1 自動駕駛分級
按照美國國家公路交通安全管理局指定的定義：
Level 0：無自動化，司機對汽車所有功能擁有絕對控制權。任何駕駛輔助技術（前向碰撞預警、車道偏離預警、自動前燈控制等），只要仍需要人爲控制汽車，都屬於Level 0。
Level 1：單一功能級的自動化，駕駛員仍然對行車安全負責，駕駛員無法做到手和腳同時不操控。不過可以放棄部分控制權給系統管理，某些功能已經自動進行，如自適應巡航、應急剎車輔助、車道保持等。
Level 2：部分自動化，司機和汽車分享控制權，駕駛員在某些預設環境下可以不操作汽車，即手腳同時離開控制，但駕駛員仍需要隨時待命，對駕駛安全負責，並隨時準備在短時間內接管汽車駕駛權。如結合了自適應巡航和車道保持的跟車功能。Level 2的核心在於駕駛員可以不再作爲主要操作者。
Level 3：有條件自動化，在有限情況下實現自動控制，比如在預設的路段（高速和人流少的城市路段），汽車自動駕駛可以完全負責整個車輛的操控，但是當遇到緊急情況，駕駛員仍需要在某些時候接管汽車，但有足夠的預警時間，如即將進入修路的路段。Level 3將解放駕駛員，即對行車安全不再負責，不必監視道路狀況。
Level 4：完全自動化，無人駕駛，無須司機或乘客干預。在無需人協助的情況下由出發地駛向目的地，僅需起點和終點信息，汽車將全程負責行車安全，並不依賴駕駛員干涉。行車時可以沒有人乘坐。
2 無人駕駛系統
主要分爲三部分：算法端、客戶端、雲端。
算法端：面向傳感、感知和決策等關鍵步驟的算法。
客戶端：機器人操作系統及硬件平臺。
雲端：數據存儲、模擬、高精度地圖繪製及深度學習模型訓練。
算法端從傳感器原始數據中提取有意義的信息以瞭解周圍的環境情況，並根據環境變化作出決策。客戶端融合多種算法以滿足實時性與可靠性要求。雲平臺爲無人車提供離線計算及存儲功能。通過雲平臺，我們能夠測試新的算法、更新高精度地圖並訓練更加有效的識別、追蹤和決策模型。
2.1 算法
算法系統組成：傳感（從傳感器原始數據中提取有意義的信息）；感知（以定位無人車所在位置及感知現在所處的環境）；決策（可靠、安全地抵達目的地）
2.1.1傳感
1.GPS/IMU
通過高達200Hz頻率的全球定位和慣性更新數據，幫助無人車完成自我定位。GPS是一個相對準確的定位傳感器，但他的更新頻率低，不足以提供實時的位置更新；IMU有相對高的實時性，可以達到200Hz或更高，但他的準確度隨着時間增長而降低，在長時間距離內不能保證位置更新的準確性。通過整合GPS/IMU，幫助無人車完成既準確又足夠實時的位置更新。
2.LIDAR
激光雷達可被用來繪製地圖、定位及避障。雷達準確率非常高，是主傳感器。激光雷達可以用來產生高精度地圖，並針對高精度地圖完成移動車輛的定位，以及滿足避障的要求。
3.攝像頭
攝像頭被廣泛使用在物體識別及物體追蹤等場景，在車道線檢測，交通燈偵測，人行道檢測中都以攝像頭爲主要解決方案。無人車至少使用8個攝像頭，分別從前後左右四個維度完成物體發現，識別，追蹤等任務。這些攝像頭以60Hz的頻率工作。
4.雷達和聲吶
雷達把電磁波的能量發射至空間中某一方向，處在此方向上的物體反射該電磁波，雷達通過接收此反射波，以提取該物體的某些有關信息，包括目標物體至雷達的距離、距離變化率或徑向速度、方位、高度等。雷達和聲吶系統是避障的最後一道保障。雷達和聲吶所產生的數據用來表示在車的前進方向上最近障礙物的距離。一旦系統檢測到前方不遠有障礙物的出現，則有極大的相撞危險，無人車會啓動緊急剎車以完成避障。因此雷達和聲吶系統產生的數據不需要過多的處理，通常可直接被控制處理器採用，並不需要主計算流水線的介入。
2.1.2 感知
獲取傳感信息後，進行感知，主要做三件事：定位、物體識別與追蹤。
1.定位
GPS以較低的更新頻率提供相對準確的位置信息，IMU以較高的更新頻率提供準確性較低的位置信息。使用卡爾曼濾波整合兩類數據的優勢，合併提供準確且實時的位置信息更新。不能僅僅依靠這樣的數據組合完成定位工作。攝像頭也被用於定位，但其對照明條件非常敏感，使用受限且可靠性有限。激光雷達通常被用作車輛定位的主傳感器。綜合需要利用多傳感器融合技術進行多類型傳感數據融合，處理以整合所有傳感器的優點，完成可靠並精準的定位。
2.物體識別與跟蹤
激光雷達可提供精準的深度信息，常被用於執行物體識別和追蹤的任務。使用CNN進行物體識別，一旦識別出來，下一步將自動預測它的運行軌跡進行物體追蹤。
2.1.3 決策
決策階段，行爲預測、路徑規劃、避障機制三者結合起來實時地完成無人駕駛動作規劃。
1.行爲預測
如何根據周圍車輛的行駛狀況決策下一秒的行駛行爲。爲了預測其他車輛的形式行爲，可以使用隨機模型產生這些車輛的可達位置集合，並採用概率分佈的方法預測每一個可達位置集的相關概率。
2.路徑規劃
如果使用完全確定模型，他搜索所有可能的路徑並利用代價函數的方式確定最佳路徑。但是完全確定模型對計算性能要求高，無法達到實時效果。因而使用概率性模型稱爲主要的優化方向。
3.避障
至少使用兩層級的避障機制來保證車輛行駛時不會與障礙物發生碰撞。第一層級是基於交通情況預測的前瞻層級。交通情況預測根據現有的交通狀況如擁堵、車速等，估計出碰撞發生時間與最短預測距離等參數，基於這些估計，避障機制將被啓動以執行本地路徑重規劃。第二層級是實時反映層，使用雷達數據再次進行本地路徑重規劃。一旦雷達偵測到障礙物，立即執行避障操作。
2.2 客戶端系統
客戶端系統整合上述避障、路徑規劃等算法，以滿足可靠性及實時性等要求。客戶端系統克服三個問題：
1.系統必須確保捕捉到的大量傳感器數據可以及時快速地得到處理；
2.如果系統的某部分失效，則系統足夠健壯能從錯誤中恢復；
3.系統必須在設計的能耗和資源限定下有效完成所有的計算操作。
2.2.1 機器人操作系統ROS
2.2.2 硬件平臺
Inter Xeon E5處理器 + 4-8個Nvidia Tesla K80 GPU + 散熱器 + 及時功耗5000W
2.3 雲平臺
從分佈式計算及分佈式存儲兩方面對無人駕駛系統提供支持。使用Spark構建分佈式計算平臺，使用OpenCL構建異構計算平臺，使用Alluxio作爲內存存儲平臺。
1.仿真
爲無人駕駛開發出新算法時，要先通過仿真對此算法進行全面測試，測試之後才進入真車測試。仿真時，通過在ROS節點回放真實採集的道路交通情況，模擬真實駕駛場景，完成對算法的測試。
2.高精度地圖生成