自动驾驶一般分为感知、定位、决策和控制四大模块。利用各类传感器对车辆周围环境进行车信息实现精准感知为后续模块打下基础，其重要性不言而喻。

图森的传感器方案以计算机视觉为主，将 8-10 个具有不同焦距的摄像头部署于卡车车顶，同时结合毫米波雷达进行数据采集。作为自动驾驶的主流传感器，摄像头以单目、双目甚至多目等方式基于计算机视觉技术实现物体测距、物体识别等功能。但仅仅依赖摄像头的传感器方案存在缺陷，会受到极端天气及光线等因素影响。毫米波雷达的加入解决了这一问题。通过数据融合等技术对来自不同传感器的数据进行分析处理，能够实现优势互补从而计算出行车视野内物体的位置、速度、轨迹等相关信息。这样的传感器融合方案为之后的决策、预警等功能提供良好的铺垫，也为自动驾驶的感知提供了一种更为完备的解决方案。

在郝佳男看来，传感器技术是无人驾驶的门槛之一，对 10 米、20 米开外的物体进行测距是研究生就可以完成的任务。但是探测 100 米以外的物体就不再那么简单，这对双目摄像头硬件的要求非常高，壁垒主要体现在芯片选型、镜头搭配、工艺结构等方面。图森未来目前采用的传感器方案则是针对特定自动驾驶场景高度定制的。

除此之外，激光雷达也在图森未来的算法及实验训练阶段发挥指导作用。虽然激光雷达在测距精准性上具备绝对优势，但是目前其成本还是一大问题，谷歌的自动驾车汽车采用的 Velodyne 64 线激光雷达的价格就高达 75000 美元。除了成本问题，激光雷达测距范围、耐久性也成为图森未来现阶段没有在传感器部分使用激光雷达的原因。不过，随着固态激光雷达等技术的突破与发展，这些问题或将在未来得以解决。图森未来已经与国内激光雷达供应商速腾聚创展开了相关合作，共同探索激光雷达落地的可能性。

自主测绘 + 合作构建高精地图，定位误差小于 5 厘米

定位模块是自动驾驶技术中不可或缺的一个环节，根据采集到的数据信息实时构建高精度的三维地图，有助于自动驾驶车辆对自身环境更深的理解。图森未来的建图车辆搭载了 GPS、IMU、摄像头和激光雷达，多传感器返回的特征点完成匹配，对车道线、隔离带、交通指示牌等信息进行精准构建，确保车身定位误差小于 5 厘米。郝佳男介绍，鉴于图森未来自动驾驶卡车的应用场景仅限于固定路段，所以地图构建的成本并不高。

事实上，图森未来选择自主绘制高精地图的一个重要原因在于图商提供的数据并不满足他们的需求。郝佳男表示，目前高精地图领域并没有现成的标准，每家图商的定位技术也不尽相同。另外，如果画一个北京城的高精地图是非常有难度的，而且成本也比较高；但是如果只针对高速路段则简单很多，因为中国只有 40 余条干线。除此之外，图森未来也将与一些国内的合作伙伴一起构建高精地图。

自主研发核心算法，开放部分训练数据集

自研算法是图森的技术核心，在环境感知、定位导航、决策控制等自动驾驶环节均有所体现。以决策环节为例，图森采用规则与学习融合的算法。基于规则的短程决策以及基于学习的长程决策帮助自动驾驶车辆决定下一步动作，如刹车、减速、循迹等。

但是，自动驾驶并不是一个简单的神经网络。「在自动驾驶技术中，端到端的深度学习从数学角度看是无法实现的，可能永远有解决不掉的问题。目前的技术还做不到可以达到人脑水平的黑箱子。」郝佳男说。

去年九月，图森未来研发的深度学习感知算法在第三方公共平台 KITTI 和 Cityscapes 数据集上夺冠，而对算法进行优化则花费了团队两个月左右的时间。郝佳男解释，刷榜的目的是为了证明实力。但在这个过程中，团队发现，KITTI 等数据集解决的是非常传统、相对学术的问题，因而在今年上半年，图森未来推出了一个全新的更贴近落地的数据集，以此回馈学术界并表达他们对自动驾驶的理解和态度。