來源：網絡
美國汽車工程師協會根據汽車智能化程度将自動駕駛分為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援，其餘由駕駛員操作；
- 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體架構如圖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）知層主要通過雷射雷達、毫米波雷達、超音波雷達、車載攝像頭、夜視系統、GPS、陀螺儀等傳感器擷取車輛所處環境資訊和車輛狀态資訊，具體來說包括：車道線檢測、紅綠燈識别、交通辨別牌識别、行人檢測、車輛檢測、障礙物識别和車輛定位等；決策規劃層則分為任務規劃、行為規劃和軌迹規劃，根據設定的路線規劃、所處的環境和車輛自身狀态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、刹車等）和路徑（行駛軌迹）；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，使車輛跟随所制定的行駛軌迹。
自動駕駛技術涉及較多的關鍵技術，本文主要介紹環境感覺技術、高精度定位技術、決策與規劃技術和控制與執行技術。
環境感覺指對于環境的場景了解能力，例如障礙物的類型、道路标志及标線、行車車輛的檢測、交通資訊等資料的語言分類。定位是對感覺結果的後處理，通過定位功能進而幫助車輛了解其相對于所處環境的位置。環境感覺需要通過傳感器擷取大量的周圍環境資訊，確定對車輛周圍環境的正确了解，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覺傳感器包括：攝像頭、雷射雷達、毫米波雷達、紅外線和超音波雷達等。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覺傳感器。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，實作車輛周圍的車輛和行人檢測以及交通标志識别等功能。
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）對目标物體進行檢測。毫米波雷達向外界連續發送毫米波信号，并接收目标傳回的信号，根據信号發出與接收之間的時間差确定目标與車輛之間的距離。是以，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、自适應巡航等。毫米波雷達的抗幹擾能力強，對降雨、沙塵、煙霧等離子的穿透能力要比雷射和紅外強很多，可全天候工作。但其也具有信号衰減大、容易受到建築物、人體等的阻擋，傳輸距離較短，分辨率不高，難以成像等不足。
雷射雷達也是通過ToF技術來确定目标位置與距離的。雷射雷達是通過發射雷射束來實作對目标的探測，其探測精度和靈敏度更高，探測範圍更廣，但雷射雷達更容易受到空氣中雨雪霧霾等的幹擾，其高成本也是制約其應用的主要原因。車載雷射雷達按發射雷射束的數量可分為單線、4線、8線、16線和64線雷射雷達。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。
自動駕駛環境感覺通常采用“弱感覺+超強智能”和“強感覺+強智能”兩大技術路線。其中“弱感覺+超強智能”技術是指主要依賴攝像頭與深度學習技術實作環境感覺，而不依賴于雷射雷達。這種技術認為人類靠一雙眼睛就可以開車，那麼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，為實作無人駕駛，那就需要增強感覺能力，這就是所謂的“強感覺+強智能”技術路線。
相比“弱感覺+超強智能”技術路線，“強感覺+強智能”技術路線的最大特征就是增加了雷射雷達這個傳感器，進而大幅提高感覺能力。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“強感覺+強智能”技術路線。
定位的目的是擷取自動駕駛車輛相對于外界環境的精确位置，是自動駕駛車輛必備的基礎。在複雜的地市道路行駛，定位精度要求誤差不超過10 cm。例如：隻有準确知道車輛與路口的距離，才能進行更精确的預判和準備；隻有準确對車輛進行定位，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，其精度隻有米級且容易受到隧道遮擋、信号延遲等因素的幹擾。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全球導航衛星、攝像頭、IMU慣性導航和輪速傳感器等多個汽車部件的資訊，通過各傳感器之間的互相校準和資料融合，實作精确到車道線的全球實時定位。
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資訊，然後根據駕駛需求進行任務決策，接着能夠在避開存在的障礙物前提之下，通過一些特定的限制條件，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，作為車輛行駛軌迹，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，全局規劃是由擷取到的地圖資訊，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。
如栅格法、可視圖法、拓撲法、自由空間法、神經網絡法等靜态路徑規劃算法。局部規劃的則是根據全局的規劃，在一些局部環境資訊的基礎之上，能夠避免碰撞一些未知的障礙物，最終達到目的目标點的過程。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、虛拟力場法、遺傳算法等動态路徑規劃算法等。
決策規劃層是自主駕駛系統，智能性的直接展現，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，智能駕駛系統的各子產品之間次序分明，上一個子產品的輸出即為下一子產品的輸入，是以又稱為感覺規劃行動結構。但這種結構可靠性并不高，一旦某個子產品出現軟體或者硬體故障，整個資訊流就會受到影響，整個系統很有可能發生崩潰，甚至處于癱瘓狀态。
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，是以它所産生的動作就是傳感資料直接作用的一個結果，可以突出感覺動作的特點，适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，是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，因而可以産生快速的響應，實時性比較強，同時每一層隻需要負責系統的某一個行為，整個系統可以友善靈活的實作低層次到高層次的一個過渡，而且如若其中一個子產品出現了預料之外的故障，剩下的層次，仍然可以産生有意義的動作，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，同意執行機構争奪之間的沖突，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複雜多變的使用要求，是以越來越多的行業人士開始研究混合式的體系結構，将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标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标搜尋的反應式體系的行為。
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，實作了縱向和橫向自動控制，就可以按給定目标和限制自動控制車運作。
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後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、汽車運作模型和刹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，目标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适和穩定。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拟的方法（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資料訓練控制器擷取控制算法）；另一種是給予汽車橫向運動力學模型的控制方法（需要建立精确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）
除上述介紹的環境感覺、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、高性能晶片、通信技術、傳感器技術、車輛控制技術、大資料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。
|新能源汽車|充電樁|電動車|智慧停車|智慧園區|
|人工智能|視覺算法|大資料物聯網|車聯網
|智慧資訊化系統|解決方案|營運平台建設|
華遠系統是緻力于人工智能（AI算法以及流媒體技術），資訊軟體技術，新能源、物聯網等領域的內建商，在智慧社群，智慧園區，智慧停車，新能源及充電樁軟體管理平台，車聯網有整套解決方案以及成功的項目案例。
說明：本文章所引用的資料均通過網際網路等公開管道合法擷取，僅作為行業交流和學習使用，并無任何商業目的。其版權歸原資料作者或出版社所有，小編不對所涉及的版權問題承擔任何法律責任。若版權方、出版社認為本文章侵權，請立即聯系小編删除。