进入 2020 年，自动驾驶技术跨越式与渐进式路线的阵营划分已十分明显，但最终自动驾驶要完全自动化，技术还需要不断更新发展。
对自动驾驶的技术进展，WEVOLVER 发表的《2020 自动驾驶技术报告》（2020 Autonomous Vehicle Technology Report）做了全面阐释。
报告从感测、规划、执行三层面阐述自驾车技术的最新发展状况，涉及感测器、资料处理、机器学习、SLAM 与感测器融合、路径规划等多领域，同时提供多家自动驾驶公司的案例，包括特斯拉、Volvo、Waymo 等。
感测
自驾车是在未知动态环境执行，所以需要事先构建环境地图并自我定位，而执行同步定位和对映过程（SLAM，即时定位和地图构建）输入则需要感测器和 AI 系统帮助。
报告指出，感测器可分为有源感测器和无源感测器，各种感测器都有优缺点，没有单一感测器适用所有路况。通常情况下，想可靠安全操控一辆自驾车，需要同时使用多种感测器。
一般情况下，自驾车感测器主要有 5 种：
- 远端雷达：讯号能透过雨、雾、灰尘等视线障碍物侦测目标。
- 照相机：一般以组合形式探测短程目标，多应用于远距离特徵感测和交通侦测。
- 光学雷达：多用于 3D 环境对映和目标侦测。
- 短程／中程雷达：中短程目标侦测，适用侧面和后方避险。
- 超音波：近距离目标侦测。
各类感测器均有优缺点，而自驾车需要从技术判断选择感测器，筛选条件主要有几方面：
- 扫描範围，决定感测器反应感测物体的时间。
- 解析度，感测器可为自驾车提供多少环境细节。
- 视野／角度解析度，决定自驾车需要多少感测器涵盖感测区域。
- 3D 环境区分静态和动态物体的能力。
- 更新率，决定感测器资讯更新的频率。
- 不同环境条件下的总体可靠性和準确性。
- 成本、大小和软体相容性。
- 生成资料量。
以下是特斯拉、Volvo-Uber、Waymo 的感测器方案示意图：
另外，关于无源感测器和有源感测器，报告也详尽介绍：
无源感测器
无源感测器能探测环境物体反射的现有能量，如光、辐射等。但在弱光环境下，由于自己没有传递源，无源感测器的效能将会下降。并在产生资料方面，比起有源感测器，无源感测器产生的资料量更多，约 0.5~3.5Gbps。
即便如此，无源感测器仍有许多特点：
- 涵盖整个视野宽度的高解析度画素和色彩。
- 视野保持恆定帧频。
- 两个镜头可生成一个 3D 立体检视。
- 缺乏发射源，减少其他车辆干扰的可能性。
- 技术成熟，成本低。
- 系统生成的影像便于用户理解互动。
如果在自驾车使用无源镜头感测器套件，需要涵盖汽车周围环境。这可透过使用特定时间间隔拍摄影像的旋转相机做到，或用软体将 4~6 台相机影像接在一起。
此外，这些感测器需要超过 100 分贝的高动态範围（场景高光和阴影成像能力），能在各种光照条件下工作，并区分不同物体。
有源感测器
有源感测器有讯号传送源，依靠 TOF 原理感测环境，ToF 能透过等待讯号反射传回测量讯号从源头到目标的传递时间，讯号频率决定系统使用的能量及準确性。因此，确定正确的波长在选择系统时是关键。
关于有源感测器种类，报告主要介绍 3 种：
超音波感测器：也称为声纳、声音导航测距。在有源感测器中，音波频率最低（波长最长），因此更容易被干扰，这也意味着超音波感测器很容易受不利环境条件影响，如下雨和灰尘。另外，其他音波产生的干扰也会影响感测器效能，需要透过使用多感测器和依赖其他种类感测器来缓解干扰。
雷达：主要以无线电波测距。无线电波以光速传递，电磁波谱中频率最低（波长最长），基于无线电波反射特徴，雷达感测器可探测到前方物体以外的东西。
不过，雷达讯号容易被具相当导电性的材料（如金属物体）反射，并其他无线电波干扰也会影响雷达效能，造成雷达感测器无法探测。确定探测目标的形状这点，雷达的能力不如光学雷达。
光学雷达：以脉冲光学形式使用光。光学雷达感测器以每秒 50,000~200,000 脉冲的速度扫描一个区域，并将传回讯号编译成 3D 点云图，透过比对连续感测的点云图、物体差异侦测运动，建立 250 公尺範围的 3D 地图。
规划
根据自驾车感测器套件撷取的初始资料和已有地图，自动驾驶系统需要同时定位和对映演算法构建和更新具体环境地图，追蹤具体定位，开始规划从一点到另一点的路径。
SLAM 与感测器融合
SLAM 是複杂的过程，因定位需要地图，而绘製地图需要良好的位置估算。为了更準确执行即时定位和地图构建，感测器融合开始发挥作用。
感测器融合是将多感测器和资料库结合，以改进资讯的过程，是多层次任务，能处理资料间的联繫和相关性组合资料，与使用单资料源相比，能获得更便宜、更高品质、相关性更高的资讯。
自驾车 AI 架构主要有两种方法：
- 逐步处理。把整个驾驶过程拆解为一系列逐层连线的流水线，其中每一步，如感测、定位、地图、路径导航、运动控制，都分别由各自软体套件处理。
- 端到端。基于深度学习的解决方案，一次性处理所有功能。
透过感测器融合，自驾车获得资料，不过如何从感测器讯号撷取有用的资讯，并基于现有资讯执行，需要利用机器学习演算法──CNN、RNN、DRL。
CNN（卷积神经网路）：主要用于处理影像和空间资讯，撷取感兴趣的特徵和辨识环境物体。神经网路是由一个卷积层构成：一个过滤器集合，尝试区分影像元素或输入资料做好标记。卷积层汇出输入到演算法，演算法结合资讯预测影像的最佳说明。最后的软体通常称为物体分类器，因可分类影像里的物体，如交通号誌或另一辆车。
RNN（递迴神经网路）：主要用于处理影片资讯，先前步骤汇出将输入网路，允许资讯和知识在网路持久存在并内化。
DRL（深度强化学习）：DRL 允许软体定义的「代理」学习在虚拟环境使用奖励函数，达成目标最佳操作。这些针对目标的演算法将学习如何达成目标，或如何在多步骤下沿着特定角度最大化。目前，深度强化学习在自驾车的应用还处在起步阶段。
这些方法不一定独立存在。为了避免过度拟合，深度学习通常会多工训练网路。当机器学习演算法训练用于特定工作时，它会变得非常专注模仿训练的数据，以至于尝试插值或外推时，结果会不太现实。
透过多工训练机器学习演算法，网路核心将专注发现所有目的都有用的通用特徴，而不是专注于一个工作，以便输出更实际有用的应用程式。
利用感测器的所有资料和演算法，自驾车能探测周围物体。接下来，它需要找到一条路。
路径规划
车辆了解环境物体及位置后，可使用 voronoi 图（车辆与物体间的最大距离）、使用网格演算法或驾驶廊道演算法，确定车辆的大範围路径。然而，这些传统方法无法满足车辆于动态环境行动。
报告指出，部分自驾车不仅依靠机器学习演算法感测环境，还依靠这些资料来控制车子。路径规划可透过模仿学习传授给 CNN，CNN 会尝试模仿驾驶的行为。
通常情况下，这些机器学习方法会与经典的运动规划和轨迹最佳化方法结合，以确保路径的强健性。此外，出于其他目的（如减少燃料使用），车商还会在模型提供最佳路径参考。
车辆执行过程的神经网路训练和推理需要巨大计算能力，由于汽车需及时回应新数据，因此操作车辆所需部分处理需在车上进行，模型改进可在云端完成。
目前，机器学习的最新进展在有效处理自驾车感测器产生的资料，减少计算成本。此外，晶片製造和微型化进步也提高可安装于自驾车的计算能力。随着网路协定进步，自驾车或许能靠低延迟基于网路的资料处理，帮助自己自主操作。
执行
那幺，车辆是如何行动的？
人类驾驶的车子，转向、剎车或讯号等动作通常由驾驶控制。驾驶的机械讯号由电子控制单元（ECU）转换成驱动指令，再由电动或液压执行器执行。
