自動駕駛四大關鍵技術是感知技術、決策技術、路徑規劃、運動控制。

感知技術：

作為第一步的環境感知，就是環境信息和車內信息的采集與處理，它是智能車輛自主行駛的基礎和前提。獲取周圍環境信息，涉及道路邊界檢測、車輛檢測、行人檢測等技術，即傳感器技術所用到的傳感器一般有激光測距儀、視頻攝像頭、車載雷達、速度和加速度傳感器等等。

決策技術：

完成了感知部分，接下來需要做的便是依據感知系統獲取的信息來進行決策判斷，確定適當的工作模型，制定相應的控制策略。這部分的功能類似于給車輛下達相應的任務。

路徑規劃：

智能車輛有了行駛任務，智能車輛的路徑規劃就是在進行環境信息感知并確定車輛在環境中的位置的基礎上，按照一定的搜索算法，找出一條可通行的路徑，進而實現智能車輛的自主導航。

運動控制：

運動控制包括橫向控制和縱向控制，簡單來說橫向控制就是轉向控制，縱向控制就是速度控制，現在研究比較多的是橫向控制，所運用的方法主要包括滑膜控制、模糊控制、神經網絡控制、最優控制、自適應控制和跟蹤控制等。

自動駕駛曾經有很多技術路線，2019年后形成了兩個主要流派：一個是高精地圖+激光雷達的地圖派，高精地圖和激光雷達就像是自動駕駛車輛的“兩根拐杖”，靠激光雷達增強感知能力，高精地圖提高規劃能力，然后在算法的輔助下實現車輛的自動駕駛功能。另一個是擺脫了高精地圖限制的感知派，簡單來說就是丟掉了高精地圖的拐杖，依賴于激光雷達+毫米波+攝像頭的感知能力。“感知系統”就像是自動駕駛的“眼睛”與“耳朵”，然后對路況做出實時判斷。

隨著自動駕駛技術的進步發展，企業們逐漸發現過分的依賴高精地圖卻帶來了不少的約束與限制。目前，自動駕駛難以完全落地的主要原因便是高精地圖的建造與高昂的維護成本。每日更新城市中的地圖對于自動駕駛企業而言更是難以完成的目標，而隨著高精地圖資質的收緊，國內更是只有個別的圖商才有繪制地圖的資質。對于車企而言，沒有一家OEM愿意將如此重要的籌碼假手他人，與圖商的合作也難以徹底消除此類擔憂。在如此背景下，拋棄高精地圖而提升感知能力不失為一個好的選擇。

在國外，特斯拉無疑是踐行這一思路最早的玩家，其率先使用的BEV感知模型迎得國內外自動駕駛企業紛紛效仿，也通過市場的反饋證明了未來純視覺自動駕駛的可能性。國內，也有多家企業正逐步進行戰略轉型：小鵬重申從2023年開始，從高速到城市NGP，都不再依靠高精地圖；理想將基于BEV感知和Transformer模型，實現不依賴高精地圖的城市NOA；其實，重感知的路線并非新鮮概念，國內自動駕駛公司毫末智行最早選擇了這種方式，并且很長一段時間內也幾乎是行業內唯一采用“重感知”路線的廠商。其發布的MANA五大模型，助力感知效果的提升，降低了自動駕駛對于高精地圖的依賴性。一個行業中企業路線的切換往往是經過深思熟慮，影響也是深遠的，而正確路線的盡早確立將為企業帶來強大的先發優勢，這一點上毫末走在了中國自動駕駛的前列。

在未來，“重感知、輕地圖”的路線優勢將逐漸顯現，車企們通過落地測試，積累了大量的真實路況數據，從而讓自動駕駛系統學到了更多有價值的經驗，成為名副其實的“老司機”。我們人類開車并不需要知道信息量如此巨大的全局高精地圖信息，對于機器來說完全依靠強大的感知能力應對各種場景從原理上是可行的，而越來越多的公司正在證明著這一點。也只有如此，才真正為自動駕駛的量產落地打下堅實的基礎。

對于自動駕駛系統來說，軟、硬件都發揮著非常重要的作用，缺一不可。硬件方面，自動駕駛芯片作為計算的載體，已成為智能汽車的核心。過去，自動駕駛芯片主要以實現單一功能為主（支持低級別的輔助駕駛），如控制底盤、發動機、剎車燈等，而以特斯拉為代表的汽車電子電氣架構顛覆了傳統模式，采用了中央集中式架構，即用一個“大腦”控制整車，域控制器逐漸集成傳感器、數據融合、路徑規劃、決策等運算處理功能，另外，自動駕駛級別逐步提升，應用功能愈加豐富，這些使得汽車對芯片算力的要求越來越高。 在此背景下，高算力的硬件部署在行業中已經是迫在眉睫。

我們知道，數據驅動是自動駕駛未來發展的方向與趨勢 。海量的產品數據、超大規模的數據訓練、大模型的應用等，都對算力提出了更龐大的需求。在未來，擺脫高精地圖成為趨勢，重感知與高算力都將成為必然。可以說未來的自動駕駛就是數據與算力的競爭，誰擁有了最全面、最豐富的場景數據，并且擁有足夠算力的硬件部署能夠處理，誰就能在自動駕駛未來的競爭中占得上風。