自动驾驶汽车（Autonomousvehicles；Self-pilotingautomobile）又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。在20世纪已有数十年的历史，21世纪初呈现出接近实用化的趋势。
自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。人工智能时代对汽车行业最大的颠覆创新即是将汽车复杂的零部件逐渐简化，取而代之的是大量的代码。
今年7月5号，百度开发者大会上，百度自家的全球首款L4级别无人驾驶大巴车“阿波龙3.0（Apollo）”正式下线。李彦宏骄傲的讲他去年吹的牛都兑现了，百度成功转型向人工智能汽车自动驾驶，与此同时大量的自动驾驶年轻化创业公司也如雨后春笋般一跃而起，这意味着自动驾驶元年的历史节点已经开启。
美国国家公路交通安全管理局于年正式提出的自动驾驶五等级分类系统：
◆等级0：即无自动。驾驶随时掌握着车辆的所有机械、物理功能。
◆等级1：驾驶人操作车辆，但个别的装置有时能发挥作用，如电子稳定程式（ESP）或防锁死刹车系统（ABS）等
◆等级2：驾驶人主要控制车辆，但系统通过自动化使之明显减轻操作负担，例如主动式巡航定速（ACC）、自动紧急煞停系统（AEB）等。
◆等级3：驾驶人需随时准备控制车辆。自动驾驶辅助控制期间可以暂时免于操作，但当汽车侦测到需要驾驶人的情形时，驾驶必须接手因应系统无力处理的状况。
◆等级4：有方向盘自动车。驾驶人可在条件允许下让车辆完整自驾，启动自动驾驶后，一般不必介入控制。
◆等级5：无需方向盘自动车。此类车辆能自行启动驾驶装置，全程也不须开在设计好的路况，就可以执行所有与安全有关之重要功能。
各大巨头的研发成果：
图片来源于网络图片来源于网络1、高精度地图
◆定义：包含大量驾驶辅助信息，如道路网的精确三维表征、语义信息（交通灯、限速等）且可达到厘米级精度的地图。
◆作用：定位中、感知中、规划中
◆要素：道路定义、交叉路口、交通信号、车道规则等
◆构建过程：数据采集、数据处理、对象检测、手动验证、地图发布、验证和更新
2、定位
◆定义：（在地图上）以分米级精度确认车辆的位置。
◆输入：传感器数据；输出：车辆位置
◆步骤：预处理、坐标转换、数据融合
◆常用方法：GNSSRTK、惯性导航、LIDAR定位、视觉定位、基于多传感器的融合定位。
3、感知
◆定义：车辆使用计算机视觉技术（计算机看待和理解世界的方式）了解环境。
◆核心任务：检测（找出物体在环境中的位置）、分类（明确对象）、跟踪（随着时间的推移观察移动物体）、语义分割（将图像与语义类别进行匹配）
◆检测与分类：主要包括障碍物检测分类、交通信号灯检测分类、车道检测分类。
◆追踪：是检测失败（如发生障碍物互相遮挡）时的补救手段，同时追踪可以保留对象的身份。
4、规划
◆步骤：路线规划（高等级轨迹）、轨迹生成（低等级轨迹）
◆车辆的三种状态：巡航、跟随、停止
5、控制
◆定义：是驱使车辆前行以运行轨迹的策略，使用可行的控制输入，最大限度地降低与目标轨迹的偏差，并最大限度地提高乘客的舒适度。
图片来源于网络图片来源于网络自动驾驶是人工智能一个重要的生态圈入口，各大厂商都在积极布局。典型的代表有，互联网企业谷歌百度、互联网汽车的Uber和Tesla，以及传统的各大车企。
传感器和算法模型是自动驾驶技术的核心构成，其技术先进度、工业成熟度直接决定着无人驾驶的发展阶段。目前，产业整体水平仍在高级辅助驾驶的Level2阶段（依据NTHSA标准）。
传感器：目前主要的车载传感器包括摄像头、超声波雷达、毫米波雷达和激光雷达，其成本依次升高。传感器性能各有利弊，高度自动化的ADAS功能实现需要多种传感器的融合。目前激光雷达+摄像头的方式在传感器精度方面表现最佳，未来如果实现无人驾驶，激光雷达将是必不可缺的传感器之一。
自动驾驶的算法技术壁垒较高，牵扯到SLAM技术、物体和场景识别等，目前依然存在大量的创业机会。此外，多传感器数据融合的算法技术是难点。
从市场竞争格局来看，传感器领域仍未出现技术领先的大厂商，多为被车企投资的创业厂商；算法和芯片领域有老牌ADAS企业Mobileye、日立等，但创业公司仍有机会，尤其是多传感器的算法融合领域。
整体分析，百度和Google在高精度地图方面有显著优势；但是Tesla在实际驾驶里程方面有较多的数据；Uber在开发自己的地图系统，且在无人货运方面已有布局。
在主流人工智能技术发展进程里，机器学习是最广泛使用的技术。而目前机器学习的主要实现手段是监督与辅助学习。
目前的机器学习基本是由专业的数据服务商，通过系统化的手段生产出适合机器学习的已知数据集，基于标注的输入和输出数据进行逻辑训练，从而学习到达成目标的路径，让机器通过高质量数据不断“聪明起来”。
因此，机器学习的数据越多，质量越高，训练出来的算法就会越聪明，机器通过优质数据进行不断的学习训练，从而达到真正智能化的本能建设，这样就可以不断完成自我进化，这是最理想的状态。
但实际情况是若要达到以上目的，其必要前提是机器学习的数据都没错，假如其中混杂了错误数据，那么学习得出的结果显然也是错的。错误的数据会导致机器学习错误的样本知识，结果是影响整个数据链的准确度，严重的现实便是“车祸”。