现在，我们可以通过高精度定位和地图降低对传感器的依赖。通过提供厘米级的定位以及应对复杂驾驶环境的精确三维地图数据，让无人车获得最佳行车路线，地形特征，位置映射等，方便进行动态目标检测和障碍物检测等，极大降低对传感器的依赖。

　　在自动驾驶方案中采用Applanix POS的系统提供多双频GPS接收信息实时集成，包括GPS方位航向测量、高性能惯导测量单元（6自由度、安装靠近后轴处）、车轮量程计（DMI）、OMNISTAR卫星虚拟基站服务等，系统实时位置误差通常可低于100厘米，方向误差低于0.1度。后续需要集成基于低功耗、低价、微小型定位传感器（MEMS IMU），提供高精度定位服务。

　　挑战四：路径规划与任务规划。在路径规划方面，交通环境通常是部分已知，可能还有障碍物临时出现，所以必须重新规划路径。在实际交通环境下，如何判断虚假拥堵，并进行正确的通行决策，这对路径规划提出了更高的要求。在任务规划方面，如何在复杂的交通场景下实现安全的、与人类驾驶行为类似的自主驾驶，使其不会对正常交通流造成影响，同时保障车辆自主行驶安全性，这也对结构化道路的自主驾驶提出很高的要求。

　　除了交通环境、智能交通系统和通行预测信息对无人驾驶的主导影响之外，导航地图对无人驾驶也是分外重要。虽然当前的导航地图还无法满足无人驾驶的要求，但是通过采用激光雷达获取的三维点云数据，并进行人工标记之后就可以建立路面模型。包含了道路上较为全面的交通标志、交通信号等信息，还包括车道线位置、道路坡度和斜度、车道限高、下水道口、障碍物以及其他道路上一些细节。既提供当前道路的静态环境模型，也可以通过预先存储的点云和图像特征数据来提供高精度定位。目前的高精度导航地图分为两类。一类是谷歌和Here的激光雷达和摄像头获取3D点云数据测量的地图；另一类是通用、大众联手Mobileye的RoadBook众包地图，通过车辆摄像头和GPS，结合本地以及云端软件来开展高精度地图服务。

　　挑战五：学习与自适应。机器学习将是无人车挑战人类智慧的关键，我们需要将机器人学习的研究成果应用到无人驾驶上，使得无人车能够处理复杂的交通环境，并产生自适应行为。另外，可以通过云计算服务器的强大计算和存储能力，实现驾驶环境数据的挖掘、交通标志和移动目标的识别与标记，典型交通场景的识别以及相应的自主行驶动作系列，数据融合以及相关算法适应性学习等，简化无人车的设计，克服智能车辆研究中的难点。而且在复杂的交通场景下实现安全的、类人驾驶行为的自主驾驶，使其不对正常交通造成影响。

　　除了无人车自身需要突破的挑战之外，建立适应无人车运行的交通环境也相当重要。要对现有的交通环境进行改造，建成适合无人车驾驶的交通环境。例如设立专用车道、专用停车位、车路通讯和车间通讯环境、车路协同的交叉口等，还需在路测搭建包括监控设备、无线网络设备。

　　综合应用障碍有待突破

　　现阶段无人驾驶技术离适用还有一定距离，技术可行、允许和广泛适用等五个方面的障碍还需要克服。

　　第一方面，无人驾驶平台需要通过严格测试认证，其中包括车载传感器、核心部件、计算机平台等整合与测试，还包括环境感知、车辆控制、路径规划和任务处理等功能测试；

　　第二方面，无人驾驶技术还需要完善复杂交通场景下的功能与技术，并让这些技术便宜到市场能够接受的程度；