在自動駕駛技術方面，有兩條不同的發展路線：
第一條：“漸進演化”的路線，也就是在今天的汽車上逐漸新增一些自動駕駛功能，例如特斯拉、寶馬、奧迪、福特等車企均採用此種方式，這種方式主要利用感測器，透過車車通訊（V2V）、車雲通訊實現路況的分析。
第二條：完全“革命性”的路線，即從一開始就是徹徹底底的自動駕駛汽車，例如谷歌和福特公司正在一些結構化的環境裡測試的自動駕駛汽車，這種路線主要依靠車載鐳射雷達、電腦和控制系統實現自動駕駛。從應用場景來看，第一種方式更加適合在結構化道路上測試，第二種方式除結構化道路外，還可用於軍事或特殊領域。
自動駕駛涉及的軟硬體：
感測器相當於自動駕駛汽車的眼睛。透過感測器，自動駕駛汽車能夠識別道路、其他車輛、行人障礙物和基礎交通設施，在最小測試量和驗證量的前提下保證車輛對周圍環境的感知。按照自動駕駛不同技術路線，感測器可分為鐳射雷達、傳統雷達和攝像頭三種。
鐳射雷達是被當前自動駕駛企業採用比例最大的感測器型別。谷歌、百度、優步等公司的自動駕駛技術目前都依賴於它，這種裝置安裝在汽車的車頂上，能夠用鐳射脈衝對周圍環境進行距離檢測，並結合軟體繪製3D圖，從而為自動駕駛汽車提供足夠多的環境資訊。鐳射雷達具有準確快速的識別能力，唯一缺點在於造價高昂（平均價格在8萬美元一臺），導致量產汽車中難以使用該技術。
傳統雷達和攝像頭是感測器替代方案。由於鐳射雷達的高昂價格，走實用性技術路線的車企紛紛轉向以傳統雷達和攝像頭作為替代，從軟體和車輛連線能力方面進行補償。例如著名電動汽車生產企業特斯拉，採用的方案就是雷達和單目攝像頭。其硬體原理與目前車載的ACC自適應巡航系統類似，依靠覆蓋汽車周圍360°視角的攝像頭及前置雷達來識別三維空間資訊，從而確保交通工具之間不會互相碰撞。雖然這種感測器方案成本較低、易於量產，但對於攝像頭的識別能力具有很高要求：單目攝像頭需要建立並不斷維護龐大的樣本特徵資料庫，如果缺乏待識別目標的特徵資料，就會導致系統無法識別以及測距，很容易造成事故的發生。而雙目攝像頭可直接對前方景物進行測距，但難點在於計算量大，需要提高計算單元效能。
自動駕駛車輛只有準確識別車輛的位置，才可以決定如何進行導航，所以地圖的重要性不言而喻。自動駕駛技術對於車道、車距、路障等資訊的依賴程度更高，需要更加精確的位置資訊，是自動駕駛車輛對環境理解的基礎。隨著自動駕駛技術不斷進化升級，為了實現決策的安全性，需要達到釐米級的精確程度。如果說感測器為自動駕駛車輛提供了直觀的環境印象，那麼高精度地圖則可以透過車輛準確定位，將車輛準確地還原在動態變化的立體交通環境中。
地圖路線選擇目前主要有兩種：
一是精緻高畫質（HD）地圖。
這種地圖往往配備在那些使用了鐳射雷達的廠商方案中，目的是為了建立360°的周圍環境認知。
二是特徵對映地圖。
這種方案通常與雷達、攝像頭的方案進行結合，可以透過地圖捕捉車道標記、道路和交通標誌，雖然這種方式提供的地圖精度不足，但透過對映道路特徵，使系統的處理和更新變得更加容易。對於地圖製作者來說，需要不斷採集和更新感測器包來保證地圖不斷更新。
車輛定位的方案也主要包括兩種：
一是透過高畫質地圖。
這種方案使用包括GPS在內的車載感測器比較自動駕駛車輛感知到的環境與高畫質地圖之間的區別，可以非常精確地識別車輛所處位置、車道資訊及行駛方向等，所使用的技術包括了V2X等。
二是透過GPS定位。
這種方案主要透過GPS定位獲取車輛位置，然後再使用車載攝像頭等裝置改善定位資訊，逐幀比較的方式可以降低GPS訊號的誤差範圍。
以上兩種定位方式都對導航系統和測繪資料有很強的依賴。第一種方式可以更加準確地描繪位置資訊，但第二種方式更加易於部署，也不需要高精地圖支援。對於設計者來說，第二種方式更加適合鄉村或人煙稀少的區域，對車輛位置的準確性要求不高。
目前，自動駕駛汽車設計者使用一系列方法實現自動駕駛汽車決策。
一是神經網路，主要為了識別特定的場景並做出適當決策，但這些網路複雜的特性導致很難理解特定決策的根本原因或邏輯。
二是以規則為基礎的決策系統，主要是“IF-THEN”決策系統，決策根據具體規則做出。
三是混合決策，包括了以上兩種決策方式，主要透過集中性神經網路連線個人的處理，並透過“IF-THEN”規則完善這樣的路徑。
無論採用哪種方式，演算法是支撐自動駕駛技術決策最關鍵的部分，目前主流自動駕駛公司都採用機器學習與人工智慧演算法來實現。海量的資料是機器學習以及人工智慧演算法的基礎，透過此前提到的感測器、V2X設施和高精度地圖資訊所獲得的資料，以及收集到的駕駛行為、駕駛經驗、駕駛規則、案例和周邊環境的資料資訊，不斷最佳化的演算法能夠識別並最終規劃路線、操縱駕駛。
在自動駕駛技術方面，有兩條不同的發展路線：
第一條：“漸進演化”的路線，也就是在今天的汽車上逐漸新增一些自動駕駛功能，例如特斯拉、寶馬、奧迪、福特等車企均採用此種方式，這種方式主要利用感測器，透過車車通訊（V2V）、車雲通訊實現路況的分析。
第二條：完全“革命性”的路線，即從一開始就是徹徹底底的自動駕駛汽車，例如谷歌和福特公司正在一些結構化的環境裡測試的自動駕駛汽車，這種路線主要依靠車載鐳射雷達、電腦和控制系統實現自動駕駛。從應用場景來看，第一種方式更加適合在結構化道路上測試，第二種方式除結構化道路外，還可用於軍事或特殊領域。
自動駕駛涉及的軟硬體：
感測器感測器相當於自動駕駛汽車的眼睛。透過感測器，自動駕駛汽車能夠識別道路、其他車輛、行人障礙物和基礎交通設施，在最小測試量和驗證量的前提下保證車輛對周圍環境的感知。按照自動駕駛不同技術路線，感測器可分為鐳射雷達、傳統雷達和攝像頭三種。
鐳射雷達是被當前自動駕駛企業採用比例最大的感測器型別。谷歌、百度、優步等公司的自動駕駛技術目前都依賴於它，這種裝置安裝在汽車的車頂上，能夠用鐳射脈衝對周圍環境進行距離檢測，並結合軟體繪製3D圖，從而為自動駕駛汽車提供足夠多的環境資訊。鐳射雷達具有準確快速的識別能力，唯一缺點在於造價高昂（平均價格在8萬美元一臺），導致量產汽車中難以使用該技術。
圖 / 自動駕駛方案中的雙目攝像頭傳統雷達和攝像頭是感測器替代方案。由於鐳射雷達的高昂價格，走實用性技術路線的車企紛紛轉向以傳統雷達和攝像頭作為替代，從軟體和車輛連線能力方面進行補償。例如著名電動汽車生產企業特斯拉，採用的方案就是雷達和單目攝像頭。其硬體原理與目前車載的ACC自適應巡航系統類似，依靠覆蓋汽車周圍360°視角的攝像頭及前置雷達來識別三維空間資訊，從而確保交通工具之間不會互相碰撞。雖然這種感測器方案成本較低、易於量產，但對於攝像頭的識別能力具有很高要求：單目攝像頭需要建立並不斷維護龐大的樣本特徵資料庫，如果缺乏待識別目標的特徵資料，就會導致系統無法識別以及測距，很容易造成事故的發生。而雙目攝像頭可直接對前方景物進行測距，但難點在於計算量大，需要提高計算單元效能。
地圖和定位自動駕駛車輛只有準確識別車輛的位置，才可以決定如何進行導航，所以地圖的重要性不言而喻。自動駕駛技術對於車道、車距、路障等資訊的依賴程度更高，需要更加精確的位置資訊，是自動駕駛車輛對環境理解的基礎。隨著自動駕駛技術不斷進化升級，為了實現決策的安全性，需要達到釐米級的精確程度。如果說感測器為自動駕駛車輛提供了直觀的環境印象，那麼高精度地圖則可以透過車輛準確定位，將車輛準確地還原在動態變化的立體交通環境中。
圖 / 使用鐳射雷達可精確還原車輛環境地圖路線選擇目前主要有兩種：
一是精緻高畫質（HD）地圖。
這種地圖往往配備在那些使用了鐳射雷達的廠商方案中，目的是為了建立360°的周圍環境認知。
二是特徵對映地圖。
這種方案通常與雷達、攝像頭的方案進行結合，可以透過地圖捕捉車道標記、道路和交通標誌，雖然這種方式提供的地圖精度不足，但透過對映道路特徵，使系統的處理和更新變得更加容易。對於地圖製作者來說，需要不斷採集和更新感測器包來保證地圖不斷更新。
車輛定位的方案也主要包括兩種：
一是透過高畫質地圖。
這種方案使用包括GPS在內的車載感測器比較自動駕駛車輛感知到的環境與高畫質地圖之間的區別，可以非常精確地識別車輛所處位置、車道資訊及行駛方向等，所使用的技術包括了V2X等。
二是透過GPS定位。
這種方案主要透過GPS定位獲取車輛位置，然後再使用車載攝像頭等裝置改善定位資訊，逐幀比較的方式可以降低GPS訊號的誤差範圍。
圖 / 高精度地圖、GPS與車車通訊可幫助確認車輛所處位置以上兩種定位方式都對導航系統和測繪資料有很強的依賴。第一種方式可以更加準確地描繪位置資訊，但第二種方式更加易於部署，也不需要高精地圖支援。對於設計者來說，第二種方式更加適合鄉村或人煙稀少的區域，對車輛位置的準確性要求不高。
決策目前，自動駕駛汽車設計者使用一系列方法實現自動駕駛汽車決策。
一是神經網路，主要為了識別特定的場景並做出適當決策，但這些網路複雜的特性導致很難理解特定決策的根本原因或邏輯。
二是以規則為基礎的決策系統，主要是“IF-THEN”決策系統，決策根據具體規則做出。
三是混合決策，包括了以上兩種決策方式，主要透過集中性神經網路連線個人的處理，並透過“IF-THEN”規則完善這樣的路徑。
無論採用哪種方式，演算法是支撐自動駕駛技術決策最關鍵的部分，目前主流自動駕駛公司都採用機器學習與人工智慧演算法來實現。海量的資料是機器學習以及人工智慧演算法的基礎，透過此前提到的感測器、V2X設施和高精度地圖資訊所獲得的資料，以及收集到的駕駛行為、駕駛經驗、駕駛規則、案例和周邊環境的資料資訊，不斷最佳化的演算法能夠識別並最終規劃路線、操縱駕駛。