谷歌智能车的难点在哪里?模式识别,还是分析.控制算法?
话说智能车的成本高，很大成本上是在激光扫描仪上，那就是说还是对道路环境的识别要求高，但是在复杂环境下的算法也很重要啊（某篇文章上好像说用机器学习分析了大量的数据），以后的突破点究竟在哪儿呢？
添加评论
按投票排序按时间排序
14 个回答
康费，SLAM
Vincent Sui、Kao Hsiang、王发继 等人赞同
一点点说google car的难点，毕竟那是个50多人，10多个教授做出来的东西，我讲的可能很不全面，具体内容可以参见后面提到的论文。
无人驾驶技术取向成熟，源于2007年DAPRA的城市挑战赛。之前的比赛多是在沙漠运行，其主要目的是美军希望使用无人车运送物资，减少战时士兵的伤亡。
图中为2005年的冠军斯坦福大学的史坦利号(Stanley)。
2007年比赛加入60公里城市道路，要求车辆在无人驾驶的同时，遵守交通规则。完赛的明星有卡内基梅隆Boss
斯坦福大学2007年DARPA的Junior。
照片上的人叫Sebastian Thrun，他及部分团队成员随后被Google挖走，于是有了Google Car
其实，如果想知道他们的详细内容，可以在Field robotics上找到很多邀稿，是所有DAPRA获奖车辆的技术报告。应该也是这次的论文掀起无人驾驶的研究热潮。
CMU的技术报告:Autonomous driving in urban environments: Boss and the Urban Challenge
弗吉尼亚理工大学:Odin: Team VictorTango's entry in the DARPA Urban Challenge
------------------------------------------------------------------------------------------------------------------------------------------
介绍完了背景，说说难点。
1. 传感器技术。
不得不承认现在无人车能出现很大程度上依赖传感器的进步。其实早在80年代美国就通过磁钉导航完成过很多无人驾驶的实验。他们在地下埋上磁钉，通过寻找磁钉的方式可以完成高速的巡航、并道、超车等一些列的实验。但是显然这种成本太高，只能作为实验。
到了2007年，传感器技术已经突飞猛进了。看看他们的传感器吧。
SICK公司激光雷达。用于检测周围障碍物，无人车需要能够感知周围环境，又不能像人一样单纯用眼睛完成，于是这玩意可以返回周围障碍物的距离，误差毫米级。
这张图上的无人车头顶的不是灯，而是5个SICK。一个SICK当时等价于一辆帕萨特。当然现在Google car的激光雷达用头上的小东西了。
这个小东西顶至少4个SICK，是360度多线激光雷达，今天价值3个帕萨特。
剩下的东西没有这个壮观，就不上图了。
除了激光雷达（避障），还有有毫米波雷达（探测）、GPS（定位）、里程计（定位）、陀螺仪（定位）、视觉系统（检测、避障）、数传电台（监控）等等。就不说很多小细节的进步了，但是上述的传感器都是必须的，所以无人车的第一个难点是传感器。
2. 定位
GPS的定位精度远达不到无人车的需求，GPS官方定位精度“
@AllenBingo 在评论中提到了GPS的干扰，我这里简单说一点。
以前GPS中会加入干扰，那时候民用GPS的精度只有100m。这个干扰叫SA，Select Availability，已经于2006年取消。SA依然会在战时开启，那时只有美军自己的GPS能有效定位，而其他的GPS都将失效（所以我国要研发北斗）。传统gps的协议是0183格式，这种格式允许小数点后4位。军用级别的gps在此基础上又加了两位，至于多出来的几位是否真能提高精度就不知道了，得用个绝对位置教一下。
如果是“
除此之外，没有GPS呢？
在树荫下、楼宇间、隧道内GPS信号无法到达，这时就需要里程计+陀螺仪，俗称惯性导航单元。这套系统的原理就是：花钱越多，有效时间越久。如果要能在没有GPS的情况下坚持20分钟，呵呵，3个帕萨特。
原因是里程计、陀螺仪都存在累积误差。注意误差是累计的，也就是说上一时刻是0.5m的误差，下一时刻指定大于0.5m。因此要尽可能约束累积误差，使其数量级很低，那么就要上光纤陀螺。因为电子级的陀螺通常达不到这个精度要求，不知道挠性陀螺行不行，但是估计挠性陀螺和光纤陀螺造价差不多。
3.避障
车辆前方有障碍，障碍物是运动的还是静止的，车是停下来还是绕过去。我没仔细研究过这部分的内容，知道的算法是人工势场法。这部分主要的难度是从传感器识别障碍，在车辆运动的前提下，确定障碍的运动状态。也就是说你要在运动的坐标系下，计算另一个物体相对静坐标系的速度，并作出判断。
4.识别
下面得识别交通标识，如限速牌、红绿灯。这些通过视觉系统完成，难点主要在实时性和鲁棒性。要离线处理这些交通标志是很简单的，但是在无人车上需要能在有限的时间里识别出来，并且考虑道路中可能有的光线变化、遮挡等问题。
5. 控制
你提到控制算法，除了上面的避障以外，其他外围机构的改造可能会存在一些改造上的问题。如何介入转向架、如何介入油门（以前还要考虑如何换挡）。这些工作如果有厂商帮忙还好，没有的话也会是问题，钱的问题。其实控制的难度相对较小，传统PID足够，加上部分买的伺服机构，没有多大难度，就是活累。
6.规划与决策
感谢@妙僧无花的建议增加规划与决策环节。
既然是无人车，一定牵扯“去哪”。目的地由人决定，但是路线是车子计算出来的，这部分的算法可能你不会，但是你常用，就是百度地图、腾讯地图之类的东西，它们通过一定的算法计算出路径之后车辆会跟随这条路径。当然运行过程中为了解决实际的一些问题，比如修路，也许要决策的机制。
其实对于无人车的控制说小了较控制，说大了叫决策。也可以说，决策是频率比较慢的控制。举个例子，我们对方向盘、车速的控制周期是多少呢？大约20ms，也就是1s中要控制50次左右。那么我们对车辆路线的决策周期呢？大约5s。可以看出，控制是响应速度较快的部分，而决策是响应速度较慢的控制。决策，说白了就是对于一些可能遇到的问题给出的解决逻辑，俗称人性化。这部分我能力有限，希望懂的人可以给些意见。
我觉得，无人车最关键点在于东西不一定复杂，但一定要可靠，所以当有人问Sebastian Thrun（前面Google Car的负责人），你们的车能否在雨雪天开出去的时候。他说，那些日子我们最好不动它。至于你提到的机器学习，我认为这是趋势，可能在识别部分会有应用，但很难成为无人车的核心技术。原因：1）离线学习会导致算法有一定的局限性，你在北美弄好的系统在中国不一定能用。2）在线学习成本太高，给车带个计算机，让它在车辆运行的同时还能逆向运算？
至于以后的突破口，我觉得是廉价可靠的传感器和相应的识别算法。这些机构到底能做到多小，多便宜又多可靠。至于提取信息以后的控制，前面说了，80年代就有人做了，还做得不错（我看过视频，要是找到的话再传上来）。
编辑于 2014-12-2342 条评论感谢
收藏·没有帮助·· 作者保留权利
吕朝阳，Robotics PhD @ Gatech
Kao Hsiang、知乎用户、文桦 等人赞同
各个网友说的各个方面都是需要解决的问题， @康费 说的也很好，我只是在个别涉及理论的观点上可能稍有异议。最近几年各个robotics会议都有相关的关于智能车的讨论，比如最近几年IROS的PPNIV workshop（Automated driving in urban environments:technical challenges, open problems and barriers ）。我从智能汽车作为一个机器人系统，涉及到的几方面技术，在理论方面的难点做一个解释和补充。
首先，智能汽车作为一个机器人系统，所涉及到的机器人技术主要有控制（control）, 感知（perception）和路径规划（planning）三大块内容。作为一个独立的机器人系统，其自身的计算机系统以及安全性也是一个很重要的方面。关于这几块目前的研究以及工业界达到的成就，和技术难点，我正在写一篇综述给感兴趣的朋友加以介绍。下面就从者三个大方面来看看都还有哪些棘手的问题。
关于控制方面，自动巡航系统（cruise control），自动刹车系统（auto braking），自动停车系统（auto parking）作为独立的系统都已经比较成熟，而且很多普通有人驾驶汽车上已经应用，以帮助人更好的驾驶。
恩，似乎控制，已经不是什么大问题了。
那么感知系统呢？
先简要说下感知系统所涉及的传感器。智能汽车目前依赖的传感器主要是声呐，雷达，激光，惯导系统，GPS和摄像头。其中惯导系统，GPS都是自动测距和里程计的关键传感器，里程计估算里程，随着时间确实有累计误差存在，GPS在城市环境中也有可能出现局部信息不准确的问题。但是目前的研究可以对这个累积误差做出很好的修正，比如通过依赖视觉传感器作为里程计技术，根据场景的识别重定位技术，以及更准确的优化算法。Google的数据我还并为获得，但去年IROS的workshop上，BMW智能汽车的里程计精确度可以达到10厘米的级别。作为汽车驾驶来说，这一点也足够安全。
汽车仅仅知道自己里程和位置并不够，它同时得知道周围环境，这也是挑战最大之处。目前通过车载激光传感器，谷歌汽车可以实时看到如下的3D场景：
以上所说的这些感知技术，主要涉及到同步定位与建模技术（Simultaneous Localization and Mapping，简称 SLAM）的研究，这也是我的研究内容。对于目前的SLAM技术来说，这已经是一个很不错的结果，而且在同等传感器，以及实时性要求情况下，不会有太大质的提升。
酷！从图里似乎能看到树，地面，墙，甚至是每条车道。如果我把图像作为纹理贴在3D模型上的话，似乎都能建一个真的3D地图出来。看上去还不错是么？
不过，这仅仅是看上去不错。作为一个需要稳定驾驶，熟悉路况的智能系统来说，问题颇多。
第一，图里的三维场景虽然足够密和详尽，但是汽车本身并不知道场景的表示和涵义。也就是说，它仅仅知道有物体在某个位置，但物体究竟是建筑？还是树木？还是路标？仅仅通过这个图还并不知道。
对于建筑和树木来说，看起来好像汽车并不需要知道他们是什么。听上去似乎合理。但是路标呢？这点颇为关键。即使通过GIS测绘，可以对各条路的速度限制等做到了解，但是对于施工路段，美帝颇多的stop sign，还有小区里的小路来说，它似乎要无能为力了。那么假设智能汽车作为一个测试者要去参加交规测试，关于最基本的路况信息，它都是无法通过的。
因为有图像，我们确实可以根据纯粹模式识别问题来依据输入图像来检测路标。我们暂且不要想计算上可行不可行，不讨论这一点，放到之后再说。
第二，实际上路的路况识别呢？这就又要涉及到模式识别了。既然如此重要，我们得细致的看看。
首先算法需要通过视觉信息检测到动态物体，包括汽车，人，自行车等等。谷歌汽车可以构建出如下图的动态模型出来。比如自动驾驶汽车通过传感器来感知运动的模型，一个个刻画出来，可能是这样。
那么现在的问题是，对这些物体进行识别和区分又是一项很艰巨的人物。这是google擅长的吧？是的，通过现在的深度学习等机器学习算法，对物体的识别，人脸的识别，都已经做的很好了。但先不说这些场景里物体的识别准确率如何，仅仅在一个实时计算能力有限的系统里，对物体识别判断就已经很让人为难了。
似乎问题是不仅仅是这么简单。实际的路况相当复杂，可能有每秒运动六七米飞奔过来的孩子，还有可能有矮到人都很难发觉的小猫小狗，确定我们的系统依赖于传感器能检测到这些危险的true positive么？或者可能仅仅是空中飞过来几片树叶或者纸屑，恰巧被传感器识别到了，车要紧急刹车停止呢，还是直接开过去？或者这样的车还不能上路，我们得先去考虑降低这些false positive？对现在的智能系统来说，这些细节都放进去，实在是太困难了。
关于路径规划呢，会很复杂么？
这一块主要分为全局的，和局部的。我们既然可以依赖谷歌地图帮助我们导航，智能车相信它也没有任何问题。谷歌地图甚至可以告诉我们在哪个车道行驶，对于这方面规划来说，简直太棒了。
但局部的规划就依赖于路况的信息了。如何检测到突发情况，如何在小区域内局部调整运动线路，也是一个挑战。如何实时构建合理的约束，都涉及到一个场景的复杂程度，和其对应计算量的问题。目前的机器人界的研究，已经有很多研究开始探讨如何实时同时进行识别与规划。
上面说了这么多挑战，每一块都是很有意思的研究，但每一块问题解决都需要一定的计算量作为基础。如何在一个实时系统里同时解决这些问题，这又是系统层面上的挑战。同时，作为计算机系统，安全性，容错率等等，都是要考虑的因素和问题。
同时作为一个商用的系统，价格是回避不了的问题。高精度的激光传感器和GPS都造价不菲。即使作为一个成熟的智能系统，如何降低价格，或者在廉价传感器上寻找解决方案，也都是要解决的问题。否则没有人会在刚开始就在一个昂贵的玩具上做如此大投资，况且它似乎还并不比人驾驶更安全。
说了这么多挑战，而且很多似乎都看不出有效的方法来。似乎我在唱衰它，那么未来要如何改进？
其实它已经很棒了，毕竟google car上路在截止11年时，对外公布的数据就已经安全行驶了140000迈了。路况简单中远距离长途运输似乎应该是它首先发挥功效的地方。只是google想的还更多。
现在BMW，Volvo，Nissan, Honda, Toyota, 甚至Tesla都在高调研究自己的自动驾驶系统，并且向外介绍方案。理念也都各有不同。BMW提倡通过智能帮助人更好的驾驶（我似乎同意），Volvo则希望政府能在公路上面帮他们做点文章，比如增加点表示以助识别。而google则是这方面的激进派，乘客担心不安全想自己帮下忙？No, google连着方向盘直接去掉了。大家都有稳定的上路测试方案，现阶段都是为了解决问题，进益求精。
回到上面说的问题，那些感知系统的问题怎么办？
但凡是模式识别的问题，google都有信心，倒不是完全解决，至少它是领先的。Google的街景地图，以及图像数据库，可以为自动驾驶提供一个非常好的先验知识。在这之上，路标可以训练，人的模型可以训练，树可以训练，一些杂七杂八可能飘在路上的东西也可以训练。这涉及到一块有意思的研究叫做Object Discovery，我正参与的一个项目就有涉及。至少，我觉得还是有希望和方法很好解决的，只是还需要一段时间。
编辑于 2015-01-024 条评论感谢
收藏·没有帮助·· 作者保留权利
秦泽群
知乎用户、王栋梁、薛定谔的猫poppy 等人赞同
@康费主要从机械和电子部分回答了，已经答的很好了，我补充一下软件方面，抛砖引玉。
在软件方面，主要要用到图像和智能算法，可以说这两者基本都是想通的。
关于图像识别的实时性和鲁棒性：实时性已经不再是问题，一般对于移动平台，普通的arm构架cpu已经能够支持，对于某些特定场合可能需要dsp来进行支持，但是不论怎么说，实时性已经不是问题。关于遮挡，光线变化，计算机视觉方面关于图像拼接，防抖等都有比较成熟的算法来支持了。识别方面也能搞定很多东西了，聚类分析专门就是搞这个的。我以前做过一个meanshift改进用来自动追踪目标，虽然技术一般，但是效果已经不错了。
不论对于图像处理还是路径选择，机器学习已经运用相当广泛，至于第一的答案提到的人工势场法过于简单，应该不会使用这样的算法的。我们做智能机器人都不会用这样的算法做路径规划的，这个算法容易收敛到一个局部优解。一般会用到的比较简单的梯度下降，局部加权回归，这些在早期的自动驾驶路径规划应用还是比较成功的，但是泛化能力不好，还有隐马尔科夫等等。
机器学习各种各样，人工智能也门派很多，有从各种方面去模拟建模的，虽然这些算法在某些方面工作的很好，例如svm就是一个非常显著的例子，但是始终不够好。
自动驾驶难在哪儿，难在整合。一个移动机器人平台要机械，电子，软件三个团队来搞定，这还是我们在大学玩的。就像现在比较多能见到或接触到的旋翼机，这东西在20年前是造不出来的，现在淘宝一个几百块就能买一个航拍。为什么造不出来，因为20年来微电子学，材料科学，计算机等学科从来没有停下进步的脚步。基础科学打爱因斯坦爷爷辈就搞定了，但是应用的过程尤为困难。
发布于 2014-12-23添加评论感谢
收藏·没有帮助·· 作者保留权利
jeff liu，物理工程师
不知王赞同
上面对于感知这部分说的相当详细了，我来补充与局部路径规划和车辆控制，这个部分前面都没怎么提到。
局部路径规划就是给车辆一个无障碍的行驶路径，反应到车辆控制上就是一系列操控指令，使车辆按照预定规划的路径通过无障碍局部路径，这里有个难点，需要对车辆特性详细建模。因为不同的操控指令，反应在车辆行驶偏差会不同，因此需要对车辆特性进行详细标定，是车辆行驶轨迹不和局部路径规划。看一下目前很多车辆的自动泊车功能就会发现这个问题，车位不够宽裕的前提下，车子很难自动停进去，这是由于两个原因造成，一个是空间路径规划不够细致和最优，另外一个就是对车辆特性建模不足，导致系统认为停不进去或者碰撞风险较大。
发布于 2015-05-21添加评论感谢
收藏·没有帮助·· 作者保留权利
Heng Zhao，大波E儿
知乎用户赞同
老师上课的时候曾谈到过无人驾驶汽车会带来的除技术以外可能带来的道德问题。假设无人汽车遇到这样一个场景，事故已经无法避免，无人汽车面对两个选择，一是撞向一边的小孩，一是撞上一边的老人，机器无法代替人做出这样的选择。
发布于 2014-12-2310 条评论感谢
收藏·没有帮助·· 作者保留权利
知乎用户，比老板中国话说得好，比同事长得白
rainyday、知乎用户、知乎用户赞同
我觉得难点在于出了事故，谁来赔。
划分责任了，是写程序的赔还是坐在车里面的人赔？
发布于 2014-12-234 条评论感谢
收藏·没有帮助·· 作者保留权利
chen relen
RC CAI、李茅、张慕龙 等人赞同
康费分析了技术上的难点，说得都很对，但是各方面的发展都非常快，近几年来关于识别，无线，控制都有很大的进展，其实技术上并没有人们想象中的那么不成熟。而且随着人们的关注，今后会有大量的科研投入这相关的领域，相信技术上难点很快就能解决。 除去技术上的难点，这里说说还有成本，大众能否接受，与相关法律制定上的难点。
成本上，在无人驾驶核心的设备LIDAR系统上，2012年的价格约70000刀一套， IHS Automotive 的预测是有望在2025年降到8000刀，2035年降到3000刀. 加上其它的的无人驾驶配套设备，其价格就比帕萨特贵了好几倍。首先就是买不起的问题。
无人驾驶看起来很有趣，也能提高安全性。但有相信机器处理快是一回事，把自已性命交给机器来控制又是另一回事了。车主不放心让机器操作，没有使用无人驾驶车的司机害怕路上的无人驾驶车出问题， 行人也害怕因此反对。更重要的是，在中国，本来就人多，谁都不让谁，当别的司机或行人知道无人驾驶的车的BUG之后，无人驾驶车就难走动了，反正它见谁都是大爷，都得让。 特别是谷歌新开发的无人驾驶车，连方向盘都取消了。
与此相关的法律制定也是很大的难点。目前也只美国四个州有相关法律，欧盟有些国家的相关法律正在孕量当中。 中国很多比无人驾驶更重要的法律都很不完善，这方面估计要等欧美做好了再跟着学，估计需要法律制定的路还很长。
这个无人驾驶汽车，几乎所有能想到的汽车公司都在做，并不是只有谷歌一家， 连百度都跟BMW有技术合作。 也并不是只在美国，中国防科大前几年就试了一辆红旗车在京珠高速上跑了几百公里。英国，新加坡都有政府鼓励进行研究与测试。尽管有障碍和各种待解决的问题，相信这个领域的发展会非常快，也许快到超出我们的想象。
写到这里，想起1949年Popular Mechanics对计算机的预测：在很远的未来，计算机可能只需要要1000个真空管，可以轻到只有1.5吨！
编辑于 2014-12-234 条评论感谢
收藏·没有帮助·· 作者保留权利
知乎用户，科幻是男人的浪漫
王元祺赞同
按人工智能的逻辑顺序，大体可以分为以下几个方向：
一.信息采集
1、路况信息。传感器，采集路上的交通标示，车辆信息，路面信息，行人信息等等。
2、位置信息。GPS定位系统，以及地图。
3、车况信息。自身车辆当前的信息，比如车速。
4、规则信息。（就是交通规则，好像这个最简单了）
二.信息处理
1、信息识别。
将传感器接收的信息，进行识别，难点在于精确度，万一有个路人没识别出来，会出人命的。
2、策略。
个人觉得这是最难的地方。
决策的相关要素很多，通过信息识别出来的信息，要综合起来进行策略上的规划，信息数量越大，可选择的决策就越多，如何在众多的决策中，选取一个最优的，就成了大问题。即使是人脑，有时候都会做出错误的判断，更别说一个“模拟的人脑”了。
举例：
前方突然出现一个“东西”，距离很近，识别系统告诉电脑，这个“东西”有50%的可能是一个人。
那么，要么汽车减速，让传感器有足够的时间去提高识别率，确认那个“东西”到底是不是人。要么打方向盘，躲过去。要么汽车不减速，继续开过去。
前者，由于突然减速，可能造成后面汽车追尾，对自己造成危险。
中者，由于突然变向，可能造成和其他车辆的碰撞，对自己和他人造成危险。
后者，由于没有减速，一旦那个东西“确实”是人，可能对行人造成危险。
如何决策？
即使是人脑，恐怕当时都难以做出准确的决定吧。有人会猛踩刹车，有人没准打方向盘，有人可能真就直接开过去。
三.行为控制
这个就是电子和机械方面的东西，控制车按照策略进行移动。
编辑于 2014-12-26添加评论感谢
收藏·没有帮助·· 作者保留权利
知乎用户，自动驾驶/未来学/移动及互联网/新传媒/知…
最关键的不是技术，而是创意！
位置太低！解决问题的思路就窄！
【创意】改变世界！抢占世界巅峰
自动驾驶将很快成为最赚钱的行业！净利会比谷歌+苹果多的很多！
自动驾驶离实用还很远是因为谷歌研发思路和推广思维有问题！
创意可以解决研发和推广的问题，自动驾驶就能很快实用很快赚钱！
创意可以成为交通拥堵问题的最终解决方案！
创意可以从根本上改变互联网、移动互联网的格局！
库克Tim Cook：电动汽车行业正处于巨大变革的临界点。
我更想说：是颠覆世界格局的临界点！是抢占世界巅峰的临界点！
谷歌，现在叫字母表的拉瑞 佩奇Larry Page也许并没意识到这一点！
就会像错过社交网络一样错过自动驾驶的最佳时机！
苹果、谷歌的较量！谷歌技术领先、意识落后。很可能失败！
【创意】是1，寻找后面N位0改变世界！
编辑于 2016-01-23添加评论感谢
收藏·没有帮助·· 作者保留权利
知乎用户，雪瘾
一个难点在于“夜晚” “雨雪”的条件 和“晴天白天”完全不同。所有算法参数都要调整，但如何自动的调整 或者说如何自动检测环境情况 就很难了。
至于说laser很贵什么的 这都不是问题啊。Urban Challenge的时候 MIT那款车号称超便宜sensor装满车，难点只在data fusion。SICK laser肯定不会装在普及型无人车的，高富帅也许会要求定制。
编辑于 2014-12-231 条评论感谢
收藏·没有帮助·· 作者保留权利
霸独仪，在移动互联网里扑腾
记得看过一篇文章说无人驾驶车辆在遇到无法避免的碰撞时该怎么选择。
比如说前面有两个骑车的人，一个守法戴了头盔，被装后可能不会头部受伤死掉；另外一个不守法没戴头盔，撞了之后可能会挂。。那怎么择就是个问题了
发布于 2014-12-24添加评论感谢
收藏·没有帮助·· 作者保留权利
阿阿斯顿发，MAX
难点很多，还是天时地利人和，缺一不可
发布于 2015-11-30添加评论感谢
收藏·没有帮助·· 作者保留权利
知乎用户，无人机/计算机视觉
主要是传感器问题，即如何用可接受价格的传感器获得想要的可靠信息。
算法及软件部分，是可以很快解决的，至少是有章可寻的，无论是图像处理，还是导航及控制等前人路已经铺差不多了。但实际中遇到的情况可能超出它的假设，要保证它的鲁棒性，得不断的填BUG。
编辑于 2014-12-13添加评论感谢
收藏·没有帮助·· 作者保留权利
匿名用户
美国版木牛流马...
难点不在于这些技术，在于如何综合利用这些东西形成一辆鲁棒的车