自动驾驶系统本质上是一个“感知世界 → 理解环境 → 做决策 → 控制车辆”的闭环系统。
行业里一般按模块划分为：

1. 感知（Perception）
2. 定位（Localization）
3. 预测（Prediction）
4. 规划（Planning）
5. 控制（Control）
6. 系统与通信（Middleware/CAN/ROS/Apollo）
7. 地图与导航（HD Map）
8. 安全冗余（Safety）

理解成“人的驾驶过程”：

• 眼睛耳朵 → 感知
• 知道自己在哪 → 定位
• 判断别人要干什么 → 预测
• 想怎么开 → 规划
• 手脚操作方向盘油门刹车 → 控制

一、整体协作流程（核心）

自动驾驶是一个实时循环系统：

传感器采集
   ↓
感知模块
   ↓
定位模块
   ↓
预测模块
   ↓
规划模块
   ↓
控制模块
   ↓
车辆执行
   ↓
再次采集环境

整个循环通常：

• 10ms
• 20ms
• 50ms

执行一次

高速 NOA 场景里很多模块是 50Hz~100Hz 工作。

二、各模块详细机理

1. 感知模块（Perception）

这是自动驾驶的“眼睛”。

负责：

• 看车
• 看人
• 看车道线
• 看红绿灯
• 看障碍物
• 看交通标志

核心输入来自传感器：

常见传感器

摄像头 Camera

作用：

• 识别车道线
• 红绿灯
• 行人
• 交通牌

优点：

• 信息丰富
• 成本低

缺点：

• 夜晚/逆光差
• 距离估计不稳定

激光雷达 LiDAR

作用：

• 获取3D点云
• 精确测距离

原理：

发射激光
→ 打到物体
→ 激光反射回来
→ 计算飞行时间
→ 得到距离

毫米波雷达 Radar

作用：

• 测距离
• 测速度

特别适合：

• 雨天
• 雾天
• 高速场景

多传感器融合

• Camera 看得懂语义
• LiDAR 测距准
• Radar 测速度准

所以要融合。

融合方法

时间同步

保证：

Camera 时间
LiDAR 时间
Radar 时间
一致

否则：

车已经动了。

空间标定

解决：

LiDAR坐标系
→ Camera坐标系

通过外参矩阵：

R（旋转）
T（平移）

实现坐标变换。

数据融合

经典：

• 卡尔曼滤波
• EKF
• UKF
• Deep Fusion

例如：

Camera发现一个车
LiDAR也发现一个车
→ 判断是否同一目标
→ 合并

2. 定位模块（Localization）

自动驾驶必须知道：

我现在在哪

精度通常：

• GPS：米级
• 自动驾驶：厘米级

定位机理

GPS

卫星定位。

但城市峡谷会漂移。

IMU

惯性测量单元：

• 加速度计
• 陀螺仪

积分得到运动轨迹。

缺点：

误差会累计漂移。

激光定位

利用实时点云VS高精地图匹配。

常见：

• NDT
• ICP

定位融合

通常：

GPS
+ IMU
+ LiDAR
+ Wheel Odometry

通过 EKF 融合。

核心思想：

不同传感器互补。

3. 预测模块（Prediction）

这是重要的模块

例如：

• 前车会不会变道
• 行人会不会横穿
• 电动车会不会鬼探头

预测机理

输入：

历史轨迹

输出：

未来轨迹

例如：

过去3秒轨迹
→ LSTM/Transformer
→ 未来5秒轨迹

输出：

Trajectory A: 70%
Trajectory B: 20%
Trajectory C: 10%

因为人的行为是概率性的。

4. 规划模块（Planning）

这是“大脑”。

决定：

车应该怎么开

规划分层

全局规划

类似导航：

A点 → B点

使用：

• A*
• Dijkstra

生成路线。

行为规划

决定：

• 超车
• 跟车
• 变道
• 停车
• 红灯等待

例如：

前方慢车
→ 是否变道？

轨迹规划（核心）

生成：

未来几秒车辆轨迹

例如：

x,y,v,a

必须满足：

• 不撞车
• 不压线
• 平滑
• 舒适

常见算法

Frenet坐标系

自动驾驶经典。

把道路转换成：

s：沿道路方向
d：横向偏移

便于规划。

轨迹优化

目标函数：

最小曲率
最小加速度
最小jerk

5. 控制模块（Control）

规划只是“想”。

控制才是真正：

打方向
踩刹车
踩油门

控制机理

目标：

让车跟踪规划轨迹

横向控制

控制方向盘。

常见：

Pure Pursuit

找前视点。

Stanley

自动驾驶经典。

MPC（模型预测控制）

高阶自动驾驶大量使用。

纵向控制

控制：

• 加速
• 刹车

常见：

• PID
• MPC

PID控制

思想：

• P：当前误差
• I：历史误差
• D：未来趋势

6. 控制如何真正让车动起来？

控制器输出：

方向盘角度
油门百分比
制动力

发送到：

CAN总线

车辆 ECU 执行

7. 高精地图（HD Map）

高精地图不是普通导航地图。

它包含：

• 车道级信息
• 红绿灯位置
• 停止线
• 路沿
• 坡度

Apollo里的典型协作

 Apollo：

感知：
识别红绿灯

定位：
确定距离停止线还有30m

预测：
前车减速

规划：
决定停车

控制：
输出刹车

然后：

CAN发送
→ 车辆制动