美國汽車工程師協會根據汽車智能化程度將自動駕駛分為L0-L5共6個等級：

• L0為無自動化（No Automation， NA），即傳統汽車，駕駛員執行所有的操作任務，例如轉向、制動、加速、減速或泊車等；
• L1為駕駛輔助(Driving Assistant， DA)，即能為駕駛員提供駕駛預警或輔助等，例如對方向盤或加速減速中的一項操作提供支持，其余由駕駛員操作；
• L2為部分自動化（Partial Automation，PA），車輛對方向盤和加減速中的多項操作提供駕駛，駕駛員負責其他駕駛操作；
• L3為條件自動化（Conditional Automation，CA），即由自動駕駛系統完成大部分駕駛操作，駕駛員需要集中注意力以備不時之需；
• L4為高度自動化（High Automation，HA），由車輛完成所有駕駛操作，駕駛員不需要集中注意力，但限定道路和環境條件；
• L5為完全自動化（Full Automation， FA），在任何道路和環境條件下，由自動駕駛系統完成所有的駕駛操作，駕駛員不需要集中注意力。

自動駕駛汽車的軟硬件架構如圖2所示，主要分為環境認知層、決策規劃層、控制層和執行層。環境認（感）知層主要通過激光雷達、毫米波雷達、超聲波雷達、車載攝像頭、夜視系統、GPS、陀螺儀等傳感器獲取車輛所處環境信息和車輛狀態信息，具體來說包括：車道線檢測、紅綠燈識別、交通標識牌識別、行人檢測、車輛檢測、障礙物識別和車輛定位等；決策規劃層則分為任務規劃、行為規劃和軌跡規劃，根據設定的路線規劃、所處的環境和車輛自身狀態等規劃下一步具體行駛任務（車道保持、換道、跟車、超車、避撞等）、行為（加速、減速、轉彎、剎車等）和路徑（行駛軌跡）；控制層及執行層則基于車輛動力學系統模型對車輛驅動、制動、轉向等進行控制，使車輛跟隨所制定的行駛軌跡。

自動駕駛技術涉及較多的關鍵技術，本文主要介紹環境感知技術、高精度定位技術、決策與規劃技術和控制與執行技術。

環境感知技術

環境感知指對于環境的場景理解能力，例如障礙物的類型、道路標志及標線、行車車輛的檢測、交通信息等數據的語言分類。定位是對感知結果的后處理，通過定位功能從而幫助車輛了解其相對于所處環境的位置。環境感知需要通過傳感器獲取大量的周圍環境信息，確保對車輛周圍環境的正確理解，并基于此做出相應的規劃和決策。

自動駕駛車輛常用的環境感知傳感器包括：攝像頭、激光雷達、毫米波雷達、紅外線和超聲波雷達等。攝像頭是自動駕駛車輛最常用、最簡單且最接近人眼成像原理的環境感知傳感器。通過實時拍攝車輛周圍的環境，采用CV技術對所拍攝圖像進行分析，實現車輛周圍的車輛和行人檢測以及交通標志識別等功能。

攝像頭的主要優點在于其分辨率高、成本低。但在夜晚、雨雪霧霾等惡劣天氣下，攝像頭的性能會迅速下降。此外攝像頭所能觀察的距離有限，不擅長于遠距離觀察。

毫米波雷達也是自動駕駛車輛常用的一種傳感器，毫米波雷達是指工作在毫米波段（波長1-10 mm ，頻域30-300GHz）的雷達，其基于ToF技術（Time of Flight）對目標物體進行檢測。毫米波雷達向外界連續發送毫米波信號，并接收目標返回的信號，根據信號發出與接收之間的時間差確定目標與車輛之間的距離。因此，毫米波雷達主要用于避免汽車與周圍物體發生碰撞，如盲點檢測、避障輔助、泊車輔助、自適應巡航等。毫米波雷達的抗干擾能力強，對降雨、沙塵、煙霧等離子的穿透能力要比激光和紅外強很多，可全天候工作。但其也具有信號衰減大、容易受到建筑物、人體等的阻擋，傳輸距離較短，分辨率不高，難以成像等不足。

激光雷達也是通過ToF技術來確定目標位置與距離的。激光雷達是通過發射激光束來實現對目標的探測，其探測精度和靈敏度更高，探測范圍更廣，但激光雷達更容易受到空氣中雨雪霧霾等的干擾，其高成本也是制約其應用的主要原因。車載激光雷達按發射激光束的數量可分為單線、4線、8線、16線和64線激光雷達。可以通過下面這個表格（表1），對比主流傳感器的優勢與不足。

自動駕駛環境感知通常采用“弱感知+超強智能”和“強感知+強智能”兩大技術路線。其中“弱感知+超強智能”技術是指主要依賴攝像頭與深度學習技術實現環境感知，而不依賴于激光雷達。這種技術認為人類靠一雙眼睛就可以開車，那么車也可以靠攝像頭來看清周圍環境。如果超強智能暫時難以達到，為實現無人駕駛，那就需要增強感知能力，這就是所謂的“強感知+強智能”技術路線。

相比“弱感知+超強智能”技術路線，“強感知+強智能”技術路線的最大特征就是增加了激光雷達這個傳感器，從而大幅提高感知能力。特斯拉采用“弱智能+超強智能”技術路線，而谷歌Waymo、百度Apollo、Uber、福特汽車等人工智能企業、出行公司、傳統車企都采用“強感知+強智能”技術路線。

高精度定位技術

定位的目的是獲取自動駕駛車輛相對于外界環境的精確位置，是自動駕駛車輛必備的基礎。在復雜的地市道路行駛，定位精度要求誤差不超過10 cm。例如：只有準確知道車輛與路口的距離，才能進行更精確的預判和準備；只有準確對車輛進行定位，才能判斷車輛所處的車道。如果定位誤差較高，嚴重時會造成交通完全事故。

GPS是目前最廣泛采用的定位方法，GPS精度越高，GPS傳感器的價格也越昂貴。但目前商用GPS技術定位精度遠遠不夠，其精度只有米級且容易受到隧道遮擋、信號延遲等因素的干擾。為了解決這個問題，Qualcomm開發了基于視覺增強的高精度定位（VEPP）技術，該技術通過融合GNSS全球導航、攝像頭、IMU慣性導航和輪速傳感器等多個汽車部件的信息，通過各傳感器之間的相互校準和數據融合，實現精確到車道線的全球實時定位。

決策與規劃技術

決策規劃是自動駕駛的關鍵部分之一，它首先是融合多傳感器信息，然后根據駕駛需求進行任務決策，接著能夠在避開存在的障礙物前提之下，通過一些特定的約束條件，規劃出兩點之間多條可以選擇的安全路徑，并在這些路徑當中選擇一條最優的路徑，作為車輛行駛軌跡，那就是規劃。按照劃分的層面不同，可以分為全局規劃和局部規劃兩種，全局規劃是由獲取到的地圖信息，規劃出一條在特定條件之下的無碰撞最優路徑。例如，從上海到北京有很多條路，規劃出一條作為行駛路線即為全局規劃。

如柵格法、可視圖法、拓撲法、自由空間法、神經網絡法等靜態路徑規劃算法。局部規劃的則是根據全局的規劃，在一些局部環境信息的基礎之上，能夠避免碰撞一些未知的障礙物，最終達到目的目標點的過程。例如，在全局規劃好的上海到北京的那條路線上會有其他車輛或者障礙物，想要避過這些障礙物或者車輛，需要轉向調整車道，這就是局部路徑規劃。局部路徑規劃的方法包括：人工勢場法、矢量域直方圖法、虛擬力場法、遺傳算法等動態路徑規劃算法等。

決策規劃層是自主駕駛系統，智能性的直接體現，對車輛的行駛安全性和整車起到了決定性的作用，常見的決策規劃體系結構，有分層遞進式，反應式，以及二者混合式。

分層遞進式體系結構，就是一個串聯系統的結構，在該系統當中，智能駕駛系統的各模塊之間次序分明，上一個模塊的輸出即為下一模塊的輸入，因此又稱為感知規劃行動結構。但這種結構可靠性并不高，一旦某個模塊出現軟件或者硬件故障，整個信息流就會受到影響，整個系統很有可能發生崩潰，甚至處于癱瘓狀態。

反應式體系結構采用并聯的結構，控制層都可以直接基于傳感器的輸入進行決策，因此它所產生的動作就是傳感數據直接作用的一個結果，可以突出感知動作的特點，適用于完全陌生的環境。反應式體系結構中的許多行為主要涉及成為一個簡單的特殊任務，所以感覺規劃控制可以緊密的結合在一塊，占用的儲存空間并不大，因而可以產生快速的響應，實時性比較強，同時每一層只需要負責系統的某一個行為，整個系統可以方便靈活的實現低層次到高層次的一個過渡，而且如若其中一個模塊出現了預料之外的故障，剩下的層次，仍然可以產生有意義的動作，系統的魯棒性得到了很大的提高，難點在于，由于系統執行動作的靈活性，需要特定的協調機制來解決各個控制回路，同意執行機構爭奪之間的沖突，以便得到有意義的結果。

分層遞階式系統的一個結構和反應式體系的結構，都各自有優劣，都難以單獨的滿足行駛環境復雜多變的使用要求，所以越來越多的行業人士開始研究混合式的體系結構，將兩者的優點進行有效的結合，在全局規劃的層次上生成面向目標定義的分層式遞階行為，在局部規劃的層面上就生成面向目標搜索的反應式體系的行為。

控制與執行技術

自動駕駛的控制核心技術就是車輛的縱向控制，橫向控制，縱向控制及車輛的驅動和制動控制，而橫向控制的就是方向盤角度的調整以及輪胎力的控制，實現了縱向和橫向自動控制，就可以按給定目標和約束自動控制車運行。

車輛按照縱向控制是在行車速度方向上的控制，即車速以及本車與前后車或障礙物距離的自動控制。巡航控制和緊急制動控制都是典型的自動駕駛縱向控制案例。這類控制問題可歸結為對電機驅動、發動機、傳動和制動系統的控制。各種電機-發動機-傳動模型、汽車運行模型和剎車過程模型與不同的控制器算法結合，構成了各種各樣的縱向控制模式。

車輛的橫向控制就是指垂直于運動方向的控制，目標是控制汽車自動保持期望的行車路線，并在不同的車速、載荷、風阻、路況下有很好的乘坐舒適和穩定。車輛橫向控制主要有兩種基本設計方法，一種是基于駕駛員模擬的方法（一種是使用用較簡單的動力學模型和駕駛員操縱規則設計控制器；另一種是用駕駛員操縱過程的數據訓練控制器獲取控制算法）；另一種是給予汽車橫向運動力學模型的控制方法（需要建立精確的汽車橫向運動模型。典型模型如單軌模型，該模型認為汽車左右兩側特性相同）

總結

除上述介紹的環境感知、精準定位、決策規劃和控制執行之外，自動駕駛汽車還涉及到高精度地圖、V2X、自動駕駛汽車測試等關鍵技術。自動駕駛技術是人工智能、高性能芯片、通信技術、傳感器技術、車輛控制技術、大數據技術等多領域技術的結合體，落地技術難度大。除此之外，自動駕駛技術落地，還要建立滿足自動駕駛要求的基礎交通設施，并考慮自動駕駛方面的法律法規等。