一、汽车自动驾驶技术基础知识
1.0感知系统
感知系统，是用摄像头（眼睛）看前面的路，还在用雷达（耳朵）听车周围（前、后、左右）的车、人及实体的，甚至会用信息识别单元（大脑）在分析、判断。感知系统由三部分组成，传感器、高精度地图、信息识别单元等。
（1）传感器，主要有光学摄像头和雷达，相当人的眼睛和耳朵，其主要功能是车辆收集周围的“即时信息”。为无人驾驶车辆提供完整、准确的环境数据，长用的传感设备包括：
(a)光学摄像头；(b)光学雷达（LiDAR）；(c)微波雷达；(d)导航系统等。
（2）高精度地图，提供的环境信息中相对固定、更新周期较长的信息,比如车道标记、路缘、交通信号灯等；
（3）信息识别单元，对传感器接收到信息，利用深度学习等手段，对信息进行识别，目前对外界事物进行准确识别基本算法和技术有：误差反向传播算法和先进的数字摄像技术。
1.1摄像头是众多预警、识别类ADAS功能的基础
1）摄像头的主要应用
车载摄像头对于智能驾驶是必不可少设备，主要应用于：车道偏离预警（LDW）、车道保持辅助（LKA）、前向碰撞预警（FCW） 行人碰撞预警（PCW）、全景泊车（SVP）、驾驶员疲劳预警、交通标志识别（TSR）。
2）光学摄像头优缺点
光学摄像头是最常用的车载传感器，同时价格最便宜，是场景解读的绝佳工具，优点是能分辨颜色，缺点是：
（a)对光线过于敏感，比如过暗或过强的光线以及二者之间的快速切变，都足以影响它的成像的效果，尤其是车辆驶入和驶出隧道，更为明显；
(b)没有立体视觉效果时，缺乏“深度“，无法判断物体和相机（车辆））间的距离。
3）光学摄像头，按安装位置不同的分类
车载摄像头布置位置（见图1）主要包括内视摄像头、后视摄像头、前置摄像头、侧视摄像头、环视摄像头等。韩国最大的车载摄像头制造商Mcnex公司预测，当摄像头成功取代侧视镜时，汽车上的摄像头数量将达到12个。
图1 车载摄像头布置位置
(a)其中前视摄像头使用频率最高，一般为广角镜头，安装在车内前挡风玻璃上较高的位置或者后视镜上，以实现较远的有效距离；
(b)单一摄像头可实现多重功能，如行车记录、车道偏离预警、前向碰撞预警、行人识别等；(c)单一前视摄像头，通过算法开发优化，可以实现多重功能，通过算法整合，实现更多ADAS功能；
(d)单车多摄像头将成为趋势。要实现全套ADAS功能，单车需配备至少5个摄像头。 特斯拉Autopilot 2.0的硬件系统中就包含8个摄像头。
4）摄像头的感光元件（CMOS）
摄像头的感光元件，分CMOS和CCD两种，在百万像素内，两者的感光效果差距是不大。CCD价格相对昂贵，而CMOS具有节能、成本低廉等特点，CMOS，是车载车载摄像头目前首选的感光元件。
5）车载摄像头的特殊要求
车载摄像头，工艺与技术门槛较高，除了对模组和封装要求较高，且对稳定性以及规格上也有特殊要求：
（a)对车辆后方与侧面进行摄影的模块，能够抑制低照度摄影时的噪声，即使是在晚上，也必须能很容易地捕捉到影像；
(b)车载摄像头模块，水平视角扩大为25°~135°，要实现广角以及影像周边部位的高解析度（注意：手机中摄像头模块的水平视角大多为55°左）；
(c)车载摄像头模块的机身，要求抑制电磁干扰、机械强度好、有一点耐高温性;
(d)车载摄像头模组，是关乎行车安全的组件，还必须能在供电系统暂时断电时可靠地工作。
1.2图像信号处理器ISP及核心算法
1）图像信号处理器ISP
ISP是对前端图像传感器输出信号处理的单元，其架构为逻辑部分以及运营在其上的firmware（固件）。ISP有独立和集成两种方案，独立ISP芯片性能强大，在短期内仍是主流，但成本较高。CMOS传感器集成（内置）ISP的集成产品（见图3），成本低、面积小、功耗低、但能够完成的算法相对简单，处理能力较弱，后期在处理能力上有望实现新突破。
图3 图像信号处理器ISP
其功能包括3A、坏点校正、去燥、强光抑制、背光补偿、色彩增强、镜头阴影校正等处理。
2）图像信号核心算法芯片
目前，主流算法芯片方案主要包括：
（a)嵌入式方案,如ARM、DSP、ASIC、MCU、SOC、FPGA、GPU等，其中ARM、DSP、ASIC、MCU、SOC是软件编程的，难以满足ADAS视觉系统中对响应速度的要求；
(b)直接编程处理方案,如现场可编程门阵列（FPGA）是可编程器件，速度较高。FPGA编程和优化都是直接在硬件层面进行的，能耗会低很多，在平衡算法和处理速度，尤其是用于前装并且算法稳定时，FPGA被视为一个推荐方案。
目前对核心算法芯片的要求：
(a)芯片，必须达到车规级的标准，即道路车辆功能安全标准中的ASIL—B甚至ASIL—D级别；
(b)高宽带，特别是多传感器融合的芯片，需要更高的芯片频率，以及异构设计;
(c)硬件的深度学习设计，满足人工智能计算模型要求；
(d)较低的成本和能耗，以实现在智能汽车领域的推广。
3）深度学习法
(a)深度学习，其概念源于人工神经网络的研究，是机器学习中一种基于对数据进行表征学习的方法。
(b)深度学习，含多隐层的多层感知器就是一种深度学习结构。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等;
(c)深度学习，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示;
(d)深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
(e)卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能;
(f)深度机器学习方法，也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同。例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。
1.3）现场可编程门阵列（FPGA）板卡（见图4）
图4 现场可编程门阵列（FPGA）板卡
(a)可编程只读存储器PROM (Programmable Read only Memory);
(b)可编程逻辑阵列器件PLA ( Programmable Logic Array)；
(c)可编程阵列逻辑PAL (Programmable Array Logic)；通用阵列逻辑GAL ( Generic Array Logic)；
(d)复杂可编程逻辑器件CPLD（Complex Programmable Logic Device）;
(e)现场可编程逻辑阵列FPGA(Field Programmable Gate Array）阶段。
现场可编程门阵列与传统逻辑电路和门阵列（如PAL，GAL及CPLD器件）相比，FPGA具有不同的结构。FPGA利用小型查找表（16&TImes;1RAM）来实现组合逻辑，每个查找表连接到一个D触发器的输入端，触发器再来驱动其他逻辑电路或驱动I/O，由此构成了既可实现组合逻辑功能又可实现时序逻辑功能的基本逻辑单元模块，这些模块间利用金属连线互相连接或连接到I/O模块。
1.4 全景（360°）影像系统图像拼接技术
360°全景影像系统图像拼接技术是在车身周围安装多个超广角摄像头，同时采集车辆四周的影像，经过图像处理单元矫正、拼接之后，能形成一幅车身四周的全景俯视图（见图2）。在屏幕上，可以直观地，看到车辆所处的位置以及车辆周报的障碍物，从容操纵泊车入位或通过复杂路面。
图5 360°全景影像系统图像
1.5毫米波雷达能够监测到大范围内车辆的运行情况
微波雷达的原理和激光雷达类似，但它发射的是无线电波，而不是激光。微波雷达价格低、体积小,但精度不及激光雷达。毫米波的波长介于厘米波和光波之间， 毫米波兼有微波制导和光电制导的优点：
(a) 它较大的波长可以穿透雾、烟、灰尘等,激光雷达难以穿透的障碍，较好免疫恶劣天气；
(b)同厘米波导引头相比，毫米波导引头具 有体积小、质量轻和空间分辨率高的特点；
(c)与红外、激光等光学导引头相比，毫米波导引头穿透雾、烟、灰尘的能力强，传输距离远，具有全天候全天时的特点；
(d)毫米波雷达，性能稳定，不受目标物体形状、颜色等干扰。能很好的弥补了如红外、激光、超声波、 摄像头等其他传感器在车载应用中所不具备的使用场景。
这些特性使得毫米波雷达能够监测到大范围内车辆的运行情况，同时对于前方车辆的速度、加速度、距离等信息的探测也更加精准，因此是自适应巡航（ACC）、自动紧急刹车(AEB) 的首选传感器。目前24GHz毫米波雷达系统是市场的主力产品，77GHz毫米波雷达系统，是未来的趋势。
图6 毫米波雷达产品外形及结构
图7 汽车防撞雷达原理框图
当车辆行进中时，发射机产生的雷达窄波束向前发射调频连续波（FMCW）信号，当发射信号遇到目标时被反射回来，并为同一天线接收，经混频放大处理后:
(a)根据其差拍信号时间差，来表示雷达与目标的距离；
(b)根据差频信号相差与相对速度关系，计算出目标对雷达的相对速度及危险时间;
(c)从而通过防撞系统对车辆做出预判警告。
1.6激光雷达是将成为一种不可替代的传感器
激光雷达（见图8），即利用激光来进行探测和测量。其精度有优良。其原理是向周围发射脉冲激光，遇到物体后反射回来，通过来回的时间差，计算出距离，从而对周围环境建立起三维模型。
(1)激光雷达具有非常优越的性能
(a)激光雷达分辨率高，并且探测距离很长，在200米以上；
(b)激光的波长短，所以可以探测到非常微小的目标;
(c)激光雷达可以获得极高的角度、距离和速度分辨率，可以利用多普勒成像技术获得非常清晰的图像;
(d）激光直线传播、方向性好、光束非常窄，弥散性非常低，探测精度高；
(e)激光抗有源干扰能力强。自然界中能对激光雷达起干扰作用的信号源不多。
（2）车用激光雷达类别
图8 不同规格车用激光雷达产品
激光雷达是一种通过发射激光束探测目标的位置、速度等特征量的雷达系统。激光波段位于0.5μm-10μm，以光电探测器为接收器件。按雷达频段分，可分为超视距雷达、微波雷达、毫米波雷达以及激光雷达等。
(3)激光雷达的空间建模
三维激光雷达一般安装在车顶， 可以高速旋转，主要功能：
(a)以获得周围空间的点云数据，从而即时绘制出车辆周边的三维空间地图；
(b)可以测量出周边其他车辆在，三个方向上的距离、速度、加速度、角速度等信息；
(c)结合 GPS 地图计算出车辆的位置；
以上庞大丰富的数据信息传输给 ECU，经 分析处理后，可以供车辆快速做出判断。
（4）车用激光雷达方案
激光雷达尽量要被做成小体积直接嵌入车身，意味着要将机械旋转部件做到最小，有许多厂家改为固定激光光源，通过内部玻璃片旋转的方式改变激光光束方向，实现多角度检测的需要。
车用激光雷达方案有以地图为中心和以汽车为中心两者方案：
(a)以地图为中心：激光雷达可以绘制高精度地图，以Google和百度等互联网企业的无人驾驶汽车是以地图为中心；
(b)以汽车为中心：对整车企而言，要一款专为汽车量身定制的激光雷达产品。不同的汽车，对激光雷达产品有自己的要求。
1.7高精度地图系统
1）高精度地图是面向自动驾驶汽车导航地图
传统导航地图（见图9 （a）是针对人工驾驶汽车的,高精度地图（见图9 （b））是面向自动驾驶汽车，实时性、复杂路况和高可靠性等车规级附加的要求的，其精度已经实现厘米级的误。
目前高精度地图有辅助环境感知功能：在高精地图上标注详细道路信息，辅助汽车在感知过程中进行验证。比如车辆传感器感知到前方道路上的坑洼，可以在跟高精地图中数据对比，如果地图中也标记了同样的坑洼，就能起到验证判断的作用。
高精地图分为两个层级（见图10），最底层的是静态高精地图，上层是动态高精地图，含有：
(a)车道模型：即引导车辆从A地开往B地的道路规划，包括车道上详细信息的和连接关系。
(b)道路部件（Object）：包括交通标志、指示牌、龙门架、路杆等路侧及路面的各类物体，当车辆传感器探测到这些道路物体，然后再对比地图，便可得知车辆的精确位置。
(c)道路属性：包括道路的曲率、航向、坡度以及横坡，帮助车辆执行转向、加减速。
(d)多传感器定位的特征图层。
图10 高精度地图组成
动态高精地图：由于路网每天都有变化，如道路标识线磨损及重漆、交通标示改变等、如道路拥堵情况、施工情况、是否有交通事故、交通管制情况、天气情况等动态交通信息。这些变化需要及时反映在高精地图上，以确保无人车行驶安全。
4）导航地图与高精地图的主要区别
主要体现在使用者不同、用途不同、所属系统不同、要素和属性不同。
（a)导航地图的使用者是人
导航地图用于人工导航、搜索,在车内属于车载信息娱乐系统，带显示屏，要素跟属性方面，导航地图仅包含简单道路线条、信息点（POI）、行政区划边界，基础道路导航功能，包括由A地到B地的路径规划，车辆和道路的定位匹配。
（b)高精地图的使用者是计算机
高精地图属于车载安全系统，包含曲率、坡度、航向、横坡等数学属性（见图11）。用于高精度定位、辅助环境感知、规划与决策，包含详细道路模型，包括车道模型、道路部件、道路属性和其他的定位图层。具备辅助完成实现高精度的定位位置功能、道路级和车道级的规划能力、以及车道级的引导能力。
图11 道路数学属性
5）高精地图等级划分
高精地图精度，分两个维度：一是地图本身的精度，二是高精地图对自动驾驶的汽车实时精准定位的精度，业内对产品的要求是都要控制在10cm以内。
从数据的精确度和丰富度来讲，高精地图等级设定为三个等级，分别是：
(a)L2级(ADAS用的):业内称为ADAS Vector Map;
(b)L3级高精地图:也称为Vector Map、Intensity Map、Objects Map;
(c)L4级的高精地图:业内称为Occupancy Map。
对于高精地图来说，必须做到实时更新。要想实现 L3 级别和更高的自动驾驶，必须要使用到高精地图。
目前高精度地图采集方案均基于移动测量技术，是对于路面信息，进行精度更高的扫描和处理后生成的地图。通过32线/16线车载激光雷达＋相机采集道路数据，AI算法＋三维人机交互软件完成地图绘制，其精度均达到5-10厘米的误差。
5）ADAS（主动安全场景）的地图
ADAS（主动安全场景）的地图是介于普通的导航电子地图和高精度地图之间的。ADAS 对地图的精度要求不是很高，在普通的导航电子地图精度上，需要追加一些 ADAS 属性，比如曲率、坡度、Heading Angle、更加精确的车道数量等属性，制作成本相对不高。
(a)依据目前车速、汽车刹车速度及司机反映时间，有一个自适应速度建议，ASR ( Adaptive Speed Recommendation ) 功能;
(b)会提前 50-300 米提醒用户减速;
(c)在有转弯 ( curve ) 的路段，ASR 会综合路宽、车道数目、整个路况等因素计算合理的汽车速度,提醒用户减速。
1.5高精度定位
高精度定位：把自动驾驶汽车上传感器感知到的环境信息与高精地图对比，得到车辆在地图中的精确位置。高精地度起到了高精度定位、辅助环境感知、规划与决策等功能。
自动驾驶通过人工智能算法决策做出车道及路径规划，给制动、转向、加速等控制器下达指令，控制车辆开往目的地。
（1）高精度定位系统构成
高精度定位系统由移动站和局部基站构成（见图10）。移动站安装于车辆，局部基站安装于楼顶。
图13 高精度定位系统
(b)移动站接收来自空间卫星信号及局部基站数据，进行 RTK 实时解算，求得厘米级的高精度实时坐标。
图14 车载移动站示意图
自动驾驶决策系统负责路线规划和实时导航。规划和实时导航不仅高精度数字地图，还要V2X通信网络技术的支持。
2.1自动驾驶的操作系统
（a)操作系统，它是支持电脑基础运作的软件，例如任务安排、执行应用程序以及控制外部设备；
(b)自动驾驶的操作系统要统一协调安排自动驾驶汽车的硬件各种雷达、摄像头、声呐等传感器等硬件,组织成一个整体系统；
(c)自动驾驶的操作系统必须内置高级的人工智能，引导自动驾驶的人工智能操作系统；
(d)自动驾驶汽车的操作系统必须绝对安全可靠，即支持汽车的基础功能和高级功能，并对接受的到数据实时回馈；
(e)自动驾驶必需要求非常严苛的操作系统，必须知道现在汽车在哪里，知道周围有什么，能预期接下来会发生什么并做出怎样的应对反应;
(f)无论是从复杂程度还是从监控广度上，自动驾驶的操作系统，都应该优于电脑或者智能手机的操作系统
2.2ARM嵌入式Linux系统
（a)ARM嵌入式Linux操作系统。ARM-Linux程序的开发，主要分为三类：应用程序开发、驱动程序开发、系统内核开发，针对不同种类的软件开发，有其不同的特点。
(b)自动驾驶汽车的操作系统三大核心能力：实时反馈、完全的可靠性，以及赶超人类的感知能力。管理自动驾驶汽车的操作系统在监控支配汽车时的反应必须精确到微秒级。
2.3自动驾驶处理器(芯片)
英伟达最新自动驾驶处理器，每秒30 万亿次运算，功率仅30瓦。图片显示的接口是支持的雷达、传感器、摄像头的。
图15 Xavier芯片板
预估模型（见图16）不同速度条件下的适应性算法，车辆当前航向角与航向变化预估量之和作为航向反馈量，期望航向与航向反馈量的差值则作为经典 PID 控制器的输入偏差计算期望前轮偏角 δ。
图16 轨迹跟踪算法预估模型
预估模型是电动转向器控制的基本理论依据。
3.0自动驾驶的执行系统
执行系统也是底层控制系统，负责执行汽车的刹车、加速、转向的具体操作。工程师们通过特制的“线控装置”控制方向盘和油门，取代人类司机的手和脚。
3.1线控装置
线控是的机电行业特定短语，是机电控制的一种物理控制方式。线控系统是用电空系统替代机械系统或者液压系统。主要是指信号发生器与信号接收器之间的连接方式是通过线缆或其他动作传到物体进行连接的。
简单地说，自动驾驶汽车的线控执行，主要包括线控转向、油门和制动。最难的部分是线控执行中的制动。
(1)线控转向系统
线控转向系统（Steer By Wire，SBW）去掉了转向盘和转向轮之间的机械连接，具有操纵性、稳定性能更优的特点，且作为主动转向干预的一种方式。SBW系统结构如下图（16），主要分为三个部分：
(a)转向盘系统，包括转向盘、转矩传感器、转向角传感器、转矩反馈电动机和机械传动装置；
(b)电子控制系统，包括车速传感器，也可以增加横摆角速度传感器、加速度传感器和电子控制单元以提高车辆的操纵稳定性；
(c)转向系统，包括角位移传感器、转向电动机、齿轮齿条转向机构和其他机械转向装置等。
图17 线控转向系统（Steer By Wire，SBW）结构
（2）电助力转向系统
图18 接触式EPS电动助力转向总成及原理
（3）线控油门系统
（a)线控油门系统的优点
控制灵敏、精确，发动机能根据汽车的各种行驶信息精确地调节空燃比，改善发动机的燃烧状况，提高动力性和燃油经济性。还可与油压、温度和废气再循环电子信号结合，减少废气排放。减少机械组合零部件，相应减轻机械结构的重量，降低机械零部件的维修几率。
(b)线控油门系统组成
线控油门主要由油门踏板、踏板位移传感器、电控单元(ECU)、数据总线、电机和油门执行机构组成。
(c)线控油门系统工作原理
位移传感器安装在油门踏板内部，随时监测油门踏板的位置，随时监测油门踏板位置，当监测到油门踏板高度位置发生变化时，会瞬间将此信息传送至伺服电机，由伺服电机驱动油门执行机构实行油门控制。
（4）线控制动系统
主动安全的线控制动功能（Brake by wire）,是电子控制单元及传感器组成的系统，目前有：
(a)电子辅助制动系统（EBA）;(b)适应巡航系统（ACC）;(c)停-走系统（SMS）;(d)电子稳定性控制系统（ESC）;(e)主动避撞系统（ABC）;(f)坡路防退系统（HHS）;(g)电子驻车系统(EBC);(h)自动泊车系统（ASC）;
图19 制动防抱死系统（ABS）原理图
（a)CAN（Controller Area Network）:即控制器局域网，是一种能够实现分布式实时控制的串行通信网络。CAN是德国的Bosch公司开发的（和Intel）。(理解：通过CAN控制器能把多个微处理器（CPU）组成一个局域网，即控制器局域网。
（b)CAN优点:使得它能够被广泛的应用。比如：传输速度最高到1Mbps，通信距离最远到10km，无损位仲裁机制，多主结构。CAN控制器价格越来越低，很多MCU也集成了CAN控制器。现在每一辆汽车上都装有CAN总线。
(c))CAN应用场景
图20 CAN应用场景
CAN总线分为高速CAN总线 低速CAN总线。在汽车上，高速信号是用于传输ABS、ESP、TCU等电子控制系统，这些系统需要实时的信号处理，所以用的是高速的CAN信号；而例如车灯等基础设备则不需要高速的实施环境，所以用的是低速的CAN信号。
4.0通信系统
4.1 V2X通信网络技术
V2X 是指车对外界的信息交换，是一系列车载通讯技术的总称。V2X包含汽车对汽车V2V）、汽车对路侧设备（V2R）、汽车对基础设施（V2I）、汽车对行人（V2P）、汽车对机车（V2M）及汽车对公交车（V2T）等六大类。V2X是分为：
图21 V2X（车对万物）通讯模式
(a) 基于网络的通讯模式，即车对网络V2N（车对网络），比如通过互联网通信；
(b)直接通讯模式，涵盖了车对车V2V（车对车）、车对基础设施V2I（车对基础设施）以及车对人V2P(车对人)，比如通过5G 通信，射频识别技术（英文：Radio Frequency IDentification，缩写：RFID)是一种无线通信技术，见图21）。
图22 射频识别技术用于汽车管理
简单的来说，V2V是一种比较自动驾驶更高级的技术。自动驾驶可以实现自动跟车，可以探测前方200米左右交通情况，并作相应的汽车辅助动作，如自动驾速度，自动刹车，但是它无法遇见前方的前方车什么状态，是不是出了意外，这些要求有V2V的技术支持。
4.2电子电器架构
简单来说，汽车电子电气架构就是汽车内部各类通信线路、电子控制新芯片、以及现代导航系统、汽车智能网络构成的电气系统。电子电气架构（Electrical/Electronic Architecture），，是由德尔福公司提出的，集合汽车的电子电气系统原理设计、中央电器盒的设计、连接器的设计、电子电气分配系统等设计为一体的整车电子电气解决方案的概念。
通过EEA的设计，可将动力总成、驱动信息、娱乐信息等车身信息转化为实际的电源分配的物理布局、信号网络、数据网络、诊断、容错、能量管理等的电子电气解决方案。
优化汽车电子电气架构设计,可在有效完善汽车综合性能的同时,控制降低汽车总重量和生产成本,对于现代汽车制造业的进一步发展,具有重要的现实意义。
4.3安全解决方案
自动驾驶车辆安全主要是指，包含安全设计和安全运行两大主要内容，其中细分为操作安全、环境安全、行为安全、功能安全、质量安全、机制安全和安全进化七大内容。
4.4云平台
（1）云端主要提供两大功能，包括分布式计算和分布式存储。
云平台的第一个应用就是仿真，如图23所示。
图23 云平台仿真
（2）高清晰度地图生成
如图24所示，高清晰度地图的生成是一个复杂的过程，涉及到很多步骤。包括原始数据处理，点云生成，点云对齐，2维反射地图生成，高精度地图标记以及最终地图生成。
图24 高清晰度地图生成过程
自主驾驶使用了多种不同的深度学习模型，所以要持续更新模型来保证它们的有效性和高效性。由于原始数据的量非常的大，仅靠单机是很难快速地完成模型的训练的，必须开发高可扩展的分布式深度学习系统。
二、自动驾驶车辆车辆实例
1.自动驾驶汽车硬件系统
自动驾驶的硬件系统，可以粗略地分为感知、决策、控制三部分（还有定位、地图、预测等模块）。
图25 自动驾驶的硬件系统
自动驾驶使用的感知类的传感器，主要有激光雷达、毫米波雷达、摄像头、组合导航。
图23 感知类的传感器
(b)摄像头:光线通过镜头、滤光片到后段的CMOS或CCD集成电路，将光信号转换成电信号，再经过图像处理器（ISP）转换成标准的RAW，RGB或YUV等格式的数字图像信号，再通过数据传输接口传输到计算单元。
(c)毫米波雷达:和激光雷达有点类似，基本原理是发射一束电磁波，通过观察回波和射入波的差异来计算距离和速度，主要分24G和77G，它的安装是在保险杠上面。
(d)组合导航:GNSS+INS融合在一起就是组合导航系统。一是，GNSS板卡，通过天线接收GPS和RTK信号，解析计算出自身的空间位置。二是，当车辆行驶到林荫路，或者是有些建筑物，GPS就会没信号或者产生多径效应，定位就会产生偏移和不准。此时需要通过INS的信息融合来进行组合运算。
（2）传感器设计适用范围（表1）
表1 传感器设计适用范围
（3）传感器与车速度的关系
(a)不同速度下的刹车距离及参考值（表2）
表2 不同速度下刹车距离计算公式及参考值
(b)不同速度下制动距离计算公式及参考值（表3）
表2 不同速度下制动距离计算公式及参考值
（4）传感器与分辨率的关系（见图24）
图24 传感器与分辨率的关系
2. 自动驾驶汽车的计算单元
图25 自动驾驶汽车计算单元
(b)以太网（Ethernet）是一种计算机局域网技术。以太网是目前应用最普遍的局域网技术，取代了其他局域网标准如令牌环、FDDI和ARCNET；
(c)CAN是控制器局域网络(Controller Area Network, CAN)的简称，是由以研发和生产汽车电子产品著称的德国BOSCH公司开发的，并最终成为国际标准（ISO 11898），是国际上应用最广泛的现场总线之一。
3.自动驾驶汽车的线控系统
图26 线控系统总成
自动驾驶车辆的线控系统，分减速、转向和加速三大部分。
（a)自动驾驶车辆的线控转向系统
1）Autopilot 2.0的特斯拉自动驾驶汽车
图30 Autopilot 2.0的特斯拉自动驾驶汽车
（b）搭载12颗超声波前置雷达可以穿越雨、雾、尘环境，丰富视觉系统的探测数据；
传感器，用以辅助侦测，对物体的距离、软硬精准度有更大的提升；
（c）增强版的毫米波雷达，能够在恶劣天气下工作，也能探测到前方车辆；
（d）汽车主板集成了 Nvidia PX2 处理芯片，运算能力比起第一代自动驾驶系统要高 40 倍，其的性能是前款产品的40倍，大幅提升计算能力。
2)Apollo 2.5自动驾驶汽车
图 31 Apollo 2.5自动驾驶汽车
3）东风无人驾驶L4智能卡车
L4智能卡车具有自适应巡航系统和车道保持实现自动跟车、遇弯道行驶完全自主转向等功能。
图 32 东风无人驾驶L4智能卡车
车上配有激光雷达、毫米波雷达、摄像头、GPS天线等设备，实现自动驾驶下的行人和车辆检测、减速避让、紧急停车、障碍物绕行、变道、自动按站停靠等功能。
图33 深圳自动驾驶公交车