高精地图（HD Maps）：支持其他模块

定位（Localization）：讨论汽车如何确定他所处的位置，汽车利用激光和雷达数据，将这些传感器感知内容与高分辨地图进行对比，这种对比使得汽车能够以个位数厘米级精度进行定位。

感知（perception）：汽车如何感知世界，深度学习是一个重要且强有力的感知工具，卷积神经网络构成深度学习分支，对感知任务至关重要，如分类，检测和分割

这几种方法适用于几种不同无人驾驶车传感器的数据来源，包括摄像头，雷达和激光雷达

预测（prediction）：预测其他车辆和行人如何移动。一种方法是递归式神经网络，可对其他物体随时间的运动进行移动，并使用时间序列预测未来

规划（planing）：将预测和路线相结合以生成车辆轨迹，规划是构建无人驾驶车最困难部分之一

控制（control）：如何使用转向，油门和制动来执行规划轨迹

 

 

0 Level：是基本等级，驾驶员是系统的唯一据测者。驾驶员控制方向盘、油门和制动器和所有其他车辆控制装置

1 Level：驾驶员辅助，车辆为驾驶员提供转向和加速支持，例如巡航控制。驾驶员必须充分参与，但可以放弃一些自制系统的控制

2 Level：部分自动化 ，车辆自动控制几项功能，如自动巡航控制和车道保持

3 Level：有条件的自动化

4 Level：高度自动化，并且不期望驾驶员介入。在地理围栏内性质

5 Level：人类可以行驶的任何地方完全自主地运行

无人驾驶车辆由专门计算机和传感器组成，自主计算单元比人计算快十倍，甚至快多倍。在Apollo系统中，车辆计算单元受到大规模且强有力的云集群支持，任何给定的无人车驾驶车辆都有许多先进的传感器，他们执行感知和定位等任务，借助人工智能和传感器，车辆可以独立于任何人类驾驶员实现自主操作 

计算机视觉：通过摄像头图像弄清楚我们周围的世界是怎么样的

传感器融合：合并起来其他的传感器数据，如激光和雷达，从而更深入地了解我们的周围的环境

（获得摄像头很难测量到的测量值，搞清楚很多信息，如我们与其他汽车之间的距离，周围其他物理的移动速度。激光阵列是激光雷达对周围世界的360度扫描）

定位：来精确地确定我们在那个世界所处的位置

路径规划：预测道路上的其他车辆去向，然后推算出他的车辆应该采取何种应对措施，然后最终建立一系列路径点

控制：如何转动方向盘，打开油门，并且踩动制动器，让汽车沿着我们在路径规划期间建立的轨道。

总结：计算机视觉和传感器融合获得一副我们在世界上的位置丰富画面，使用定位确定我们在世界的精确位置，然后使用路径规划来绘制一条通过这个世界到达目的地的路径，通过控制转动方向盘，打开油门，并且踩动制动器，沿着轨迹行驶，并最终移动车辆