1984年，美國國防高級研究計劃局(DARPA)啟動“ALV自主陸上車輛”，攝像頭檢測地形，計算機系統計算出導航和行駛路線。采用激光雷達來識別道路，GPS導航，并有小型化的短波雷達發現障礙物。
這些都是，歷史上無人駕駛的眼睛。
今天，寶馬I3車載硬件包括4個激光感應器，具備多開立柱障礙、緊急剎車的功能。但是這些“眼睛”對于無人駕駛來說是遠遠不夠的。
車載硬件
開車需要眼觀六路，這樣能得到深度、豐富的信息，為駕駛決策提供依據。我們需要清楚的知道車輛周圍發生了什么，有什么將會發生。無人駕駛就是用雙目系統做感知，計算系統做處理。不同的廠商技術路線不一樣，車載無人駕駛硬件，也就是車身上的硬件包括:傳感器、激光雷達、攝像頭、超聲波等等。聲波一般是用在慢速的道路場景中。主流的自動駕駛，一般是毫米波雷達，激光雷達和攝像頭。但是，攝像頭的兩個主要限制是:對光的要求很高，運算要求也較大。這時，需要多傳感器組合，但是不同場景有不同的傳感器配置，簡單的場景可能是純攝像頭，有的場景需要是攝像頭加超聲波，再加上一系列的激光雷達，分有8線激光雷達、16線激光雷達，攝像頭也會有很多種不同的配置。也有的無人駕駛的方案是用視覺的方式來做3D感知。比如識別車道線、穩定精確的車輛3D框，同時每輛車都有車輛身份，每個車輛身份都帶有這輛車的類型信息，是小轎車、還是貨車等等。通過識別可行駛區域，將2D識別的結果投影到3D上，在3D空間中，知道每輛車的位置、每輛車的速度，以及通過歷史的數據和當前車的狀態去判斷它下一個時刻可能發生的運動軌跡和位置。目前國內也有許多初創團隊在做視覺加深度學習的感知方案。
高精度地圖
對高階別的(L4)無人駕駛來說地圖是一個非常重要的戰略資源。布局高級別無人駕駛，必須布局地圖，谷歌和百度的無人駕駛，就都有有地圖這一先天優勢。原因是自動駕駛車載定位的主要輸入是定位特征，例如車道標志或者交通標志。這些特征點被儲存在定位地圖里，并由車載傳感器探測。通過比較和分析這些特征，我們知道車輛的位置，以及車頭方向，行駛車道內的信息。這也就是為什么傳感器需要做識別，聯網上報車輛的位置與坐標，這樣減少了不少復雜的檢測。也有無人駕駛的技術路線是希望基于高精度地圖能夠做到一個厘米級的定位，然后基于高精度地圖做到針對自動駕駛的導航。
