感知环节：让车“看”清周围
自动驾驶第一步是感知环境，就像人开车得靠眼睛观察路况。车辆通过摄像头、激光雷达、毫米波雷达等传感器收集数据，这时候就得靠算法来识别行人、车辆、红绿灯和车道线。
常用的算法是卷积神经网络（CNN），比如YOLO和Faster R-CNN，它们能快速识别图像中的物体。比如你走在斑马线上，路边一辆自动驾驶测试车能立刻认出你是个行人，不会一头撞上来。
对于激光雷达点云数据，会用到PointNet或VoxelNet这类专门处理三维点云的模型，把杂乱的点变成可理解的障碍物轮廓。
定位与地图：知道自己在哪
光看得清不够，还得知道自己在哪。高精地图配合SLAM（同步定位与建图）算法是关键。SLAM能让车在没有GPS信号的隧道或高楼间也能精准定位。
常见的有EKF-SLAM和基于优化的LIO-SAM，后者结合了激光雷达和惯导数据，稳定性强。比如你在地下车库绕了几圈，普通导航早迷路了，但自动驾驶系统还能清楚知道当前车位坐标。
决策规划：下一步怎么走
识别到前方有辆货车慢悠悠地开，是变道超车还是跟着走？这一步靠决策算法。
行为决策常用有限状态机（FSM）或强化学习。城市道路中，FSM更稳定，比如设置‘跟车’‘变道’‘停车’几种状态，根据前车速度和距离自动切换。路径规划则多用A*算法或RRT*（快速探索随机树）。比如你要左转进小区，系统会从多条可能路线里挑一条最安全顺畅的，避开逆行电动车。
A_star(start, goal):
open_set = priority_queue()
open_set.put(start, 0)
came_from = {}
g_score = {start: 0}
while not open_set.empty():
current = open_set.get()
if current == goal:
return reconstruct_path(came_from, current)
for neighbor in neighbors(current):
tentative_g = g_score[current] + dist(current, neighbor)
if tentative_g < g_score.get(neighbor, float('inf')):
came_from[neighbor] = current
g_score[neighbor] = tentative_g
f_score = tentative_g + heuristic(neighbor, goal)
open_set.put(neighbor, f_score)控制执行：精准操控方向盘
路线定好了，怎么让车按计划走？这就轮到控制算法上场。PID控制器是最基础的，调节油门和方向盘角度，虽然简单但响应快。
更高级的用MPC（模型预测控制），它能提前算出未来几秒内的最优控制指令。比如高速入弯时，MPC会综合车身姿态、路面摩擦系数，逐步减速并微调方向，避免打滑。
实际运行中，这些算法得协同工作。某个模块出问题，比如感知误判障碍物，后续决策就会出错，车可能无故急刹。排查故障时得一层层查：是传感器脏了？模型没更新？还是参数调得太激进？
比如某次自动泊车失败，回放数据发现是超声波雷达误判墙距，其实是算法阈值设得太敏感，雨天容易误触发。改小一点，问题就没了。