美国汽车工程师协会根据汽车智能化程度将无人驾驶分为L0-L5共6个等级：
L0为无自动化（No Automation， NA），即传统汽车，驾驶员执行所有的操作任务，例如转向、制动、加速、减速或泊车等；
L1为驾驶辅助(Driving Assistant， DA)，即能为驾驶员提供驾驶预警或辅助等，例如对方向盘或加速减速中的一项操作提供支持，其余由驾驶员操作；
L2为部分自动化（Partial Automation，PA），车辆对方向盘和加减速中的多项操作提供驾驶，驾驶员负责其他驾驶操作；
L3为条件自动化（Conditional Automation，CA），即由无人驾驶系统完成大部分驾驶操作，驾驶员需要集中注意力以备不时之需；
L4为高度自动化（High Automation，HA），由车辆完成所有驾驶操作，驾驶员不需要集中注意力，但限定道路和环境条件；
L5为完全自动化（Full Automation， FA），在任何道路和环境条件下，由无人驾驶系统完成所有的驾驶操作，驾驶员不需要集中注意力。
自动驾驶汽车的软硬件架构大致上可以分为环境认知层、决策规划层、控制层和执行层。环境认（感）知层主要是通过激光雷达、毫米波雷达、超声波雷达、车载摄像头、夜视系统、GPS、陀螺仪等传感器获取车辆所处环境信息和车辆状态信息，具体来说包括：车道线检测、红绿灯识别、交通标识牌识别、行人检测、车辆检测、障碍物识别和车辆定位等；决策规划层则分为任务规划、行为规划和轨迹规划，根据设定的路线规划、所处的环境和车辆自身状态等规划下一步具体行驶任务（车道保持、换道、跟车、超车、避撞等）、行为（加速、减速、转弯、刹车等）和路径（行驶轨迹）；控制层及执行层则基于车辆动力学系统模型对车辆驱动、制动、转向等来控制，使车辆跟随所制定的行驶轨迹。
自动驾驶技术涉及较多的关键技术，本文主要介绍环境感知技术、高精度定位技术、决策与规划技术和控制与执行技术。
环境感知指对于环境的场景理解能力，例如障碍物的类型、道路标志及标线、行车车辆的检测、交通信息等数据的语言分类。定位是对感知结果的后处理，通过定位功能从而帮助车辆了解其相对于所处环境的位置。环境感知一定要通过传感器获取大量的周围环境信息，确保对车辆四周环境的正确理解，并基于此做出相应的规划和决策。
无人驾驶车辆常用的环境感知传感器包括：摄像头、激光雷达、毫米波雷达、红外线和超声波雷达等。摄像头是自动驾驶车辆最常用、最简单且最接近人眼成像原理的环境感知传感器。通过实时拍摄车辆四周的环境，采用CV技术对所拍摄图像做多元化的分析，实现车辆四周的车辆和行人检测以及交通标志识别等功能。
摄像头的主要优点是其分辨率比较高、成本低。但在夜晚、雨雪雾霾等恶劣天气下，摄像头的性能会迅速下降。此外摄像头所能观察的距离有限，不擅长于远距离观察。
毫米波雷达也是无人驾驶车辆常用的一种传感器，毫米波雷达是指工作在毫米波段（波长1-10 mm ，频域30-300GHz）的雷达，其基于ToF技术（Time of Flight）对目标物体进行仔细的检测。毫米波雷达向外界连续发送毫米波信号，并接收目标返回的信号，根据信号发出与接收之间的时间差确定目标与车辆之间的距离。因此，毫米波雷达大多数都用在避免汽车与周围物体发生碰撞，如盲点检测、避障辅助、泊车辅助、自适应巡航等。毫米波雷达的抗干扰的能力强，对降雨、沙尘、烟雾等离子的穿透能力要比激光和红外强很多，可全天候工作。但其也具有信号衰减大、容易受到建筑物、人体等的阻挡，传输距离较短，分辨率不高，难以成像等不足。
激光雷达也是通过ToF技术来确定目标位置与距离的。激光雷达是通过发射激光束来实现对目标的探测，其探测精度和灵敏度更高，探测范围更广，但激光雷达更容易受到空气中雨雪雾霾等的干扰，其高成本也是制约其应用的根本原因。车载激光雷达按发射激光束的数量可分为单线线线激光雷达。
自动驾驶环境感知一般会用“弱感知+超强智能”和“强感知+强智能”两大技术路线。其中“弱感知+超强智能”技术是指主要依赖摄像头与深度学习技术实现环境感知，而不依赖于激光雷达。这种技术认为人类靠一双眼睛就可以开车，那么车也可以靠摄像头来看清周围环境。如果超强智能暂时难以达到，为实现无人驾驶，那就需要增强感知能力，这是所谓的“强感知+强智能”技术路线。
相比“弱感知+超强智能”技术路线，“强感知+强智能”技术路线的最大特征就是增加了激光雷达这个传感器，从而大幅度提高感知能力。特斯拉采用“弱智能+超强智能”技术路线，而谷歌Waymo、百度Apollo、Uber、福特汽车等AI企业、出行公司、传统车企都采用“强感知+强智能”技术路线。
定位的目的是获取无人驾驶车辆相对于外界环境的精确位置，是无人驾驶车辆必备的基础。在复杂的地市道路行驶，定位精度要求误差不超过10 cm。例如：只有准确知道车辆与路口的距离，才能进行更精确的预判和准备；只有准确对车辆做定位，才能判断车辆所处的车道。如果定位误差较高，严重时会造成交通完全事故。
GPS是目前最广泛采用的定位方法，GPS精度越高，GPS传感器的价格也越昂贵。但目前商用GPS技术定位精度远远不足，其精度只有米级且容易受到隧道遮挡、信号延迟等因素的干扰。未解决这个问题，Qualcomm开发了基于视觉增强的高精度定位（VEPP）技术，该技术通过融合GNSS全球导航、摄像头、IMU惯性导航和轮速传感器等多个汽车部件的信息，通过各传感器之间的相互校准和数据融合，实现精确到车道线的全球实时定位。
决策规划是无人驾驶的关键部分之一，它首先是融合多传感器信息，然后根据驾驶需求来做任务决策，接着能够在避开存在的障碍物前提之下，通过一些特定的约束条件，规划出两点之间多条可以再一次进行选择的安全路径，并在这些路径当中选择一条最优的路径，作为车辆行驶轨迹，那就是规划。按照划分的层面不同，可大致分为全局规划和局部规划两种，全局规划是由获取到的地图信息，规划出一条在特定条件之下的无碰撞最优路径。例如，从上海到北京有很多条路，规划出一条作为行驶路线即为全局规划。
如栅格法、可视图法、拓扑法、自由空间法、神经网络法等静态路径规划算法。局部规划的则是根据全局的规划，在一些局部环境信息的基础之上，可避开碰撞一些未知的障碍物，最终达到目的目标点的过程。例如，在全局规划好的上海到北京的那条路线上会有其他车辆或者障碍物，想要避过这些障碍物或者车辆，需要转向调整车道，这就是局部路径规划。局部路径规划的方法有：人工势场法、矢量域直方图法、虚拟力场法、遗传算法等动态路径规划算法等。
决策规划层是自主驾驶系统，智能性的直接体现，对车辆的行驶安全性和整车起到了决定性的作用，常见的决策规划体系结构，有分层递进式，反应式，以及二者混合式。
分层递进式体系结构，就是一个串联系统的结构，在该系统当中，智能驾驶系统的各模块之间次序分明，上一个模块的输出即为下一模块的输入，因此又称为感知规划行动结构。但这种结构可靠性并不高，一旦某个模块出现软件或者硬件故障，整个信息流就会受一定的影响，总系统有很大的可能性发生崩溃，甚至处于瘫痪状态。
反应式体系结构采用并联的结构，控制层都可以直接基于传感器的输入进行决策，因此它所产生的动作就是传感数据直接作用的一个结果，可以突出感知动作的特点，适用于完全陌生的环境。反应式体系结构中的许多行为主要涉及成为一个简单的特殊任务，所以感觉规划控制可以紧密的结合在一块，占用的储存空间并不大，因而可以产生快速的响应，实时性比较强，同时每一层只需要负责系统的某一个行为，总系统可以方便灵活的实现低层次到高层次的一个过渡，而且如若其中一个模块出现了预料之外的故障，剩下的层次，仍旧能产生有意义的动作，系统的鲁棒性得到了很大的提高，难点在于，由于系统执行动作的灵活性，需要特定的协调机制来解决各个控制回路，同意执行机构争夺之间的冲突，以便得到有意义的结果。
分层递阶式系统的一个结构和反应式体系的结构，都各自有优劣，都难以单独的满足行驶环境复杂多变的使用上的要求，所以慢慢的变多的行业人士开始研究混合式的体系结构，将两者的优点进行相对有效的结合，在全局规划的层次上生成面向目标定义的分层式递阶行为，在局部规划的层面上就生成面向目标搜索的反应式体系的行为。
无人驾驶的控制核心技术就是车辆的纵向控制，横向控制，纵向控制及车辆的驱动和制动控制，而横向控制的就是方向盘角度的调整以及轮胎力的控制，实现了纵向和横向自动控制，就可以按给定目标和约束自动控制车运行。
车辆按照纵向控制是在行车速度方向上的控制，即车速以及本车与前后车或障碍物距离的自动控制。巡航控制和紧急制动控制都是典型的自动驾驶纵向控制案例。这类控制问题可归结为对电机驱动、发动机、传动和制动系统的控制。各种电机-发动机-传动模型、汽车运行模型和刹车过程模型与不同的控制器算法结合，构成了各种各样的纵向控制模式。
车辆的横向控制就是指垂直于运动方向的控制，目标是控制汽车自动保持期望的行车路线，并在不同的车速、载荷、风阻、路况下有很好的乘坐舒适和稳定。车辆横向控制主要有两种基本设计方法，一种是基于驾驶员模拟的方法（一种是使用用较简单的动力学模型和司机操纵规则设计控制器；另一种是用驾驶员操纵过程的数据训练控制器获取控制算法）；另一种是给予汽车横向运动力学模型的操控方法（要建立精确的汽车横向运动模型。典型模型如单轨模型，该模型认为汽车左右两侧特性相同）
除上述介绍的环境感知、精准定位、决策规划和控制执行之外，无人驾驶汽车还涉及到高精度地图、V2X、无人驾驶汽车测试等关键技术。无人驾驶技术是人工智能、高性能芯片、通信技术、传感器技术、车辆控制技术、大数据技术等多领域技术的结合体，落地技术难度大。除此之外，无人驾驶技术落地，还要建立满足无人驾驶要求的基础交通设施，并考虑无人驾驶方面的法律和法规等。
