毫米波雷達很熱。雷達的分辨率越來越高，現在也可以分類物體，這是以前做不到的。
然而，更好的分辨率需要更多的通道，這意味著更多的數據需要處理。所以毫米波雷達需要有專門的處理器來處理這些數據，產生物體或者點云，此外，毫米波雷達需要有開發工具來搭建應用。否則，這些數據很難被理解。

雷達除了能全天候工作外，往往會受到負面評價。傳統的汽車雷達看不到攝像頭或激光雷達所能看到的物體。更具體地說，雷達看不到遙遠的物體，不能辨別它們看到的東西。它們的處理速度不足以達到高速公路的要求。

模擬波束成形
2017年1月成立的創業公司metawave，希望通過開發模擬波束成形技術來改變這種狀況。
利用PARC將超材料、雷達和天線商業化的獨家授權，metawave推出了該公司“全套雷達套件”的原型。該公司的超材料是布置在PCB板上的小型軟件控制工程結構。據稱，這些結構能夠以特殊的方式控制電磁波束，這在以前通常只有在體積大得多、更強大和成本更高的軍用系統中才能實現。

metawave的模擬雷達技術是基于電子可控天線。它使用一根帶有兩個端口的天線：一個端口連接到Tx或Rx鏈路，另一個連接到MCU。MCU通過查找表來定義和控制天線波束寬度和方向，從而使metawave的模擬雷達能夠實現微秒級速度的掃描。

metawave的全套雷達套件是雷達芯片不可知的。該公司宣稱其基于超材料的模擬波束成形技術可以精確控制雷達波束，在不犧牲分辨率的情況下實現更快的工作速度和更好的信噪比。

面向機器使用的成像數據

盡管Mobileye仍然是汽車視覺領域的領導者，
任何人都可以獲得相同的成像器，構建適合于圖像識別的攝像頭。但問題是你需要合適的處理器和緊密集成的算法。

對此，現在你也可以從幾家芯片公司中的任何一家選擇一款高性能視覺處理器，并應用自己的算法。或者，你也可以用CNN(卷積神經網絡)來完成這項工作。

目前，自動駕駛汽車的制造商在攝像頭方面有了選擇。許多公司會將AI應用于圖像來獲得結果。

Chronocam。這家總部位于巴黎的創業公司的傳感器技術不是面向人類使用，而是面向機器傳感和檢測設計;該公司認為，這項技術可以徹底改變當今CMOS圖像傳感器市場。Chronocam的事件驅動傳感器還很新，尚未在任何商用車上使用，但這項技術正受到關注。例如，雷諾集團于2016年底與Chronocam達成了戰略發展協議。

英特爾、Nvidia等GPU/CPU領域的大公司仍在試圖找出更準確、更快速處理大量數據的最佳方式。然而，Chronocam專注的是針對機器應用簡化和定制的成像數據采集。事件驅動傳感器的目標是顯著減少數據負載，使汽車幾乎可以做出實時決策。

定位使汽車具有“自我意識”的第一步是地圖構建，而與汽車在預先制作的地圖上看到的內容進行實時匹配。然后，汽車可以對其位置進行三角測量和定位。汽車必須確切知道它必須去哪里，以便它可以發展“情境感知。

換句話說，如果希望高度自動化的車輛能準確定位，它們需要激光雷達，需要一個具有定位資產的基本地圖，對此沒有任何東西可以替代激光雷達。

但是，還有其他方法可以做到這一點。例如，Nvidia的DriveWorksSDK可以實現基于圖像的定位。DriveWorks的庫包括地圖定位、高清地圖接口以及自我運動。

實時動態定位(RTK)是另一種選擇，RTK可增強來自全球導航衛星系統(如GPS、GLONASS、伽利略和北斗)的位置數據的精度。與此同時，英特爾/Mobileye正在推廣其面向定位的道路體驗管理(REM)技術。Mobileye希望通過利用基于攝像頭的ADAS系統的涌現，利用人群的力量來準實時地建立和維護一個精確的環境地圖。

初創企業在定位方面也有發揮的空間。據悉，初創公司DeepMap正在為第4/第5級自動駕駛汽車解決高清地圖構建和定位以及大數據管理方面的挑戰。DeepMap正在通過使用攝像頭圖像和激光雷達數據來改進當前的數字地圖。

傳感器融合

隨著自動駕駛汽車收集到所有的傳感數據，最重要的就是傳感器融合的質量。傳感器融合的結果決定了自動駕駛汽車的決策和行為，也即安全問題。

自動駕駛汽車僅采用一個傳感器不可能實現可靠駕駛，因此必須進行傳感器融合。如果必須同步所有傳感器信號，所以融合是很難的。

而關于是融合“對象”數據還是“原始”數據，業界的爭論才剛剛開始。目前沒有明確的答案。

與對象數據相比，由于原始數據在轉換中沒有任何東西丟失，AI的大多數支持者更喜歡融合這種數據。與原始數據融合有關的問題包括：你將需要大量的處理;你還需要有GB大小的網絡來將這些信號傳送到整個車輛中。