目前，关于自动驾驶技术落地的报道越来越多，多国也已经开始进入实际测试阶段。

 　　脉冲一般非常短，以便增强深度分辨率，并且其所产生的光反射用于创建三维点状“云”，该点被分析以将数据转换为体积识别和矢量信息。然后，系统将转换后的结果用于计算车辆相对于这些外部物体的位置、速度和方向，以确定碰撞概率，并在需要时指导车辆进行适当的操作。 

　　比如，德国首都柏林拥有世界首条自动驾驶市中心实测路段；福特已经在迈阿密、底特律、华盛顿特区、匹兹堡、加州帕洛阿尔托和得克萨斯州奥斯汀多处测试自动驾驶汽车；北京则刚刚宣布百度Apollo Park正式建造完成，这是全球最大的自动驾驶和车路协同应用测试基地；高德与国内自动驾驶代表性企业合作推出RoboTaxi(自动驾驶出租车)项目，分别面向上海和广东公众开放体验。

　　需要注意的是，IMU无法告诉驾驶员车辆所处的位置，只能告诉运动路径，因此车辆的初始位置必须由GPS确定或手动输入。

　　但从以上报道也可以发现，大家基本还停留在自动驾驶的测试阶段，而从测试到商业化运行还有很长一段路要走。

 　　同时，我们需要意识到，如果没有基于MEMS的陀螺仪和加速度计的开发，车载IMU将不实用。历史悠久且完善的IMU是基于旋转陀螺仪和一个框架平台，它已经很好地服务于许多应用（导弹制导/太空任务），但它对于自动驾驶汽车来说太庞大，成本高昂且耗电量大。 

　　首先测试路段和现实中的道路仍有很大区别。测试区域与路段通常是搭载着各种智能公路的基础设施，需要全覆盖无线通信网络、监测系统等，为自动驾驶提供信息支持。大数据、5G、人工智能、物联网、高性能计算、新能源充电等技术都将集成其中，加以体现。

       重要的是，天线必须具有右手圆极化特性（RHCP），以匹配GPS信号的极化，同时也可以是陶瓷芯片单元、小绕线短截线设计或其他配置。 　　目前，虽然GPS是自动驾驶汽车的基本功能，但自动驾驶只有它还远远不够。当GPS信号被峡谷、隧道、无线电干扰和许多其他因素阻挡时，会导致信号中断，这些中断可能会持续数分钟甚至更长时间。为了弥补GPS的不足，自动驾驶汽车有时要使用不需任何类型的外部信号的惯性制导。该惯性测量单元（IMU）由固定在车辆上的平台组成，该平台具有三个陀螺仪和三个加速度计，每对分别朝向正交的X、Y和Z轴。这些传感器提供平台旋转和线性运动的数据，用于计算车辆的运动和位置，无论有任何速度或任何类型的信号障碍都无法防止它的正常使用。 

　　其次，在结构化、封闭化道路上测试驾驶成功并不一定能保证在开放的、复杂的场景中成功。有明确的背景、特定任务、需要辅助性驾驶的无人驾驶正在走向成熟，但是要实现完全自主的无人化驾驶仍有不少挑战，需要前沿技术本身及其跨界融合走向成熟。同样，从载货场景过渡到最后的载人商用，也尚有一段不小的距离。

       自动驾驶汽车必须能够看到并解释前进时前方的情况（当然，也包括倒车时后面的情况）。还有必要看看两边是什么情况，换句话说，它需要360⁰的视角来观察周围的情况。这种情况下，一组摄像机是显而易见的选择，通过摄像机来确定车道的位置，并检测道路上的物体或标记。 　　但是仅使用相机会带来问题。首先，将存在正确设置多个摄像机并保持其清洁的机械问题；第二，需要进行繁重的图形处理来理解图像; 第三，需要深度感知和基本成像; 最后，光照、阴影和其他因素使得精准确定相机所看到的内容会具有极大的挑战性。

　　目前，在结构化、封闭化道路上的驾驶成功并不一定能保证在开放的、复杂的场景中成功；有明确的背景、特定任务、需要辅助性驾驶的无人驾驶正在走向成熟，但是要实现完全自主的无人化驾驶仍有不少挑战，需要前沿技术本身及其跨界融合走向成熟。同样，从载货场景过渡到最后的载人商用，也尚有一段不小的距离。

 　　因此，自动驾驶汽车上的主要“视觉”单元多是激光雷达系统，它是光探测和测距的缩写（或光和雷达的混搭）。为了实现自动驾驶汽车所需的分秒决策，激光雷达系统提供了有关周围环境的精确三维信息。使用这些数据，处理器可以实现对象识别、运动矢量确定、碰撞预测和避免策略。激光雷达单元装置非常适合“大图”成像，并通过在车顶上使用旋转扫描镜组件提供所需的360°视角。

　　自动驾驶时代正加速到来。但在加速的同时，我们该如何打造更加安全的自动驾驶汽车呢？

 　　激光雷达传感器使用高速、高功率的激光脉冲提供原始信息，激光脉冲与探测器的响应同步，来计算从反射光到物体的距离。探测器阵列或定时摄像机可用于提高三维信息的分辨率。