關於對車輛周遭環境的判別討論還不錯，
但是自動駕駛的進步還有一個關鍵就是駕駛行為，
何時該轉彎？如何轉彎？路口可以往前嚕一點再轉嗎？等等
參考影片：https://youtu.be/uClWlVCwHsI　
(看看特斯拉如何處理越過多線道左轉)
這也是特斯拉跟其他公司有優勢的地方，
就是在電腦駕駛時，人為干預產生時的數據，
為何人類駕駛會在這個環境下干預電腦？
特斯拉會把干預當下八顆鏡頭的影像傳回伺服器，
收集並做為訓練AI的數據庫，
這個需要很多人類駕駛才能做出來的資料，非常非常的有價值，
當然FSD beta還是有很大的進步空間，
但是已經很令人興奮了
※ 引述《ykjiang (York)》之銘言：
: 從最基本的原理來說，光達跟雷達就是用來測距，理論上只有一維的資訊
: 三維的部分是經過一些設計、運算後得到的
: 反而攝像頭一開始就是二維資訊，然後可以經過運算得到三維的資訊，特
: 斯拉更進一步從中取得四維資訊（多的那維是時間軌跡預測）
: 以目前的技術：
: 距離方面，光達的精度比較高
: 平面部分，攝像頭的精度較高，然後攝像頭還可以判斷顏色這個重要資訊
: 以自動駕駛而言，兩者的精度都超過人眼了
: 所以關鍵還是在 AI 等其他方面
: ※ 引述《airforce1101 (我不宅)》之銘言：
: : 影像、雷達、光達不太一樣，我把影像與雷達、光達拆成兩類好了，影像對於訊號處理來
: : 說屬於二維陣列，但是雷達與光達可以帶回三維的目標資訊，雷達就是低頻段的光，因頻
: : 率特性不同，所以適用場景不同，光達的脈衝時間很短，所以較於雷達相比，對於相同目
: : 標，可以帶回更高精度的資訊。
: : 光達的領域上有關延展性目標，可以參考K. Granstrom, M. Baum, and S. Reuter 所著
: : 的這篇文章 Extended object tracking: Introduction, overview, and application.
: : 在AI輔助下，或許環境良好下影像能做到光達能大多數能做的事，但某些判斷影像與光達
: : 先天上的差距還是存在。
: : 其實也好奇，傳感器與影像間的關聯是否讓AI找出並學習其特徵向量，有待高手解答了。