无人车能出现很大程度上依赖传感器的进步。毕竟“大脑”再智能，没有了 “眼睛和耳朵”接收信息也是没有用的。美国研究无人驾驶的时间比较早，在 20 年前，美国就进行了一次尝试，他们通过在地下打入磁钉来作为路径，小车通过 寻找磁钉达到寻路的目的，通过这种方法小车还能进行超车，并道巡航等高难度 行驶。然而这种方法显然需要太多的磁钉，成本太高，而且路径固定无法改变也 是很大的问题。所以这次实验只能看作一次尝试。到了 2007 年，传感器技术突 飞猛进。激光雷达(图 1。1)，用于检测周围障碍物，无人车需要能够感知周围环 境，激光雷达可以返回周围障碍物的距离，误差达到毫米级，激光雷达也是谷歌 无人车的主要设备，缺点就是价格十分昂贵，动辄百万美元。除了激光雷达，还 有毫米波雷达、GPS、里程计、陀螺仪、视觉系统、数传电台等等，这些传感器 组成了无人车的“眼睛和耳朵”。 

图 1。1 激光雷达

自主小车之所以能躲避障碍，寻找目标，靠的是高效可靠的识别和寻路功 能，为达成这个功能要使用人工智能算法。早期的人工智能算法基于一套给定 的规则进行响应，这套规则基于人的经验，比如红灯停，绿灯行。这是一种至 上而下的思考方式。而现在的机器学习算法的思想则是至下而上，让机器不断 学习进步。 

图 1。2 显示了当前主要的机器学习算法，左半部分是无监督的，即不需要人 为告诉计算机运算的结果由计算机自己总结的算法，右半部分则相反，属于有监 督的机器学习，需要人为给出大量数据和运算结果，计算机再自己总结以应对未 知的数据输入。 

图 1。2 机器学习算法

深度学习是目前机器学习非常流行的一种方式，如图 1。3，算法模拟了人的 神经处理信息的过程，对于一组特定的输入，每经过一层数据就更加抽象，上层 的处理结果作为下一层的输入，最终得出算法分析的结果。这种机器学习算法能 适应更多复杂的情况，但是也让学习成果难以预测。相对于传统的机器学习方法， 随着训练量的提高，传统方法很快就会达到“瓶颈”，而深度学习仍可以不断提 高，最近非常火的谷歌 Alpha Go 也是使用了类似的神经网络方法来进行学习的。 

常见的无监督学习的算法有 K-means，PCA，GMM 等。他们都是一种聚类 算法。聚类是指一种分类方式。分类都基于相似度，属于同一聚类的数据相对于 非同一聚类的数据之间有更接近的相似度。 

图 1。3 深度学习算法

比较有名的有监督的学习算法是 SVM 算法，如图 1。4 所示。通过给出的大 量训练数据，算法可以总结出分布规律，对新输入的数据进行分类。早在 15 年 前，卡耐基梅隆大学的 Dean Pomerleau 教授就通过监督学习的方法让一辆吉普 车能在蜿蜒的林间小道上自主运行。这也是机器学习在无人驾驶上的一次有代表 性的尝试。 

图 1。4 SVM 支持向量机

美国 AlphaBeta 公司旗下的谷歌，他们的无人驾驶汽车研究团队最近将与菲 亚特克莱斯勒汽车公司开展合作，开发约 100 辆无人驾驶的小型货车做测试。这 是谷歌无人驾驶汽车首次与汽车制造厂商进行合作。谷歌的无人驾驶研发团队属 于 Google X 项目，其无人驾驶汽车的主要设备是一台昂贵的激光传感器，这个 传感器动辄百万美元。是目前导致谷歌无人车无法量产的主要制约条件。谷歌无 人驾驶汽车项目从 2009 年至今已经进行了有 240 万公里左右的公路测试，目前