无人行车系统是一个复杂的系统，主要由算法、客户端和云端三部分组成。算法包括感知、感知、决策等关键步骤的算法；客户端包括机器人（ROS操作系统）操作系统和硬件系统；云包括数据存储、模拟、高精度映射和深度学习模型训练。

算法端从原始传感器数据中提取有意义的信息，以了解周围环境并根据环境变化做出决策。客户端集成多种算法，满足实时性和可靠性要求。例如，传感器以 60Hz 的速度生成原始数据，客户端需要保证最长的流水线处理周期可以在 16ms 内完成。云平台为无人行车汽车提供离线计算和存储功能。通过云平台，我们可以测试新算法，更新高分辨率地图，训练更有效的识别、跟踪和决策模型。

无人行车算法系统由几个部分组成：第一，感知，从传感器原始数据中提取有意义的信息；二是感知，定位无人车的位置，感知当前环境；第三，决策，以便可靠、安全地到达您的目的地。

无人行车传感通常，自动驾驶汽车配备有许多不同类型的主传感器。每种类型的传感器都有不同的优缺点，因此应有效融合不同传感器的传感数据。自动驾驶中常用的传感器现在包括以下几种。

GPS/IMU惯性导航传感器。 GPS/IMU 传感系统通过全球定位和高达 200 Hz 的惯性频率更新数据，帮助自动驾驶汽车完成自己的定位。 GPS 是一种相对准确的定位传感器，但它较新

无人行车频率太低，只有 10Hz，不足以提供足够的实时位置更新。 IMU的精度随着时间的推移而降低，因此无法保证远距离的位置更新精度；但具有GPS所缺乏的实时性，IMU的更新频率可以达到200Hz以上。通过集成 GPS 和 IMU，我们可以为车辆定位提供准确且足够实时的位置更新。

LIDAR 激光雷达可用于测绘、定位和避障。雷达的精度非常高。因此，在无人行车车辆的设计中，雷达通常被用作主要的传感器。激光雷达以激光为光源，通过检测与被检测激光相互作用的光波信号完成遥感测量。激光雷达可用于生成高精度地图，完成高精度地图移动车辆的定位，满足避障要求。以 Velodyne 64 光束激光雷达为例，它可以做 10Hz 的旋转，每秒可以达到 130 万次读数。

相机广泛应用于物体识别、物体跟踪等场景。摄像头是车道线检测、红绿灯检测和人行道检测的主要解决方案。为了增强安全性，现有的无人行车车辆实现通常使用至少八个车身周围的摄像头，从前、后、左、右四个维度完成物体发现、识别和跟踪等任务。这些摄像头通常工作在 60Hz，当多个摄像头同时工作时，会产生高达每秒 1.8GB 的海量数据。