全性方面面临着根本性的技术障碍。相比之下，采用多传感器融合方法的公司（如Waymo）通过牺牲可扩展性和成本来换取硬件冗余和可靠性，从而在商业上走上了一条更安全、更可行的道路，特别是在L4级别（高度自动化）的有限区域应用中。
