利用基于先进传感器的地图采集技术可以提取道路的详细标注（标志、标线、信号灯等）和高精度位置（经度、纬度、高度等）等信息，从而实现自动驾驶汽车对道路平面特征的提取，同时基于深度学习可实现对道路可行驶、不可行驶区域的认知识别。
3、实现行驶路径的规划与决策
决策规划处理是人工智能技术在自动驾驶中的另一个重要应用场景。现阶段主流的人工智能方法包括状态机、决策树、贝叶斯网络等。伴随着深度学习与增强学习技术的发展，现已实现了对复杂工况的决策并能进行在线优化学习。由于在实际道路中影响驾驶路径规划的因素非常多，势必会占用较多的计算资源。为提高计算效率，日本研究学者提出了“安全场”的研究思路，即形成典型交通场景作为深度学习神经网络的输入，以提高自动驾驶汽车的决策效率，提升路径规划能力。
图3 基于机器学习的非结构化道路检测框架
智能网联
结合通讯技术的发展，运用车与车、车与路、车与人、车与云之间的实时通讯技术，可为人工智能技术在自动驾驶技术应用过程中的数据、计算与算法等三大要素提供进一步支持，还可面向多车型、多场景智能驾驶需求，提供解决群体智能驾驶系统协同驾驶所面临的问题。基于智能网联的车云协同自动驾驶系统的具体架构如下图4所示。
图4 基于人工智能的车云协同自动驾驶系统构建方案示意图
该架构方案分为基于AI的自动驾驶智能终端和基于大数据分析的自动驾驶云端系统两部分，共同形成了一种集复杂环境精确感知、通行智慧决策与行车控制优化执行的车云协同一体自动驾驶系统。车云协同技术在不同的行车工况与应用场景中，可实现精准的行车环境感知、智慧通行决策与优化行车动作控制，并实现车端与云端之间的信息数据交互与协同。
基于智能网联的自动驾驶系统车云协同技术主要解决多源异构数据融合不足和前端设备计算力不够的问题，即将车身传感器节点的采样数据（如GPS/INS数据、毫米波雷达数据）和多媒体数据（如摄像头图像）按一定频率传输到云端数据库，同时进行在线处理、离线处理、溯源处理和复杂数据分析。并基于人工智能集成应用算法的智能驾驶控制模型，为车辆决策提供可靠、高效的协同控制方案。
人工智能算法应用技术云平台是自动驾驶云端系统的核心部分，其结合机器学习、数据挖掘等相关技术，对感知融合信息进行分析，为车辆控制规划提供决策依据。并利用虚拟化技术及网络技术整合大规模可扩展的计算、存储、数据、应用等分布式计算资源完成人工智能模型算法的学习训练，实现在云端训练人工智能模型，并通过车云协同技术将其部署到嵌入式平台，使人工智能算法在车端自动驾驶系统上得到深度应用。
目前网联技术在自动驾驶领域的应用主要集中在信息服务和顶层监控，通过智能网联的技术路线实现高度自动驾驶仍需要解决信息安全、传输时延、网络覆盖等棘手问题才能真正落地应用。
智能计算平台
自动驾驶汽车从交通运输工具逐步转变为新型移动智能终端。汽车功能和属性的改变导致其电子电气架构随之改变，进而需要更强的计算、数据存储和通信能力作为基础，车载智能计算平台是满足上述要求的重要解决方案。
车载智能计算平台主要完成的功能是以环境感知数据、导航定位信息、车辆实时数据、云端智能计算平台数据和其他V2X交互数据等作为输入，基于环境感知定位、智能规划决策和车辆运动控制等核心控制算法，输出驱动、传动、转向和制动等执行控制指令，实现车辆的自动控制，并向云端智能计算平台及V2X设备输出数据，还能够通过人机交互界面，实现车辆驾驶信息的人机交互。