在自動駕駛技術方面，有兩條不同的發展路線：

第一種是“漸進演化”的路線，也就是在今天的汽車上逐漸新增一些自動駕駛功能，例如特斯拉、寶馬、奧迪、福特等車企均採用此種方式，這種方式主要利用感測器，通過車車通訊（V2V）、車雲通訊實現路況的分析。

第二種是完全“革命性”的路線

從應用場景來看，第一種方式更加適合在結構化道路上測試，第二種方式除結構化道路外，還可用於軍事或特殊領域。

自動駕駛作為新技術要與汽車舊有載體做加法，那麼它需要哪些硬體配套呢？所有離開硬體光談自動駕駛都是耍流氓。

各類感測器並不一定會同時出現在一輛車上。某種感測器存在與否，取決於這輛車需要完成什麼樣的任務。如果只需要完成高速公路的自動駕駛，類似Tesla 的 AutoPilot 功能，那根本不需要使用到鐳射感測器；如果你需要完成城區路段的自動駕駛，沒有鐳射感測器，僅靠視覺是很困難的。

自動駕駛系統工程師要以任務為導向，進行硬體的選擇和成本控制。

控制器是汽車的大腦，演算法研究得較為成熟時，就可以將嵌入式系統作為控制器，比如Audi和TTTech共同研發的zFAS，目前已經應用在最新款Audi A8上量產車上了。

工控機與汽車底盤的互動必須通過專門的語言——CAN。從底盤獲取當前車速及方向盤轉角等資訊，需要解析底盤發到CAN總線上的資料；工控機通過感測器的資訊計算得到方向盤轉角以及期望車速後，也要通過 CAN卡 將訊息轉碼成底盤可以識別的訊號，底盤進而做出響應。

CAN卡可以直接安裝在工控機中，然後通過外部介面與CAN匯流排相連。

人類開車，從A點到B點，需要知道A點到B點的地圖，以及自己當前所處的位置，這樣才能知道行駛到下一個路口是右轉還是直行。

無人駕駛系統也一樣，依靠GPS+IMU就可以知道自己在哪（經緯度），在朝哪個方向開（航向），當然IMU還能提供諸如橫擺角速度、角加速度等更豐富的資訊，這些資訊有助於自動駕駛汽車的定位和決策控制。

感測器跟我們的PC或者嵌入式模組通訊時，會有不同的傳輸方式。

比如我們採集來自攝像機的影象資訊，有的是通過千兆網絡卡實現的通訊，也有的是直接通過視訊線進行通訊的。再比如某些毫米波雷達是通過CAN匯流排給下游傳送資訊的，因此我們必須編寫解析CAN資訊的程式碼。

不同的傳輸介質，需要使用不同的協議去解析這些資訊，這就是上文提到的“驅動層”。

通俗地講就是把感測器採集到的資訊全部拿到，並且編碼成團隊可以使用的資料。

感測器的資訊拿到後會發現不是所有資訊都是有用的。

感測器層將資料以一幀一幀、固定頻率傳送給下游，但下游是無法拿每一幀的資料去進行決策或者融合的。因為感測器的狀態不是100%有效的，如果僅根據某一幀的訊號去判定前方是否有障礙物（有可能是感測器誤檢了），對下游決策來說是極不負責任的。因此上游需要對資訊做預處理，以保證車輛前方的障礙物在時間維度上是一直存在的，而不是一閃而過。

這裡就會使用到智慧駕駛領域經常使用到的一個演算法——卡爾曼濾波。

座標轉換在智慧駕駛領域十分重要。

感測器是安裝在不同地方的，比如超聲波雷達（上圖中橘黃色小區域）是佈置在車輛周圍的；當車輛右方有一個障礙物，距離這個超聲波雷達有3米，那麼我們就認為這個障礙物距離車有3米嗎？

並不一定！因為決策控制層做車輛運動規劃時，是在車體座標系下做的（車體座標系一般以後軸中心為O點），所以最終所有感測器的資訊，都是需要轉移到自車座標系下的。

因此感知層拿到3m的障礙物位置資訊後，必須將該障礙物的位置資訊轉移到自車座標系下，才能供規劃決策使用。

資訊融合是指把相同屬性的資訊進行多合一操作。

比如攝像機檢測到了車輛正前方有一個障礙物，毫米波也檢測到車輛前方有一個障礙物，鐳射雷達也檢測到前方有一個障礙物，而實際上前方只有一個障礙物，所以我們要做的是把多感測器下這輛車的資訊進行一次融合，以此告訴下游，前面有一輛車，而不是三輛車。

這一層次主要設計的是拿到融合資料後，如何正確做規劃。規劃包含縱向控制和橫向控制。

縱向控制即速度控制，表現為 什麼時候加速，什麼時候制動。

橫向控制即行為控制，表現為 什麼時候換道，什麼時候超車等