無人駕駛的實現主要是通過人工智能技術，那它在實際中擁有怎樣的特殊呢？下面就來分析。

1、環境感知，在計算機視覺的領域中，環境感知是比較受重視的研究，就比如說slam系統，這個系統主要是基于激光雷達的，在目前已經可以很好地把地圖實現定位，局部環境地圖的構建。

2、標識識別，可以包括車道識別、交通標志識別車輛行人識別以及運動的跟蹤，對于它們來說，CNN技術還是比較好的技術，并且沒有任何一種技術可以超過這種技術，還有標識識別決定著無人駕駛行為決策的基礎。

cnn技術可以非常有效的對激光雷達進行補充，當然也可能是由于激光雷達的低像素問題，無法對障礙物進行很好識別。

3、行為決策技術，這種技術也可以稱為這種系統，包含了全局的路徑規劃導航還有局部的避障避險，還有常規的基于交通規劃的形式策略，這樣的話，使用的技術就可以分為三種：

首先一個是基于推理邏輯和規則的技術，全局路徑規劃導航的A*，D＊算法，局部避障的dwa算法，常規的最優控制數學辦法，比如說多目標的決策，還有基于交通規則的fsm規則引擎都是這種技術。

然后一種就是快速優化的遺傳算法，如果擁有多個策略選擇的時候，怎樣選擇最好的目標或者是策略，主要是基于線性規劃或者是動態規劃的數學辦法在計算速度的緩慢，在大多數的情況下是不能建模或者是計算量過大而無法計算，這種情況可以依靠的就只有遺傳算法了。

最后一種就是神經網絡技術，通過這種技術來對自動駕駛訓練師最新的研究熱點，簡單來講就是，讓神經網絡可以像人一樣，可以開車是一個振奮人心的目標。

可是由于神經網絡的問題通常不會透明，簡單講就是黑盒系統，是無法解釋的，基于不能說出訓練模型中的一個節點的值為何是0.1，而不是0.5，其實這些都是神經網絡的特點來控制的。還有，通過訓練數據得出的比較好的模型到已知的環境中可以不可以發揮出很好的作用也是不確定的。

無人駕駛系統的設計也是可以簡單些的，就是可以通過神經網絡對一切進行控制，通常只要使用大量的數據進行訓練就可以了，如此就可以避免寫復雜的控制策略算法代碼了，只需要把神經網絡訓練好即可，然后經過很少的代碼實現運行就行了，可是神經網絡的可解釋性無法決定的時候，只是依靠神經網絡的自動駕駛系統是無法讓人信賴的。

對于這種情況，無人駕駛系統里面的基于推理邏輯的控制策略還是非常重要的，讓基于推理邏輯的白盒子的控制系統與基于神經網絡的黑盒子的控制系統進行共同工作，還是比較可行的方向。

4、車輛控制系統技術，該技術擁有老式的pid控制，而在無人車系統中看到神經網絡模糊控制的身影是漸漸變多。

責任編輯：lq