控制层
　　传感层识别外界物体、收集信息后输入到控制层，控制层利用视觉算法、传感器融合算法、路径规划算法进行物体识别、轨迹预测。传统算法识别精度已接近阈值，难以完全胜任对复杂的驾驶场景进行信息识别。
　　通过人工智能、深度学习可以极大优化算法架构提升识别能力。基于人工智能技术对行人等难度较大的物体识别率稳步突破 90%，接近可应用水平。国外巨头已逐步应用于产业化，国内的优势在于丰富的算法资源与近年来大量 AI 人才往这个方向转移，弱势在于缺乏汽车实测经验和数据。

　　全球市场推演人工智能，以 mobileye 和 google 为主。Mobileye 专注于视觉识别和算提升，为主机厂和一级供应商提供视觉识别模块化产品，同时加快转向传感融合、深度学习和高精度地图领域；Google 希望以人工智能切入智能驾驶，利用激光雷达获取高解析度数据，依靠 AI 匹配原有地图数据，经过数次测试逐步提升可靠性。国内算法公司识别精度有限，集中视觉领域。
　　智能驾驶算法的痛点是精度提升，主要的提升途径有三种，第一，视觉算法本身的优化。在前处理和前景分离阶段提取明确目标值，分类和学习系统的算法不断优化。这需要技术研发的不断投入，产生极高的进入壁垒。
　　第二，通过传感融合算法冗余信息判断，提高精度。视觉识别以摄像头数据为主，同时辅以雷达、激光雷达的边界、距离信息。数据显示，在相同误判率下雷达的决策辅助能降低约 10%的漏检率。
　　第三，人工智能、深度学习对传统视觉算法进行彻底革新。由于传统算法识别精度已接近阈值，难以完全胜任对复杂的驾驶场景进行信息识别。通过人工智能、深度学习优化算法架构，深度学习基于多层卷积神经网络，能从根本上提升算法识别能力。已有多个研究试验表明，基于人工智能技术对行人等难度较大的物体识别率稳步突破 90%，接近可应用水平。
　　在视觉算法自身优化方面，Mobileye 从 2004 年开始专注于视觉算法开发，自2007 年推出 EyeQ1 芯片开始，已开发四代 EyeQ 系列芯片和配套算法。十多年技术积累，EyeQ 芯片图像识别帧速率由 10fps 达到最新的 48fps（已知信息），处理速度为EyeQ1 的 512 倍。最新测试数据显示，Mobileye 系统车道线、车辆识别率均为 99.99%，拉大与市场上同类产品差距。
　　在传感器融合技术方面，恩智浦近期推出基于 LINUX 系统的Blue-Box 计算机平台，其性能能够满足单台车同时安装 4 台摄像头、四架激光雷达、一架毫米波雷达以及 V2X 系统的要求，对传感器进行模块化管理，可将多种传感器回传信息进行融合加工。据悉 Mobileye、Valeo、Velodyne 均有支持传感器融合平台的研发计划，传感器融合将是未来主要趋势。
　　在深度学习对传统视觉算法进行革新方面，Mobileye、Ceva、恩智浦、高通、德州仪器等正加紧研发带有神经网路软体架构的智能驾驶芯片；NVIDIA 则更进一步，已推出 DrivePX2、Tesla P100 gpu 和 DGX-1相结合的完整深度学习技术方案。
　　Drive PX2：单精度浮点运算性能达到 8TFLOPS，深度学习计算能力接近 24 DL TOPS；而其体积已明显缩小，可放置在车辆上使用。它可以融合来自多个摄像头以及激光雷达、雷达和超声波传感器的数据，可准确了解汽车周围 360 度方位的环境，使用深度神经网络 (DNN) 进行物体检测和分类可大幅提高传感器数据的融合度，并且在地图和车辆状况数据基础上运用深度学习算法即时计算最安全的路径。同时它能够将外部传感器获取的图像数据加工制成单个的高精度点云，上传至云端服务器。

　　Tesla 最新芯片：新芯片专为特斯拉的自动驾驶功能设计，包含 60 亿个晶体管，每秒可处理 25 亿个像素，每一张图像生成后都立刻会被 GPU 处理。特斯拉声称，新的 SOC是“全球最先进的自动驾驶计算机”。与特斯拉目前的硬件相比，它的性能显著提升，最多可以每秒进行超过 144 万亿次运算。该芯片的设计还减少了能耗。Bannon 说，芯片使用不到 100 瓦的电力。它的功耗为 72 瓦，其中 15 瓦为特斯拉的神经网络供电。这款新芯片将由三星公司生产，体积非常小，甚至可以安装在汽车手套箱后面。为了增强安全性能，SOC 采用两个独立的操作系统，每个系统都有自己的 dram 内存、闪存芯片和电源。即使其中任何一个系统失灵，汽车都能继续行驶。