除了高精度的传感器设备之外，拥有高性能的计算软件也是无人驾驶的必备。无人驾驶的软件作为无人车的“大脑”非常重要，也非常的复杂，而且价格超过百万元。激光雷达在不断的进行360度环绕扫描的过程中产生了大量的数据信息，这些信息需要通过无人驾驶软件进行计算形成了一个局部的地图，并且还需要实时的准确定位汽车的位置信息，这是一个相当复杂的过程。例如，奥迪研发的zFAS驾驶大脑就拥有很强的数据处理能力，除了实现行人探测、交通标识识别、车道识别等各类高级驾驶辅助系统（ADAS）功能外，系统在自动驾驶状态时需要在极短时间对大量数据进行分析处理，进行驾驶员决策，操控汽车行驶。zFAS采用Tegra K1主流芯片的模块化设计，这也意味着zFAS日后的升级会变得更加的灵活。

　　五大技术挑战

　　虽然无人驾驶技术正在高速的发展，但是机器学习能力还没远远没有达到人脑的水平。现在，无人驾驶技术面临着五大挑战。

　　挑战一：无人车环境感知能力。众所周知，无人车的激光雷达探测包括车辆、行人、树木、路缘等，摄像头可以辨识交通信号和车道等，车身周围的微波雷达则感应移动障碍物等，GPS和惯导可以实时定位车辆位置。那么，这种挑战在于汽车如何在复杂、动态和多样化的交通环境下，克服传感器各自物理限制和车辆运动干扰，提高环境感知精确程度，对动态目标进行识别与估计，完成交通环境信息的多视图数据融合。例如，汽车在农村这样的非结构化交通环境下存在感知困难，难以区分路面和路沿，其环境几何特征多变，这需要采用更高性能传感器和更好信息处理算法，结合机器人学习车间通讯技术扩展功能，解决自身局限性，进一步理解非结构化环境。

　　挑战二：车辆控制与运动规划。车辆控制与运动规划是无人车感知环境后必然的反馈结果，所以保持汽车的行驶路径和汽车的稳定性相当重要。汽车的稳定性可区分为横向稳定、纵向稳定和垂直稳定，这种稳定性之间两两结合又形成了三种控制，横摆控制、侧斜控制和俯仰控制，它们决定着汽车的驾驶性能、操控性和姿态控制、抓地力等功能。汽车的控制单元结合车辆总线控制进行车内深度改造完成各种功能，并建立车辆动力学模型，采用PID、模型预测等先进控制算法实现横纵向控制。

　　无人车的执行器主要分为转向、制动和油门改装等部分。许多车辆总线还没对外开放，现在还有许多实现方案是不对原车做任何改动，直接附加一套电机装置，类似于ADAS测试中使用的AD机器人，但这种方法安全性极低。而基于线控技术集成的自动驾驶系统将极大的提高了智能车辆的可靠性和操控性能。自动驾驶方案中动力、转向和制动（部分还包括悬挂）三个系统需要X-by-wiret线控技术。通过车辆内部CAN通信的方式实现对EPS、ESP等执行机构的准确控制。此外，在纯电动或者混动车基础上改装具备线控（液压）刹车的配置。可行的通用集成方案，将控制系统集成到CAN总线、Flexray或者快速以太网总线上。

　　总线上有待改进的地方还有车载传感器。我们通过车载传感器集成和智能化降低整体的费用，将现有的车载传感器通过各类总线技术进行集成配置，在通过传感器信息的智能化处理，输出无人驾驶所需的环境感知和信息。也需要从车身内的传感器智能化与集成化入手，通过融合车载的IMU、车头指向设备和GPS等传感器进行车辆位姿精确感知，实现车辆控制。还可以通过全新无人车的架构设计，结合集成化控制系统和新型总线，将传感器和智能计算单元进行配置和集成，将为无人驾驶提供基础架构和支撑。

　　挑战三：智能车辆定位与导航。目前的车载定位设备不能满足拥堵交通流中的定位精度要求，这需要改善抗干扰性能、多路径问题的修正和提高GPS信号跟踪能力，以及GPS/INS组合导航技术在信号降低等情况下性能的改善等。可以通过无线网络信号与GPS集成，与精确数字地图集成，与环境感知信息集成，辅以SLAM、视觉导航等技术，在复杂交通环境中增强无人车的定位与自主导航能力。