美國汽車工程師協會根據汽車智慧化程度將自動駕駛分為L0-L5共6個等級：
#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）知層主要透過光達、毫米波雷達、超音波雷達、車載攝影機、夜視系統、GPS、陀螺儀等感測器取得車輛所處環境資訊和車輛狀態信息，具體來說包括：車道線偵測、紅綠燈辨識、交通識別牌辨識、行人偵測、車輛偵測、障礙物辨識和車輛定位等；決策規劃層則分為任務規劃、行為規劃和軌跡規劃，依照設定的路線規劃、所處的環境和車輛自身狀態等規劃下一步具體行駛任務（車道維持、換道、跟車、超車、避撞等）、行為（加速、減速、轉彎、煞車等）及路徑（行車軌跡）；控制層及執行層則基於車輛動力學系統模型對車輛驅動、煞車、轉向等進行控制，使車輛跟隨所製定的行車軌跡。
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。
環境感知指對於環境的場景理解能力，例如障礙物的類型、道路標誌及標線、行車車輛的偵測、交通資訊等資料的語言分類。定位是對感知結果的後處理，透過定位功能從而幫助車輛了解其相對於所處環境的位置。環境感知需要透過感測器獲取大量的周圍環境訊息，確保對車輛周圍環境的正確理解，並基於此做出相應的規劃和決策。
自動駕駛車輛常用的環境感知感測器包括：攝影機、光達、毫米波雷達、紅外線和超音波雷達等。攝影機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感測器。透過即時拍攝車輛周圍的環境，採用CV技術對所拍攝影像進行分析，實現車輛周圍的車輛和行人偵測以及交通標誌辨識等功能。
相機的主要優點在於其高解析度、成本低。但在夜晚、雨雪霧霾等惡劣天氣下，攝影機的表現會迅速下降。另外攝影機所能觀察的距離有限，不擅長於遠距離觀察。
毫米波雷達也是自動駕駛車輛常用的一種感測器，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，其基於ToF技術（Time of Flight）對目標物體進行偵測。毫米波雷達向外界連續發送毫米波訊號，並接收目標返回的訊號，根據訊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，毫米波雷達主要用於避免汽車與周圍物體發生碰撞，如盲點偵測、避障輔助、停車輔助、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比雷射和紅外線強很多，可全天候工作。但其也具有訊號衰減大、容易受到建築物、人體等的阻擋，傳輸距離較短，解析度不高，難以成像等不足。
雷射雷達也是透過ToF技術來確定目標位置與距離的。光達是透過發射雷射光束來實現對目標的探測，其探測精度和靈敏度更高，探測範圍更廣，但光達更容易受到空氣中雨雪霧霾等的干擾，其高成本也是限制其應用的主要原因。車載雷射雷達依發射雷射光束的數量可分為單線、4線、8線、16線和64線雷射雷達。可以透過下面這個表格（表1），比較主流感測器的優勢與不足。
自動駕駛環境感知通常採用「弱感知超強智慧」與「強感知強智慧」兩大技術路線。其中「弱感知 超強智慧」技術是指主要依賴攝影機與深度學習技術實現環境感知，而不依賴雷射雷達。這種技術認為人類靠一雙眼睛就可以開車，那麼車子也可以靠攝影機來看清周圍環境。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 超強智慧」技術路線，「強感知 強智慧」技術路線的最大特徵就是增加了雷射雷達這個感測器，從而大幅提高感知能力。特斯拉採用「弱智能 超強智慧」技術路線，而GoogleWaymo、百度Apollo、Uber、福特汽車等人工智慧企業、旅遊公司、傳統車企都採用「強感知 強智慧」技術路線。
#定位的目的是取得自動駕駛車輛相對於外界環境的精確位置，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：只有準確知道車輛與路口的距離，才能進行更精確的預判與準備；只有準確對車輛進行定位，才能判斷車輛所處的車道。若定位誤差較高，嚴重時會造成交通完全事故。
GPS是目前最廣泛採用的定位方法，GPS精度越高，GPS感測器的價格也越昂貴。但目前商用GPS技術定位精度遠遠不夠，其精度只有公尺級且容易受到隧道遮蔽、訊號延遲等因素的干擾。為了解決這個問題，Qualcomm開發了基於視覺增強的高精度定位（VEPP）技術，該技術透過融合GNSS全球導航、攝影機、IMU慣性導航和輪速感測器等多個汽車部件的信息，透過各個感測器之間的相互校準和數據融合，實現精確到車道線的全球即時定位。
決策規劃是自動駕駛的關鍵部分之一，它首先是融合多感測器信息，然後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，透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，並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。依照劃分的層面不同，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，從上海到北京有許多條路，規劃出一條作為行車路線即為全局規劃。
如柵格法、可視圖法、拓樸法、自由空間法、神經網路法等靜態路徑規劃演算法。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障礙物，想要避過這些障礙物或車輛，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：人工位勢場法、向量域直方圖法、虛擬力場法、遺傳演算法等動態路徑規劃演算法等。
決策規劃層是自主駕駛系統，智慧性的直接體現，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。
分層遞進體系結構，就是一個串聯繫統的結構，在這個系統當中，智慧駕駛系統的各模組之間次序分明，上一個模組的輸出即為下一模組的輸入，因此又稱為感知規劃行動結構。但這種結構可靠性並不高，一旦某個模組出現軟體或硬體故障，整個資訊流就會受到影響，整個系統很有可能發生崩潰，甚至處於癱瘓狀態。
反應式體系結構採用並聯的結構，控制層都可以直接基於感測器的輸入進行決策，因此它所產生的動作就是感測數據直接作用的一個結果，可以突顯感知動作的特點，適用於完全陌生的環境。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，佔用的儲存空間並不大，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組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，系統的穩健性得到了很大的提高，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各個控制迴路，同意執行機構爭奪之間的衝突，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，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，在局部規劃的層次上就生成目標導向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製動控制，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。
車輛依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。巡航控制和緊急煞車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馬達驅動、引擎、傳動和煞車系統的控制。各種馬達-引擎-傳動模型、汽車運行模型和煞車過程模型與不同的控制器演算法結合，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於運動方向的控制，目標是控制汽車自動保持期望的行車路線，並在不同的車速、載重、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，一種是基於駕駛員模擬的方法（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資料訓練控制器獲取控制演算法）；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）
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慧、高性能晶片、通訊技術、感測器技術、車輛控制技術、大數據技術等多領域技術的結合體，落地技術難度高。除此之外，自動駕駛技術落地，還要建立符合自動駕駛要求的基礎交通設施，並考慮自動駕駛的法律法規等。
以上是一文解讀自動駕駛關鍵技術困難的詳細內容。更多資訊請關注PHP中文網其他相關文章！
