無人駕駛技術實現上有兩大派系

　　無人駕駛的實現路徑大概有兩大派系，一派是以谷歌為主的互聯網公司，一派以特斯拉為首的汽車制造商。

　　谷歌的藍圖是無人車完全取代人來駕駛，把無人車看成機器人，所以沒有方向盤、油門和剎車。

　　谷歌無人車頂上是約8萬美元的64線激光雷達（Lidar）。它在高速旋轉時發射激光測量與周邊物體的距離，再根據距離數據描繪出精細的 3D 地形圖，并跟高分辨率地圖數據相結合建模，幫計算機做決策。

　　由此可知，這條技術路線的關鍵是對周圍環境的模擬和3D地圖數據，而谷歌在這方面有深厚的積累。

　　而特斯拉的計劃是從機器輔助駕駛進化到完全自動駕駛。所以技術上逐步實現自動剎車、定速巡航、自適應巡航等，最終完全自動駕駛。

　　特斯拉 Model S主要是靠攝像頭結合計算機視覺，特斯拉輔助駕駛使用的硬件包括前置攝像頭、前置雷達（相對廉價的毫米波雷達）、12個超聲波傳感器，目前沒有使用高精度地圖。

　　簡單的說前者（Google無人車）更重定位，是高精度定位+高精度地圖+識別，偏機器人的方案，后者更重視識別（低精度定位+低精度地圖+高準確率識別），后者接近于人開車，人開車不需要高精度地圖。

　　那么自動駕駛汽車涉及哪些技術呢，下面是一部分通用的技術：

　　訓練一個自動駕駛的決策模型

　　行為決策是指根據路網信息、獲取的交通環境信息和自身行駛狀態，產生遵守交通規則的駕駛決策的過程。學術界的一個解決方案是用現在很火的深度學習，來實現模仿性學習（Behavioral Cloning），但是可靠性上可能有問題，實際應用中還是會有大量的規則等方式。

　　識別并躲避障礙物

　　這個問題的解決方案是傳感器融合算法，利用多個傳感器所獲取的關于環境全面的信息，通過融合算法來實現障礙物識別與跟蹤和躲避。

　　根據周邊信息，在地圖上定位車倆

　　在地圖上定位汽車，這一塊實現的差異很大。由于民用GPS誤差過大，不能直接用于無人駕駛。

　　有一類定位是通過激光雷達使周圍物體和自車的距離的精度達到厘米級，配合三維地圖數據可以將車輛定位至幾厘米～ 十幾厘米的程度

　　還有一類通過還計算機視覺的方案來定位，也就是（SLAM）。

　　從相機中識別行人

　　從相機中識別行人是一個計算機視覺問題，需要利用攝像機識別出物體（在這里是人），其實是個。

　　車道識別

　　車道識別也是計算機視覺問題，有道路線檢測算法。簡單的方法有顏色選擇，切圖（ROI， region of interest selection），灰度處理，高斯模糊，邊緣檢測和霍夫變換直線檢測。如果能夠識別一張圖片中的道路線，那么對于行駛中的車輛上攝像頭實時采集的圖像也可以實時分析。

　　高級的道路線檢測需要計算相機校準矩陣和失真系數對原始圖像的失真進行校正；使用圖像處理方法，將圖像進行二值化處理；應用透視變換來糾正二值化圖像（“鳥瞰視圖”）；檢測車道并查找確定車道的曲率和相對于中心的車輛位置；將檢測到的車道邊界扭曲回原始圖像；可視化車道，輸出車道曲率和車輛位置。

　　交通標志識別

　　無人車也是要懂得交通規則的，所以識別交通標志并根據標志的指示執行不同指令也非常重要。這也是個計算機視覺問題，可以用深度學習（卷積神經網絡）的方法來完成。

　　車輛的自適應巡航控制

　　車輛的自適應巡航控制（ACC）是在定速巡航控制的基礎上，通過距離傳感器實時測量本車與前車的距離和相對速度，計算出合適的油門或剎車的控制量，并進行自動調節，這一塊有不少成熟的方案。

　　讓汽車在預定軌跡上運動

　　讓汽車在預定軌跡上運動是一個機器控制和規劃問題，比如在躲避突發障礙之后動態路線規劃。

　　當然解決了上面問題，不代表就能造出無人車，造無人車是個系統工程，需要軟件和硬件層面的積累