因此，严重依赖于粒子滤波的LIDAR（激光雷达）成为主要的定位传感器。由LIDAR产生的点云提供了对环境的“形状描述”，但它也很难来对单独的点进行差异化。通过使用粒子滤波，系统把一个特别的观测形状和已知的地图进行比对，从而提升确定性。

　　为了定位车辆与地图的相对位置，我们应用粒子滤波技术来把来自LIDAR的测量和地图关联。粒子滤波方法已经被证明能获得实时的定位，精度在10厘米，同时对于城市环境也有效。然而，LIDAR也有它自己的问题：当空气中有非常多的悬浮颗粒（如雨滴和灰尘）的时候，它的测量值可能会非常得混乱。

　　因此，为了能获得可靠且精确的定位，我们需要一个传感器融合的过程来合并这些传感器的优点，如图5所示。

图5 传感器融合定位管道。图片由Shaoshan Liu友情提供

　　物体识别与追踪

　　因为LIDAR提供了精确的关于深度的信息，所以它最初在自主驾驶汽车上是被用于物体识别和追踪的。但近年来，随着深度学习技术的飞速发展，它在物体识别和追踪的准确度上有了显著的提高。

　　深度神经网络之一的卷积神经网络（CNN）已经被广泛地用于物体识别。一个普通的CNN评估管道一般包括下述的几层：1）卷积层，使用不同的过滤器来从输入图像里抽取不同的特征。每个过滤器都包括一套在训练阶段结束后“可学习到”的参数；2）启动层，决定是否要启动目标神经元；3）pooling层，降低图像表征的空间尺寸，从而能降低参数的数量，以及随之带来的网络计算量的降低；最后4）全连接层，连接前一层所有的启动神经元到本层的所有的神经元。

　　一旦用CNN识别了一个物体，下一步就是自动地估计物体移动的轨迹了，或叫物体追踪。

　　物体追踪技术可以被用来跟踪附近行驶中的车辆，也能用来跟踪横穿马路的行人。从而保证车辆不会和其他移动的物体发生碰撞。近年来，深度学习技术已经展示出比传统的计算机视觉技术更好的跟踪能力。通过使用辅助的自然图片，一个堆栈化的自动编码器可以被离线的训练来学习常见的图片特征。这样获得的模型比从实际车辆的位置和视角上看到的震动的图片去训练的模型要更鲁邦。这个离线训练的模型就可以被用来做物体追踪。

　　决策

　　在决策阶段，行为预测、路径规划和避障机制被组合起来，实时地产生一个有效的操作计划。

　　行为预测

　　人类司机在行驶过程中所面对的一大挑战就是如何去应对其他司机可能的行为。因为其他司机的这些行为会直接影响他自己的驾驶策略。这在有多个车道的路面以及行驶改变点的时候尤其重要。为了保证自主驾驶汽车在这些情况下能安全行驶，决策单元会预测附近其他车辆的行为，并依据这些预测来做出自己的操作计划。

　　为了预测它车的行为，我们可以生成一个其他车辆可达的位置集合的统计模型，并给出这些集合的概率分布。

　　路径规划

　　在一个动态变化的环境里，规划一个自主驾驶、自主反应的汽车的路径是一个复杂的问题，尤其当要求车辆完全利用它自己的操控能力的时候。一种方法是使用确定性全局算法，即搜索全部可能的路径，并用一个损失函数来决定最佳路径。但是这个方法的计算量非常大，并有可能无法提供实时的导航计划。为了规避这个计算复杂度并提供有效的实时路径规划，一般使用概率性规划器。

　　避障

　　自主驾驶中，安全是极其重要的考虑因素，所以我们应该使用至少两级避障机制来保证车辆不会撞到其他东西。第一级是主动的，基于交通情况预测的。交通预测机制产生类似于预计碰撞时间或是预计最小距离的指标。基于这些指标，避障机制被触发来进行局部路径的再规划。如果主动机制失效，第二级使用雷达数据的被动机制就会接管控制。一旦雷达探测到路径前方有障碍，它就要获取车辆的控制权，并设法避障。

　　车载客户端系统