DARPA挑戰賽不僅在美國汽車工業搖籃底特律掀起了不小的波瀾，最終也演變成了兩個世界的分界線：一個世界里，機器人被視為玩具或科研人員的成果；而在另一個世界里，人們開始接受機器人能夠在現實世界中自由移動的事實。
2013年，國際知名汽車企業開展了一場無人駕駛汽車的研發競賽，一些企業研發的無人駕駛汽車相繼亮相，并宣稱在10-15年的時間內實現量產。無人駕駛汽車之所以能夠提上各大汽車企業的研究與開發日程，被國內外相關機構作為研究重點，投入大量的人力和物力，不僅因為它代表了高新科技水平，更因為他滿足了人類對汽車技術發展的迫切需求。
從長遠角度來看，汽車發展的趨勢是實現自主駕駛。無人駕駛汽車是自主駕駛的一種表現形式。從廣義上說，無人駕駛汽車是在網絡環境下用計算機技術、信息技術和智能控制技術武裝起來的汽車，是有著汽車外殼的移動機器人。而從技術角度講，自動駕駛又分為感知定位、規劃決策、執行控制三個部分。要實現自動駕駛，除了算法創新、系統融合之外，還需要來自云平臺的支持。
本文整合了首發于車云的無人駕駛系列技術文章，相信可以幫助各位建立起對自動駕駛技術的宏觀理解。
但凡聊到自動駕駛汽車，不出意外我們總是會提到它們搭載的一系列傳感器,有攝像頭、超聲波傳感器、雷達、激光雷達，但凡你說得出的，幾乎都能在一輛無人車上找到。這篇文章從冗余系統建立的角度，以“邊緣案例”分析了為何自動駕駛汽車為何需要如此多的傳感器。而通過逐步找出哪些數據可以用來合理處理特定的「邊緣案例」，無論是在模擬仿真還是真實路況中，汽車都能學會處理更復雜的情況。
在攻城獅眼里，傳統車企怎樣避免被出局？——傳感器篇
這篇文章的作者是一位汽車底盤工程師，文章中他詳細分析了目前主流傳感器對車企發展ADAS及自動駕駛技術的影響，并提出了自己中肯的建議。
據Lux Research報告，到2030年，激光雷達將在自動駕駛領域收獲近億美元的商業機會。并且按照車企從ADAS向全自動駕駛過渡的商用化計劃，激光雷達已經開始在車輛局部發揮特長。
但不同激光雷達企業進入自動駕駛領域的策略各不相同，產品技術也存在差異。激光雷達與自動駕駛作為最佳CP如何走到一起？作為激光雷達的領軍企業，Velodyne，Ibeo和Quanergy打開市場有何不同姿勢？通過車云菌的調研，這篇文章將為您細細道來。
1. 自動駕駛呼喚理性決策
自動駕駛在技術上的競爭，主要聚焦于決策環節。事實上，區分一個系統是ADAS還是自動駕駛，也主要是看該系統是否有決策部分。無論是谷歌，還是特斯拉，他們的核心競爭力，都還是體現在其決策算法方面。
在訓練和測試自動駕駛汽車決策能力的過程中，其實收集到的絕大部分數據都是正常路況下的行車數據，極端情況極其罕見。深度學習加增強學習的算法只能無限趨近于處理所有場景，貝葉斯網絡的因果推理邏輯可以在一定程度上處理未知的極端情況。決策層的不同技術路線也各有優缺點，可能包括深度學習、增強學習、專家系統、貝葉斯網絡在內的多種方法融合，將是下一步的主流方案。
2. 技術貼 | 從算法層解讀，自動駕駛的「軌跡規劃」是如何實現的？
前面也提到了，車輛自主駕駛系統從本質上講是一個智能控制機器，其研究內容大致可分為信息感知、行為決策及操縱控制三個子系統。路徑規劃是智能車輛導航和控制的基礎，是從軌跡決策的角度考慮的，可分為局部路徑規劃和全局路徑規劃。
隨著計算機科學技術、無線通信技術以及交通運輸業的高速發展，車輛導航系統的動態路徑規劃研究趨勢還將向多導航器相互協調規劃的方向發展。現在的車輛導航都是單個車輛為對象進行路徑引導，而沒有考慮到總體的大局協調，這樣容易引起新的交通擁塞等問題，所以多導航器協調規劃將是一種更加符合實際需求的規劃方法。
自動駕駛分為感知定位、規劃決策、執行控制三個部分。但目前自動駕駛有關執行控制的部分一直談得很少，這部分掌握在Tier1和主機廠手中的技術，因為國內積累薄弱，幾乎成為了避而不談的話題。然而，執行控制層是自動駕駛真正落地的基礎，規劃決策也無法和執行控制剝離，這篇文章，就是要和大家談談自動駕駛的「腿腳」問題。
