自动驾驶技术主要分为三大部分：感知、决策和控制。自动驾驶系统通过传感器感知车辆当前所处状态（位置、周围车辆、行人障碍物等），由决策算法得出最优的行驶策略，最终由控制部分将此策略转换为车身部件实际操作。图1表示自动驾驶系统的基本工作原理。在实际应用中，由感知系统和高精度地图可实现对车辆行驶位置精确定位（SLAM），感知系统为自动驾驶车辆提供周围车辆、行人、车道线等环境信息，为规控系统计算最优行驶策略提供依据。

                                                        图1. 自动驾驶系统基本原理

传感器分类
当前自动驾驶系统传感器主要包括：

 ·         摄像头

 ·         红外传感器

 ·         毫米波雷达
 .        中短距离毫米波雷达
 .       长距离毫米波雷达

·         激光雷达

·         超声波雷达

摄像头，功能类似数码相机，感光芯片每秒记录N组（帧）数字形式的图像，通过车载以太网或LVDS方式发送给自动驾驶系统的计算机，计算机通过图像识别技术分析数据，进而判断车辆周围状况。摄像头技术对应传统的人眼视觉，应用中摄像头形式包括单目、双目和三目，根据摄像头安装的位置分为前视、后视、环视和车内监控摄像头；红外传感系统是用红外线为介质的测量系统；毫米波雷达，通过发送电磁波（毫米波），测量反射波从发射到接收的时间，计算车辆到各个目标的距离。雷达的多普勒效应可以用以测量目标速度。毫米波雷达抗干扰能力强，作用范围大，但不能对目标进行识别，分辨率较低；激光雷达，发射激光（波长600~1000nm），通过反射脉冲的飞行时间（TOF）测量距离，激光雷达在短时间内可发送大量激光脉冲，通过旋转镜头方式构建周围较大扫描区域内的3D点云数据。激光雷达不仅作用距离大，还可以测量速度，而且具备很好的目标识别能力，缺点是成本较高；超声波雷达，测量发射超声波（>20kHz）反射回来的时间，从而判断障碍物的存在和距离。超声波雷达的缺点是作用距离短，传输依赖介质，速度慢，只适用于低速下的停车辅助。

由工作机制决定的固有属性，让不同传感器适用于不同的应用场景。没有一种传感器可以满足自动驾驶所有类型的任务，在实际应用中要结合不同传感器的优势，利用传感器融合技术，为自动驾驶汽车提供全面、及时和准确的周边环境信息，便于自动驾驶系统作出最准确的决策。图2列出2013年欧洲市场OEM厂商针对特定辅助驾驶（ADAS）功能的传感器选择情况。

传感器分布

在自动驾驶汽车上，传感器的分布、功能及作用范围大致如图3所示。由图可以看出不同类型的传感器作用的范围（距离&角度）有所差别，应用中需要使用多个不同类别的传感器，分布在车身的不同位置以实现对车辆周围环境360°无死角覆盖。例如，Google自动驾驶汽车Waymo上部署有 3 个激光雷达、9 个摄像头，x 个毫米波雷达。

传感器特性比较

表1是根据公开资料整理的不同类型自动驾驶传感器的特性对比。

注：以上内容不尽准确，如对于超声波，在Tesla Autopilot 2.0上作用距离可达到8m。应用中，以厂家具体参数为准。

传感器成本

图4列出自动驾驶/ADAS的关键部件的物理分布及其成本估计。

当前自动驾驶/ADAS的关键部件，比如高精度惯导、激光雷达的成本非常之高，Google无人驾驶车上使用的 Velodyne 64线激光雷达价格高达 $75,000，整套设备成本在 $150,000 左右。随着市场化和技术的发展，激光雷达等传感器成本必然会逐渐下降。在激光雷达领域，Velodyne已推出低成本的16线产品，售价 $8,000；创业公司 Quanergy 也承诺将推出成本 $250 左右的低成本激光雷达。

市场趋势

图5 和图6 分别是市场调研机构 IHS 对于未来全球ADAS功能装车量和传感器数量发展的预计。