2018年1月， 在美国洛杉矶高速公路上，一辆特斯拉轿车在Autopilot自动辅助驾驶模式下撞上了停在路边的消防车。在高速公路上行驶时，特斯拉自动驾驶汽车需要从8台摄像机、12个超声波传感器和一台雷达中接收数据，以避开其他车辆，保证正常行使，然而事故还是发生了。
通常，人们认为自动驾驶汽车技术能够最终让驾驶变得更加安全，这种观点很有道理。但是，上文中的事故表明，即使是今天的半自动驾驶汽车也会出现严重的故障。幸运的是，昆山杜克大学李昕教授等研究人员正在努力解决自动驾驶汽车技术上的根本问题，降低交通死亡率。
美国杜克大学、昆山杜克大学电子与计算机工程专业的李昕教授说：“几年前，我开始与几家美国汽车厂商讨论自动驾驶汽车所面临的问题。” 由于李昕教授同时在中美两地任教和开展科研，他也有机会与中国汽车厂商探讨自动驾驶技术的问题。
李昕教授说，全自动驾驶技术目前面临两大主要问题：验证问题和集成问题。
验证可以归结为一个两难问题：要确保安全，就必须首先了解哪些情况会导致故障。 李昕教授解释说：“对于行使在路上的自动驾驶汽车，系统失灵的发生率必须非常非常小。” 李昕教授的重点研究课题就是如何计算自动驾驶系统无法正常运作的故障率，以及如何进行修复。
如何计算自动驾驶系统的故障率？ 一种解决方案就是简单地让自动驾驶汽车在一个区域内行使，直到出现错误为止——例如，在停止标志前没能停下。但是，这些故障大都发生在非常罕见的情况下，技术人员称之为“偏僻个案”（想像一块巨石滚到山路上），这意味着传统方法将花费太多的时间，因而并不现实。
李昕教授解释说：“技术人员很难在每个偏僻个案中，观察所有可能的场景。那我们为什么不让计算机来合成所有可能的故障案例呢？” 李昕教授的团队不再等着自动驾驶系统由于种种意外的巧合出现问题，而是采用了独特的方法，使用智能计算机程序创建这些可能会导致故障的场景。这些程序使用统计模型和算法来生成各种情况，测试自动驾驶系统的反应。
李昕教授和团队于2018年11月在国际计算机辅助设计会议上发表论文，展示高温和老化的电路会降低自动驾驶汽车摄像头所采集的图像质量。该团队使用对抗神经网络（Generative Adversarial Networks）技术，合成图像数据，模拟在高温或老化电路情况下所采集的图像质量。自动驾驶系统在识别这些质量下降的图像时，准确度也会随之下降，很难正确地识别交通标志。通过计算机生成故障案例，李昕教授的研究可以让汽车厂商更精确地验证自动驾驶系统可能发生故障的频率。更重要的是，在哪种情况下系统可能会发生故障。李昕教授随后与汽车厂商合作，将这项新技术应用于自动驾驶汽车的硬件和软件中，提升其安全性。
另一方面，安装到自动驾驶车辆的部件越多，发生故障的几率就越高。这是自动驾驶汽车所面临的第二个技术障碍，即集成问题。自动驾驶汽车必须无缝地组合各种复杂的系统（防撞模块、交通信号灯识别系统等），同时还要以每小时80公里速度正常行驶。在随后的研究阶段，李昕教授将聚焦于如何确保自动驾驶汽车的所有组件能够快速、有效地合作运行。
李昕教授说：“这是一个重大的技术难题，我们还没有好的解决方案。”李昕教授希望，通过开发更集中的汽车计算系统可以在整合汽车功能方面迈出一大步。
李昕教授指出，自动驾驶汽车的开发和教育领域还面临着更为根本性的问题。传统的车辆设计仅涉及机械工程等相关领域，但设计自动驾驶车辆则涉及到人工智能、软件工程和系统集成等方面的广泛专业知识。我们需要采用新颖的跨学科方法来解决未来的难题。“我认为，对杜克大学以及昆山杜克大学这样的教育机构来说，培养跨学科的人才是非常重要的，这样他们毕业后就可以从事这些新兴领域的工作。”李昕教授说。
自动驾驶汽车领域的基础研究意味着巨大的风险和责任。“如果汽车厂商采用了我们的解决方案，我确实有责任保证这个方案的有效性……如果出现错误，可能会是人命关天的大事。”李昕教授坦白说。同时，这也是一个巨大的机会，得以研究自动驾驶汽车开发中的重要问题。“现在自动驾驶是一个新兴领域，存在许多尚未解决的问题。对于像我这样的研究人员来说，这也是非常令人兴奋的时刻。” 李昕教授说。
