讓自動駕駛車注意路況，看懂交通號志，偵測物件并為其分類，感知速度/軌跡以及其他車輛并不容易 - 更重要的是，它必須能自行在地圖上定位，才能確切地知道行車的目的地。

高度自動化的車輛在追蹤周遭環(huán)境時，必須依靠很多感測器，包括攝影機，雷達，超音波，GPS天線，以及利用光脈沖測距的光達（LIDAR）元件。每一種感測器都有其優(yōu)缺點。

我們首先應弄清楚如何最有效地填補感測器固有的缺陷。第二步可能更為重要，即開發(fā)最佳策略，將不同的資料串流結(jié)合起來，使關(guān)鍵資訊不至于遺失。每一種感測器都以自身的畫面更新速率傳送資料已經(jīng)是個問題，感測器融合就更復雜了 - 因為有些感測器提供原始資料，而其他感測器則提供自己的物件資料答案。

2017年年，我們看到了感知技術(shù)方面的一連串進展。

科技公司，一級供應商和OEM一直汲汲于取得自家公司缺乏或無法自主開發(fā)的感測器技術(shù)。同時，過去兩年來已經(jīng)出現(xiàn)了多家感知感測器新創(chuàng)業(yè)公司，其中有許多都關(guān)注尚處于萌芽階段的自動駕駛車市場。

在雷達市場，競爭的重點在于尺寸和精確度.TI如今宣稱可支援「小于4厘米測距解析度的高精度獨立感測技術(shù)」。

然而，更好的解析度需要更多通道，這意味著有更多資料需要處理所以，馬格奈說：「毫米波雷達需要有專門的處理器來處理這些資料，以及產(chǎn)生物件或點云?！勾送?，毫米波雷達還需要開發(fā)工具以打造應用。否則，龐大的資料難以被理解。

雷達除了能全天候運作外，其他的評價一向不優(yōu)。傳統(tǒng)的車用雷達無法看到攝影機或光達所能看到的物體。更具體地說，雷達看不到遠方的物體，也無法區(qū)別所看到的東西。它們的處理速度不足以達到行駛于高速公路的要求。

讓汽車具有「自我意識」的第一步是建構(gòu)地圖，并即時匹配至車輛在預先制作的地圖上看到的內(nèi)容然后，車輛可以對其位置進行三角測量和定位.Magney強調(diào)：「車子必須確切知道要去哪里，才能發(fā)展出『情境感知』?！?/span>

換句話說，如果希望高度自動化的車輛能準確定位，就需要使用光達.Magney指出，它們需要一個具有定位功能的基本地圖。

不過，還有其他方法可以做到這一點。例如Nvidia的DriveWorks SDK可實現(xiàn)基于影像的定位.DriveWorks工具庫包括地圖定位，高清地圖介面以及自我運動（自我運動）等。

感測器融合

隨著自動駕駛車收集到所有的感測資料，最重要的就是感測器融合的品質(zhì)。感測器融合的結(jié)果決定了自動駕駛車的決策和行為，也即安全問題。

自動駕駛車無法僅靠一個感測器實現(xiàn)安全駕駛，因此必須進行感測器融合但馬格奈補充說：「因為你必須同步所有的感測器訊號，所以融合是很困難的。」

至于是融合「物件」資料還是「原始」資料，業(yè)界對此的爭論才剛剛開始，目前還沒有明確的答案。

相較于物件資料，由于原始資料不會在轉(zhuǎn)換過程中發(fā)生遺失，大多數(shù)的AI擁護者較支持這種資料融合途徑與原始資料融合有關(guān)的問題包括：「你將需要大量的處理;你還需要有GB級的網(wǎng)路，才能將這些訊號傳送到整個車輛中?！?/span>

（參考譯文：2018年的Robocar傳感器展望，由Junko Yoshida提供）