自动驾驶仪（或称自动驾驶系统）是一个复杂的集成系统，通常由多个核心组成部分协同工作。以下是其主要组成部分的详细说明：

1. 感知传感器系统（环境感知层）

• 摄像头： 用于识别车道线、交通信号灯、交通标志、行人、车辆、障碍物等可见光信息。提供颜色和纹理细节。
• 毫米波雷达： 测量目标物体的距离、速度和方位角。能在恶劣天气（雨、雾）和夜间工作，擅长探测金属物体（如车辆）。
• 激光雷达： 通过发射激光脉冲构建周围环境的精确三维点云模型。提供高分辨率距离和深度信息。
• 超声波传感器： 近距离探测（泊车场景为主），感知车身周围的障碍物。
• 惯性测量单元： 测量车辆的三轴加速度和角速度，用于推算车辆姿态和短时位置变化。
• 全球卫星定位系统： 提供车辆的绝对位置（经度、纬度）信息。

2. 定位与导航系统（位置感知层）

• GPS/GNSS接收器： 接收卫星信号定位。
• 高精度地图： 提供厘米级精度的道路几何信息、车道线、坡度、曲率、交通规则等先验信息。
• 定位融合模块： 结合GPS、IMU、轮速传感器和高精地图信息，实现车道级甚至厘米级的精确定位。

3. 计算平台（决策与规划大脑）

• 中央计算单元/域控制器： 高性能计算芯片（如GPU、专用AI芯片）组成的硬件平台。
• 作用： 运行复杂的算法，处理海量传感器数据，进行环境融合、决策规划等任务，是整个系统的核心“大脑”。

4. 决策与规划系统（智能决策层）

• 传感器融合算法： 将不同传感器（摄像头、雷达、激光雷达等）的数据进行时间同步、坐标转换和信息互补，生成更准确、全面的环境态势感知。
• 环境建模： 基于融合数据建立车辆周围动态和静态物体的模型。
• 行为决策： 确定车辆应采取的宏观行为（如跟车、换道、超车、避让、停车等）。
• 运动规划： 规划出实现决策行为的具体、安全、舒适且符合交规的行驶轨迹（路径和速度规划）。

5. 车辆控制执行系统（执行层）

• 线控系统：
  • 线控转向： 将规划好的转向指令转化为车轮转向角度的电控系统。
  • 线控制动： 将规划好的减速/停车指令转化为制动压力的电控系统（如ESP的扩展功能）。
  • 线控油门： 控制加速踏板的开度以调整发动机/电动机输出扭矩的电控系统。
• 执行器： 如电动助力转向电机、电子制动单元、电机控制器等，负责最终执行转向、加速和制动命令。

6. 高精度地图与高精定位

• 如前所述，高精地图和精准定位是自动驾驶系统理解全局环境、进行长距离规划和车道保持的关键基础设施支撑。

7. 车联网系统

• V2X通信： 包括车与车、车与基础设施、车与行人、车与云端的通信。
• 作用： 获取超视距信息（如前方路况、红绿灯状态）、协同感知与决策，提升安全性、效率。

8. 人机交互系统

• 驾驶状态监控： 监测驾驶员是否准备好接管（用于L2-L3）。
• 信息显示： 向驾驶员/乘客显示系统状态、计划操作等信息。
• 报警与提示： 在需要人工接管或系统异常时发出警报。

9. 系统安全与冗余

• 冗余设计： 关键传感器、控制器、电源、通信链路等的备份，在一套系统失效时仍能维持基本安全。
• 故障诊断与处理： 实时监控系统健康状态，检测并处理软硬件故障。
• 安全控制器/守护模块： 独立监控主系统运行，在检测到重大故障或危险时触发安全机制。
• 预期功能安全： 确保系统在预期运行条件和环境条件下能够提供安全功能。
• 信息安全： 保护系统免受网络攻击。

10. 数据平台与云端服务

• 数据采集与上传： 收集测试车和量产车的运行数据。
• 模型训练： 在云端利用海量数据进行自动驾驶算法的训练和优化（深度学习为主）。
• OTA更新： 无线下载更新地图数据、算法模型、系统软件。
• 模拟仿真： 在虚拟环境中进行大规模场景测试和验证。

总结来说，自动驾驶仪就像一个由“眼睛”（传感器）、“耳朵”（V2X）、“地图和定位”、“大脑”（计算平台与决策算法）和“手脚”（线控执行系统）构成的有机整体，并需要强大的安全架构、车联网支持和云平台支撑来实现安全、可靠、智能的自动化驾驶。 这些组件通过高速网络紧密协作，实时处理信息并控制车辆。