根據汽車智能化程度，美國汽車工程師協會將自動駕駛分為六個等級:L0為無自動化(NA)，即傳統汽車，駕駛員執行所有操作任務，如轉向、制動、加速、減速或停車。L1為駕駛助手(DA)，可為駕駛員提供駕駛預警或輔助，如支持方向盤或加減速壹項操作，其余由駕駛員操作；L2是部分自動化(PA)。車輛為方向盤中的許多操作以及加速和減速提供駕駛，駕駛員負責其他駕駛操作。L3為條件自動化(CA)，即大部分駕駛操作由自動駕駛系統完成，緊急情況下駕駛員需要全神貫註於此。L4是高自動化(HA)，所有駕駛操作都由車輛完成。駕駛員不需要集中註意力，而是限制道路和環境條件。L5是全自動化(FA)。在任何道路和環境條件下，所有駕駛操作都由自動駕駛系統完成，駕駛員無需集中註意力。
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的環境信息和車輛狀態信息。具體包括車道線檢測、紅綠燈識別、交通標誌識別、行人檢測、車輛檢測、障礙物識別和車輛定位。決策規劃層分為任務規劃、行為規劃和軌跡規劃。根據設定的路線規劃、環境和車輛本身的狀態，下壹步具體的駕駛任務(車道保持、變道、跟車、超車、防撞等。)、行為(加速、減速、轉彎、剎車等。)和路徑(行駛軌跡)進行規劃。控制層和執行層基於車輛動力學系統模型控制車輛的行駛、制動和轉向，使車輛按照既定的行駛軌跡行駛。
自動駕駛技術涉及很多關鍵技術。本文主要介紹了環境感知技術、高精度定位技術、決策與規劃技術以及控制與執行技術。
環境感知是指對場景環境的理解能力，如對障礙物的類型、道路標誌和標線、車輛的檢測、交通信息和其他數據語言的分類。定位是對感知結果的後處理，通過定位功能幫助車輛知道自己相對於環境的位置。環境感知需要通過傳感器獲取周圍環境的大量信息，以保證對車輛周圍環境的正確認識，並以此為基礎做出相應的計劃和決策。
自動駕駛車輛常見的環境傳感器包括:攝像頭、激光雷達、毫米波雷達、紅外和超聲波雷達。攝像頭是自動駕駛車輛最常用、最簡單、最接近人眼成像原理的。通過實時拍攝車輛周圍的環境，並利用CV技術對拍攝的圖像進行分析，實現車輛和行人檢測以及車輛周圍交通標誌識別的功能。這種照相機的主要優點是分辨率高，成本低。但在夜間、雨雪、霧霾等惡劣天氣下，相機的性能會迅速下降。另外，相機能觀察的距離有限，不擅長遠距離觀察。毫米波雷達也是自動駕駛車輛常用的傳感器。毫米波雷達是指工作在毫米波段(波長1-10 mm，頻域30-300GHz)，基於ToF技術探測目標物體的雷達。毫米波雷達不斷向外界發射毫米波信號，接收目標返回的信號，根據信號發送和接收的時間差確定目標與車輛的距離。因此，毫米波雷達主要用於避免汽車與周圍物體的碰撞，如盲點檢測、避障輔助、泊車輔助、自適應巡航等。毫米波雷達抗幹擾能力強，對降雨、灰塵、霧霾等離子體的穿透能力遠強於激光和紅外，可以全天工作。但也存在信號衰減大、易被建築物和人體遮擋、傳輸距離短、分辨率低、成像困難等缺點。激光雷達也使用ToF技術來確定目標的位置和距離。激光雷達通過發射激光束來探測目標，探測精度和靈敏度更高，探測範圍更廣。但激光雷達更容易受到空中雨雪霧的幹擾，成本高也是制約其應用的主要原因。車載激光雷達根據發射的激光束數量可分為單線、四線、八線、16線和64線激光雷達。可以通過下表(表1)對比主流傳感器的優缺點。
自動駕駛環境感知通常采用“弱感知+超智能”和“強感知+強智能”兩種技術路線。其中“弱感知+超智能”的技術是指主要依靠攝像頭和深度學習技術實現環境感知，而不是依靠激光雷達。這項技術認為人類可以用壹雙眼睛駕駛，所以汽車也可以用攝像頭看到周圍。如果超級智能暫時難以實現，要想實現無人駕駛，就要增強感知能力，也就是所謂的“強感知+強智能”技術路線。與“弱感知+超智能”技術路線相比，“強感知+強智能”技術路線的最大特點是加入了激光雷達傳感器，從而大大提高了感知能力。特斯拉采用的是“智障+超級智能”的技術路線，而谷歌Waymo、百度Apollo、優步、福特汽車公司等人工智能企業以及傳統車企都采用的是“強感知+強智能”的技術路線。
定位的目的是獲得自動駕駛車輛相對於外界環境的準確位置，這是自動駕駛車輛的必要依據。在城鎮復雜道路上行駛時，要求定位精度誤差不超過10 cm。比如，只有準確知道車輛與路口的距離，才能做出更準確的預測和準備；只有準確定位車輛，才能判斷出車輛所在的車道。如果定位誤差大，嚴重時會造成完全的交通事故。GPS是目前應用最廣泛的定位方法。GPS的精度越高，GPS傳感器就越貴。但目前商用GPS技術的定位精度遠遠不夠，其精度只有幾米，而且容易受到隧道遮擋、信號延遲等因素的幹擾。為了解決這個問題，高通開發了壹種基於視覺增強的高精度定位(VEPP)技術。該技術通過整合GNSS全球導航衛星、相機、IMU慣性導航和輪速傳感器的信息，並通過傳感器之間的相互校準和數據融合，可以實現精確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壹。它首先融合多傳感器信息，然後根據駕駛需求做出任務決策。然後在避開現有障礙物的前提下，通過壹些特定的約束，它可以在兩點之間規劃出多條可供選擇的安全路徑，並在這些路徑中選擇壹條最優路徑作為車輛軌跡，這就是規劃。根據劃分層次的不同，可以分為全局規劃和局部規劃。全局規劃是從獲得的地圖信息中規劃出特定條件下的無碰撞最優路徑。比如上海到北京的路有很多，規劃壹條作為行車路線就是整體規劃。如網格法、可見性法、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是基於整體規劃和局部的壹些環境信息，避免與壹些未知障礙物發生碰撞並最終到達目標點的過程。比如從上海到北京的整體規劃路線上會有其他車輛或障礙物。如果要避開這些障礙物或車輛，就需要轉彎調整車道。這是局部路徑規劃。局部路徑規劃的方法包括:人工勢場法、矢量場直方圖法、虛擬力場法、遺傳算法等動態路徑規劃算法。
決策規劃層是自動駕駛系統智能化的直接體現，對行車安全和整車起著決定性的作用。常見的決策規劃架構包括層級遞進式、反應式和混合式。
分級漸進架構是壹個系列系統的結構。在這個系統中，智能駕駛系統的各個模塊是有明確的順序的，前壹個模塊的輸出是下壹個模塊的輸入，所以也叫感知規劃動作結構。但是，這種結構的可靠性不高。壹旦某個模塊在軟件或硬件上出現故障，整個信息流都會受到影響，整個系統很可能崩潰甚至癱瘓。
反應式架構采用並行結構，控制層可以基於傳感器的輸入直接做出決策，因此其產生的動作是感知數據直接作用的壹個結果，可以突出感知動作的特點，適用於完全陌生的環境。反應式架構中的很多行為主要涉及成為壹個簡單的特殊任務，所以感覺規劃和控制可以緊密結合，占用的存儲空間也不大，所以可以產生快速響應，實時性強。同時，每壹層只需要負責系統的某壹行為，整個系統就可以輕松靈活地實現從低級到高級的過渡。此外，如果其中壹個模塊意外失敗，剩余的層仍然可以生成有意義的操作，並且系統的健壯性得到了極大的提高。困難在於，由於系統執行動作的靈活性，需要特定的協調機制來解決控制回路之間的沖突，並同意執行器之間的競爭，以便獲得有意義的結果。
無論是分層系統的結構還是反應式系統的結構，都各有優缺點，單獨使用很難滿足復雜多變的駕駛環境的使用要求。因此，越來越多的業內人士開始研究混合架構，有效地結合兩者的優勢，在全局規劃層面產生面向目標定義的分層行為，在局部規劃層面產生面向目標搜索反應式系統的行為。
自動駕駛控制的核心技術是車輛的縱向控制、橫向控制、縱向控制、驅動和制動控制，而橫向控制是方向盤角度的調整和輪胎力的控制。通過實現縱向和橫向的自動控制，可以按照給定的目標和約束自動控制車輛。
車輛縱向控制是在行駛速度方向上的控制，即自動控制車速和車輛與前後車輛或障礙物的距離。巡航控制和緊急制動控制都是自動駕駛的典型縱向控制案例。這類控制問題可以歸結為電機驅動、發動機、變速器和制動系統的控制。將各種電機-發動機-傳動系統模型、汽車行駛模型和制動過程模型與不同的控制器算法相結合，形成各種縱向控制模式。
車輛的橫向控制是指垂直於運動方向的控制，目標是控制車輛自動保持期望的行駛路線，在不同的速度、載荷、風阻和路況下具有良好的平順性和穩定性。車輛橫向控制的基本設計方法有兩種，壹種是基於駕駛員模擬(另壹種是用簡單的動力學模型和駕駛員控制規則設計控制器；另壹種是用駕駛員操縱過程的數據訓練控制器獲得控制算法)；另壹種是給出汽車橫向運動力學模型的控制方法(需要建立準確的汽車橫向運動模型)。典型的車型，比如單軌車型，認為車左右兩側的特點是壹樣的。
除了上述的環境感知、精確定位、決策規劃和控制執行，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、大數據技術等多個領域的結合，落地技術難度大。此外，當自動駕駛技術落地時，需要建立符合自動駕駛要求的基礎交通設施，並考慮有關自動駕駛的法律法規。
參考資料:
1.張芳。極端工況下自動駕駛車輛的軌跡規劃與運動控制【博士】:清華大學；2018.
2.陳文強。基於復雜工況的高精度可預測自動駕駛環境認知方法【博士】:清華大學；2018.
3.張欣。無人駕駛感知輔助系統的研究與仿真【碩士】:北京交通大學；2019.
4.陳艷珍。無人環境感知系統及障礙物檢測研究【碩士】:天津大學；2018.