智能汽車中的智能化技術，可分為3 個子產品：環境感覺層、決策規劃層和運動控制層。環境感覺層利用環境感覺傳感器(視覺傳感器、雷射雷達、毫米波雷達、超音波雷達、裡程計、GPS 等)感覺車輛行駛環境資訊，利用車輛自身狀态傳感器(如輪速檢測等)感覺車輛自身狀态。經過智能化模型處理後，感覺出車輛周圍環境(如絕對位置、車道線、周圍車輛相對位置、行人位置、動态靜态障礙物類型和位置、行為預測等)，決策規劃層按照駕駛決策算法将空間、時間上的獨立資訊、互補資訊和備援資訊進行了解，根據實時感覺到的車輛周圍環境資訊，實時決策車輛可執行的駕駛指令并規劃出行程軌迹。運動控制層接收決策規劃層的駕駛指令，控制車輛穩定運作的同時保證車輛的控制精度。 随機性和模糊性導緻不确定性是人類思維活動中最基本的特性。對人類思維模拟、研究的人工智能技術，也具有不确定性的特點。
基于視覺的感覺算法 1) 目标檢測算法 目标檢測的任務是找出圖像或視訊中的感興趣物體，同時檢測出它們的位置和大小，是機器視覺領域的核心問題之一，至今已有将近二十年的研究曆史。作為計算機視覺的基本問題，目标檢測構成了許多計算機視覺任務的基礎，目前目标檢測算法已廣泛應用于許多現實世界的應用，如智能駕駛、機器人視覺、視訊監控等。從2012 年開始，因大資料技術和硬體計算能力的提升，卷積神經網絡(convolutional neural networks, CNN)再一次受到研究者的關注，CNN 提取到的特征和傳統手工特征相比，具有更魯棒和更深層的特性，這也引導研究者将CNN 應用到目标檢測領域中。用深度學習解決目标檢測算法，可被分為兩組：兩階段法和一階段法。兩階段法采用“由粗到細”的檢測政策，而一階段法利用神經網絡模型，一步完成檢測任務。
2) 車道線檢測算法 基于視覺的車道線檢測技術已經廣泛應用于輔助駕駛系統，如駕駛員熟悉的私家車車道保持功能，駕駛車輛時，如果車輛壓在車道線上太久，則駕駛輔助系統會提醒駕駛員調整車輛位置。
3) 目标跟蹤算法 視覺跟蹤通過在連續的視訊圖像序列中估計感興趣目标的位置或所在區域，結合曆史運動資訊，預測其未來的運動資訊，對智能車分析了解其周圍環境至關重要。線上視覺跟蹤的基本框圖如圖1所示。
4) 行為預測算法 行為預測功能會根據目前以及曆史感覺來預測智能車周圍其他運動物體(如其他車輛、行人、非機動車等)的未來運動軌迹。為使智能車在道路上安全有效地行駛，智能汽車不僅應感覺其周圍其他運動元素的狀态，還應主動預測其未來的運動軌迹，有助于智能車提前做出最優決策。機器學習尤其是深度學習的最新進展為解決智能車行為預測提供了有力工具。
預期功能安全基于場景來進行分析，ISO/PAS 21448 标準将場景劃分為如圖2 所示的4 個區間，分别為：1)已知-安全場景；2)已知-危險場景；3)未知-危險場景；4)未知-安全場景。預期功能安全研究的目的是将已知危險區域和未知危險區域縮小至可接收的範圍内，即保證場景盡可能控制在安全區域。
