自动驾驶四大关键技术是感知技术、决策技术、路径规划、运动控制。

感知技术：

作为第一步的环境感知，就是环境信息和车内信息的采集与处理，它是智能车辆自主行驶的基础和前提。获取周围环境信息，涉及道路边界检测、车辆检测、行人检测等技术，即传感器技术所用到的传感器一般有激光测距仪、视频摄像头、车载雷达、速度和加速度传感器等等。

决策技术：

完成了感知部分，接下来需要做的便是依据感知系统获取的信息来进行决策判断，确定适当的工作模型，制定相应的控制策略。这部分的功能类似于给车辆下达相应的任务。

路径规划：

智能车辆有了行驶任务，智能车辆的路径规划就是在进行环境信息感知并确定车辆在环境中的位置的基础上，按照一定的搜索算法，找出一条可通行的路径，进而实现智能车辆的自主导航。

运动控制：

运动控制包括横向控制和纵向控制，简单来说横向控制就是转向控制，纵向控制就是速度控制，现在研究比较多的是横向控制，所运用的方法主要包括滑膜控制、模糊控制、神经网络控制、最优控制、自适应控制和跟踪控制等。

自动驾驶曾经有很多技术路线，2019年后形成了两个主要流派：一个是高精地图+激光雷达的地图派，高精地图和激光雷达就像是自动驾驶车辆的“两根拐杖”，靠激光雷达增强感知能力，高精地图提高规划能力，然后在算法的辅助下实现车辆的自动驾驶功能。另一个是摆脱了高精地图限制的感知派，简单来说就是丢掉了高精地图的拐杖，依赖于激光雷达+毫米波+摄像头的感知能力。“感知系统”就像是自动驾驶的“眼睛”与“耳朵”，然后对路况做出实时判断。

随着自动驾驶技术的进步发展，企业们逐渐发现过分的依赖高精地图却带来了不少的约束与限制。目前，自动驾驶难以完全落地的主要原因便是高精地图的建造与高昂的维护成本。每日更新城市中的地图对于自动驾驶企业而言更是难以完成的目标，而随着高精地图资质的收紧，国内更是只有个别的图商才有绘制地图的资质。对于车企而言，没有一家OEM愿意将如此重要的筹码假手他人，与图商的合作也难以彻底消除此类担忧。在如此背景下，抛弃高精地图而提升感知能力不失为一个好的选择。

在国外，特斯拉无疑是践行这一思路最早的玩家，其率先使用的BEV感知模型迎得国内外自动驾驶企业纷纷效仿，也通过市场的反馈证明了未来纯视觉自动驾驶的可能性。国内，也有多家企业正逐步进行战略转型：小鹏重申从2023年开始，从高速到城市NGP，都不再依靠高精地图；理想将基于BEV感知和Transformer模型，实现不依赖高精地图的城市NOA；其实，重感知的路线并非新鲜概念，国内自动驾驶公司毫末智行最早选择了这种方式，并且很长一段时间内也几乎是行业内唯一采用“重感知”路线的厂商。其发布的MANA五大模型，助力感知效果的提升，降低了自动驾驶对于高精地图的依赖性。一个行业中企业路线的切换往往是经过深思熟虑，影响也是深远的，而正确路线的尽早确立将为企业带来强大的先发优势，这一点上毫末走在了中国自动驾驶的前列。

在未来，“重感知、轻地图”的路线优势将逐渐显现，车企们通过落地测试，积累了大量的真实路况数据，从而让自动驾驶系统学到了更多有价值的经验，成为名副其实的“老司机”。我们人类开车并不需要知道信息量如此巨大的全局高精地图信息，对于机器来说完全依靠强大的感知能力应对各种场景从原理上是可行的，而越来越多的公司正在证明着这一点。也只有如此，才真正为自动驾驶的量产落地打下坚实的基础。

对于自动驾驶系统来说，软、硬件都发挥着非常重要的作用，缺一不可。硬件方面，自动驾驶芯片作为计算的载体，已成为智能汽车的核心。过去，自动驾驶芯片主要以实现单一功能为主（支持低级别的辅助驾驶），如控制底盘、发动机、刹车灯等，而以特斯拉为代表的汽车电子电气架构颠覆了传统模式，采用了中央集中式架构，即用一个“大脑”控制整车，域控制器逐渐集成传感器、数据融合、路径规划、决策等运算处理功能，另外，自动驾驶级别逐步提升，应用功能愈加丰富，这些使得汽车对芯片算力的要求越来越高。 在此背景下，高算力的硬件部署在行业中已经是迫在眉睫。

我们知道，数据驱动是自动驾驶未来发展的方向与趋势 。海量的产品数据、超大规模的数据训练、大模型的应用等，都对算力提出了更庞大的需求。在未来，摆脱高精地图成为趋势，重感知与高算力都将成为必然。可以说未来的自动驾驶就是数据与算力的竞争，谁拥有了最全面、最丰富的场景数据，并且拥有足够算力的硬件部署能够处理，谁就能在自动驾驶未来的竞争中占得上风。