自動駕駛是一個龐大而且復雜的工程，涉及的技術很多，大部分答主僅從軟件方面進行了介紹，而且太過細致。我從硬件和軟件兩方面談一談自動駕駛汽車所涉及的技術。
硬件
離開硬件談自動駕駛都是耍流氓。
先看個圖，下圖基本包含了自動駕駛研究所需要的各種硬件。
然而...
這么多傳感器并不一定會同時出現在一輛車上。某種傳感器存在與否，取決于這輛車需要完成什么樣的任務。如果只需要完成高速公路的自動駕駛，類似Tesla 的 AutoPilot 功能，那根本不需要使用到激光傳感器；如果你需要完成城區路段的自動駕駛，沒有激光傳感器，僅靠視覺是很困難的。
自動駕駛系統工程師要以任務為導向，進行硬件的選擇和成本控制。
1.汽車
既然要做自動駕駛，汽車當然是必不可少的東西。
從我司做自動駕駛的經驗來看，做開發時，能不選純汽油車就別選。
一方面是整個自動駕駛系統所消耗的電量巨大，混動和純電動在這方面具有明顯優勢。另一方面是是發動機的底層控制算法相比于電機復雜太多，與其花大量時間在標定和調試底層上，不如直接選用電動車研究更高層的算法。
國內也有媒體專門就測試車輛的選擇做過調研。
2.控制器
在前期算法預研階段，推薦使用工控機（Industrial PC，IPC）作為最直接的控制器解決方案。因為工控機相比于嵌入式設備更穩定、可靠，社區支持及配套的軟件也更豐富。
百度開源的Apollo推薦了一款包含GPU的工控機，型號為 Nuvo-5095GC，如下圖。
當算法研究得較為成熟時，就可以將嵌入式系統作為控制器，比如Audi和TTTech共同研發的zFAS，目前已經應用在最新款Audi A8上量產車上了。
3.CAN卡
工控機與汽車底盤的交互必須通過專門的語言——CAN。從底盤獲取當前車速及方向盤轉角等信息，需要解析底盤發到CAN總線上的數據；工控機通過傳感器的信息計算得到方向盤轉角以及期望車速后，也要通過 CAN卡 將消息轉碼成底盤可以識別的信號，底盤進而做出響應。CAN卡可以直接安裝在工控機中，然后通過外部接口與CAN總線相連。
Apollo使用的CAN卡，型號為 ESD CAN-PCIe/402，如下圖。
4.全球定位系統（GPS）+慣性測量單元（IMU）
人類開車，從A點到B點，需要知道A點到B點的地圖，以及自己當前所處的位置，這樣才能知道行駛到下一個路口是右轉還是直行。
無人駕駛系統也一樣，依靠GPS+IMU就可以知道自己在哪（經緯度），在朝哪個方向開（航向），當然IMU還能提供諸如橫擺角速度、角加速度等更豐富的信息，這些信息有助于自動駕駛汽車的定位和決策控制。
Apollo的GPS型號為NovAtel GPS-703-GGG-HV，IMU型號為NovAtel SPAN-IGM-A1。
5.感知傳感器
相信大家對車載傳感器都耳熟能詳了。
感知傳感器分為很多種，包括視覺傳感器、激光傳感器、雷達傳感器等。
視覺傳感器就是攝像頭，攝像頭分為單目視覺，雙目（立體）視覺。比較知名的視覺傳感器提供商有以色列的Mobileye，加拿大的PointGrey，德國的Pike等。
激光傳感器分為單線，多線一直到64線。每多一線，成本上漲1萬RMB，當然相應的檢測效果也更好。比較知名的激光傳感器提供商有美國的Velodyne和Quanergy，德國的Ibeo等。國內有速騰聚創和禾賽科技。
雷達傳感器是車廠Tier1的強項，因為雷達傳感器已經在汽車上得到了廣泛使用。知名的供應商當然是博世、德爾福、電裝等。
6.硬件部分總結
組裝一套可以完成某項功能的自動駕駛系統需要及其豐富的經驗，并且要對各傳感器的性能邊界及控制器計算能力了如指掌。優秀的系統工程師能在滿足功能的要求下將成本控制在最低，使其量產、落地的可能性更大。
軟件
軟件包含四層：感知、融合、決策、控制。
各個層級之間都需要編寫代碼，去實現信息的轉化，更細化的分類如下。
1.采集
傳感器跟我們的PC或者嵌入式模塊通信時，會有不同的傳輸方式。
比如我們采集來自攝像機的圖像信息，有的是通過千兆網卡實現的通信，也有的是直接通過視頻線進行通信的。再比如某些毫米波雷達是通過CAN總線給下游發送信息的，因此我們必須編寫解析CAN信息的代碼。
不同的傳輸介質，需要使用不同的協議去解析這些信息，這就是上文提到的“驅動層”。
通俗地講就是把傳感器采集到的信息全部拿到，并且編碼成團隊可以使用的數據。
2.預處理
傳感器的信息拿到后會發現不是所有信息都是有用的。
傳感器層將數據以一幀一幀、固定頻率發送給下游，但下游是無法拿每一幀的數據去進行決策或者融合的。為什么？
因為傳感器的狀態不是100%有效的，如果僅根據某一幀的信號去判定前方是否有障礙物（有可能是傳感器誤檢了），對下游決策來說是極不負責任的。因此上游需要對信息做預處理，以保證車輛前方的障礙物在時間維度上是一直存在的，而不是一閃而過。
這里就會使用到智能駕駛領域經常使用到的一個算法——卡爾曼濾波。
3.坐標轉換
坐標轉換在智能駕駛領域十分重要。
傳感器是安裝在不同地方的，比如超聲波雷達（上圖中橘黃色小區域）是布置在車輛周圍的；當車輛右方有一個障礙物，距離這個超聲波雷達有3米，那么我們就認為這個障礙物距離車有3米嗎？
并不一定！因為決策控制層做車輛運動規劃時，是在車體坐標系下做的（車體坐標系一般以后軸中心為O點），所以最終所有傳感器的信息，都是需要轉移到自車坐標系下的。
因此感知層拿到3m的障礙物位置信息后，必須將該障礙物的位置信息轉移到自車坐標系下，才能供規劃決策使用。
同理，攝像機一般安裝在擋風玻璃下面，拿到的數據也是基于攝像機坐標系的，給下游的數據，同樣需要轉換到自車坐標系下。
什么是自車坐標系？
請拿出你的右手，以大拇指 → 食指 → 中指 的順序開始念 X、Y、Z。
然后把手握成如下形狀：
把三個軸的交點（食指根部）放在自車坐標系后軸中心，Z軸指向車頂，X軸指向車輛前進方向。
各個團隊可能定義的坐標系方向不一致，只要開發團隊內部統一即可。
4.信息融合
信息融合是指把相同屬性的信息進行多合一操作。
比如攝像機檢測到了車輛正前方有一個障礙物，毫米波也檢測到車輛前方有一個障礙物，激光雷達也檢測到前方有一個障礙物，而實際上前方只有一個障礙物，所以我們要做的是把多傳感器下這輛車的信息進行一次融合，以此告訴下游，前面有一輛車，而不是三輛車。
5.決策規劃
這一層次主要設計的是拿到融合數據后，如何正確做規劃。
規劃包含縱向控制和橫向控制。
縱向控制即速度控制，表現為 什么時候加速，什么時候制動。
橫向控制即行為控制，表現為 什么時候換道，什么時候超車等
6.軟件長什么樣子？
自動駕駛系統中的部分軟件看起來和下面類似。
軟件的名字反映了該軟件的實際作用
app_driver_camera 攝像機驅動
app_driver_hdmap 高精度地圖驅動
app_driver_ins 慣導驅動
app_driver_lidar 激光傳感器驅動
app_driver_mwr 毫米波傳感器驅動
app_fusion_freespace 自由行駛區域融合
app_fusion_lane 車道線融合
app_fusion_obstacle 障礙物融合
app_planning&decision 規劃決策
然而實際上攻城獅們會編寫一些其他軟件用于自己的調試工作，比如記錄數據和回放數據的工具。
還有用于傳感器信息顯示的可視化程序，類似下圖的效果。
