根據國際汽車工程師協會(Society Of Automotive Engineers International)的自動駕駛汽車(autonomous vehicles, AV)標準(SAE J3016TM)，自動化程度由低至高共分為六個等級，第零級(level 0)代表零自動化，第五級(level 5)代表全自動化。2020年初，自駕車發展已達到第四級，即在嚴格控制的條件下，無須人為監控或介入即可自行駕駛，目前尚未出現全自動化的第五級技術，部分專家甚至認為全自動化不可能實現。目前市面上自動化程度最高的個人車輛屬第二級，仍須仰賴駕駛人員監控車輛行進、判斷接手時機。
全自動化的主要挑戰在於環境不同，包括法規、文化與天氣等因素，將影響自動化的安全性與效能。下列摘錄Wevolver所發布2020年報告論述自駕車相關技術發展現況，以及加拿大政策與規劃支援發展委員會自動駕駛與聯網車工作小組(Developed by the Policy and Planning Support Committee (PPSC) Working group on Automated and Connected Vehicles)所提出，AV/車聯網(Connected Vehicle, CV)應用在公共道路之政策架構準則。

一、自駕車的感測技術

自駕車的應用領域包括個人車、大眾運輸、快遞貨運，以及農業與礦業專用車。不論設計理念為何，所有廠牌的自駕車皆仰賴感測器(sensors)來偵測外在環境，以高階軟體處理收集到的資訊並決定路線，並透過一套致動器(actuators)來執行決策。感測器可分為「被動感測器」(passive sensors)與「主動感測器」(active sensors)兩類，前者負責偵測環境中物體所反射的能量，後者則負責發送電磁訊號(electromagnetic signal)並偵測反射，一般而言會混和使用兩種感測器。

(一)被動感測器
物件偵測技術廣泛應用於數位影像與影片，以相機技術(camera technology)為基礎的被動感測器得以率先使用於自駕車。數位相機所使用的感測器仰賴電荷耦合元件(charge-coupled device, CCD)或互補式金屬氧化物半導體(complementary metal-oxide semiconductor, CMOS)。CCD與CMOS影像感測器的運作方式，是將波長介於400至1100奈米之間的訊號轉變為電訊號(electric signal)。
感測器的表面由一個個的像素(pixels)所組成，根據單一位置所累積的電荷量(amount of charge)，每一個像素都能夠偵測訊號的強度。不同的感測器可偵測不同波長的光，透過使用多個不同的感測器，即可紀錄顏色資訊。
CCD感測器可建立較高畫質的影像，而CMOS感測器較容易受到雜訊干擾，不過CMOS感測器耗電比CCD少了100倍，且易於製造，透過標準矽生產程序即可。目前大部分自駕車所使用的感測器為CMOS，解析度為100-200萬像素(megapixel)。
大部分車輛的被動感測器套組中，會使用不只一個感測器來偵測同一個方向，將不同感測器所得到的影像重疊後，相機可拍攝物體的3D影像，並應用於測距(range finding)。

(二)主動感測器
主動感測器具備訊號發送源，仰賴飛時測距(Time of Flight, ToF)，透過測量訊號自「來源」傳送至「目標」的時間來計算距離。以下介紹三種主動感測器，其中超音波主要用於極短距離偵測，雷達可於雨天或霧氣等惡劣天候中偵測物體，但無法判斷複雜的形狀，光達偵測形狀的表現較佳，但易受周遭光線與天候影響。
(1)超音波感測器(Ultrasonic sensors，或稱SONAR)
歷史悠久，成本最低。各式感測器中頻率最低，容易受到雨水、灰塵，或其他超音波等環境因素干擾，需同時使用多個感測器以及額外類型的感測器來輔助。超音波能量隨距離遞減，僅適用於短距離環境，如停車輔助。
(2)雷達(Radio Detection And Ranging, RADAR)
無線電波(radio waves)於電磁頻譜中的頻率最低，優點為技術成熟、成本低廉，可抵抗低光源或惡劣天候條件，缺點為空間解析度低，無法提供物體詳細的空間形狀，於感測器模組中居於輔助角色。短距離雷達使用24GHz無線電波，而影像雷達(imaging radar)採用高能量電波77-79GHz，最長可掃描300公尺遠、100度視野內的範圍，帶來4D超高畫質的雷達影像，消除前述解析度的限制。
(3)光達(Light Detection And Ranging, LIDAR)
光達使用脈衝雷射(pulsed laser)，每秒送出5萬至20萬個脈衝涵蓋某一區域，接收反射的訊號後，將訊號編譯成3D點雲(point cloud)，可偵測物件及其移動，建立最高達250公尺的3D地圖。
各種感測器中，以光達的發展最為蓬勃，已揮別傳統笨重昂貴的機械式掃瞄系統(mechanical scanning)，邁向新式的微機電鏡片系統(microelectromechanical mirrors, MEMS)，以及未使用機械元件的系統。未使用機械元件的光達，稱為固態光達(solid-state LIDAR)，包括快閃光達(flash LIDARS)以及相位陣列光達(phased-array LIDARS)。

(三)感測器的選擇
上述感測器各有利弊，各類感測器優缺點請參考圖1，感測器特性與成本參考圖2，不過尚無單一種感測器足以應付所有路況，通常必須混合使用，以確保自駕車的行車安全與效能。若要擇一，業界普遍將光達(LIDAR)感測器視為必備元件，然而有部分業者持不同作法，例如Tesla僅仰賴攝影機雷達搭配超音波，Wayve僅採用攝影機。
影響感測器選擇的技術層面如下：
(1)掃描範圍：決定感測到物件後，有多少時間可以反應
(2)解析度：決定感測器提供的訊息精細度
(3)視野或角解析度(angular resolution)：決定需要多少感測器，以涵蓋欲偵測的區域
(4)以3D成像區別多項靜態與動態物件之能力：決定能夠追蹤的物件數量
(5)刷新率(refresh rate)：決定感測器資訊更新的頻率
(6)不同環境條件中的綜合可靠性與準確性
(7)成本、尺寸，以及軟體相容性
(8)資料量

(四)地理定位(geolocalization)
自駕車的高階路線規劃(higher-level path planning)，除了使用GPS，也可利用多個衛星系統、擴增(augmentation)技術與額外的感測器來協助定位，達到公寸(decimeter)等級甚至更細的精確度。高解析度地圖(high definition maps)亦為目前許多自駕車必備的資訊來源。

二、自駕車的思考與學習

(一)感測器整合
自駕車行進間，必須一面建立地圖，一面將自身定位於地圖中，此項技術稱為同步定位與地圖構建(Simultaneous Localization and Mapping, SLAM)。執行SLAM所需之環境資訊，部分來自現有地圖，部分則由感測器所收集，透過感測器整合(sensor fusion)，結合不同感測器與數據庫所收集的資料，可提升SLAM操作的準確性。

(二)常用的AI架構
(1)傳統順序式作法(sequentially)：將一個問題拆解為數個小問題，一次解決一個，每步驟皆有專屬的軟體處理。
(2)端對端(End-to-End, e2e)學習：使用單一整體性軟體，由於近年來深度學習領域出現重大突破，端對端越來越受到青睞。

(三)常用的機器學習演算法
不論何種AI架構，目前機器學習演算法相當多元，有些公司混合多種演算法，以提升準確性，同時降低運算需求。以下為使用最為廣泛的演算法。
(1)卷積神經網絡(CNN，Convolutional Neural Networks)
(2)遞迴神經網路(RNN，Recurrent Neural Networks)
(3)深度強化學習(DRL，Deep Reinforcement Learning)

三、自駕車的通訊與連線

(一)車聯網
車聯網(Vehicle-to-Everything, V2X)一詞涵蓋車輛與交通活動中其他參與者的各類通訊，包括車對車(vehicle-to-vehicle, V2V)、車對交通基礎設施(vehicle-to-infrastructure, V2I)、車對網路(vehicle-to-network, V2N)，以及車對人(vehicle-to-person，簡稱V2P)。V2X的案例中，車隊(platoon)的應用受到廣泛矚目，當自駕車或半自駕車以車隊的形式移動，車與車之間保持極小的距離，如同火車車廂，如此可減少燃料消耗，應用於貨運卡車車隊上至多可節省16%的燃料。另一應用案例是，搭載V2V的車輛對後方車發送緊急煞車的廣播訊息，及時通知可能的危險。

(二)網路標準
絕大部分的V2X通訊奠基以下其中一種網路標準，兩者設計原理截然不同。
(1)專用短程通訊技術(Dedicated short-range communication, DSRC)：基於WiFi標準(IEEE 802.11p)，採用5.9GHz頻段中10MHz頻寬的頻道。
(2)蜂巢式車聯網(Cellular V2X, C-V2X)：C-V2X無線電技術包括舊式LTE C-V2X，以及正擬定標準的5G New Radio (5G-NR)，其中3GPP已發布Release 15。
DSRC與C-V2X皆可透過PC5介面讓車輛與其他車輛或裝置之間達到直接通訊，適用於緊急煞車警示與交通數據收集等服務。C-V2X尚提供另一項名為Uu的通訊界面，讓車輛可直接與蜂巢式網路溝通。
目前第四代無線網路(LTE/4G)的速度與應變能力尚無法滿足自駕車網路所需，相較之下，5G可提升資料傳輸速度(25-50%)、降低延遲率(25-40%)，以及服務更多裝置。使用蜂巢式連線的V2N通訊，若要使用Uu介面，需求包括即時資料傳輸維持每秒1至10Gbit、端對端延遲(end-to-end latency)控制於1ms、支援目前手機頻寬1000倍的頻寬，以及降低能源消耗。5G雖然無法同時滿足上述所有需求，但已可讓開發人員為特定服務選擇所需的網路條件。此外，5G可提供網路切片(network slicing)，為同一硬體設施中不同的應用程式提供各自專屬的邏輯網路(logical network)，並提供雲端管理技術，視需求管理數據傳輸與容量。

為支援全自駕車，應用程式每秒可能產生巨量資料。為因應此需求，半導體製造商(高通、英特爾)為特定應用程式研發專屬電路，結合5G的大頻寬、創新的數位無線電(digital radio)與天線架構(atenna architecture)，將自駕車打造為行動數據中心。

四、AV/CV應用在公共道路的政策架構準則

面對自駕車發展的政策擬定，考量的重點必須延伸到交通以外的社會、經濟影響力，同時考慮到AV/ CV普及化以後，可能在正面效益以外也會衍生出職業駕駛人失業等負面效應。同時，對於目前交通基礎建設的衝擊仍未能完全掌握，例如基礎建設的設計與標準等，必須從長計議，不能搶一時之快，且應有完整性之政策架構準則，下列以加拿大政策與規劃支援發展委員會所提架構準則為例。

(一)安全為第一考量：
根據2025年加拿大道路安全駕駛策略，長期的願景是讓加拿大擁有全球最安全道路且零死亡率與後續傷害，因此未來將有一連串的道駕駛測試。目前系列指導文件輔助包括加拿大交通部的「加拿大高度自動駕駛(Highly Automated Vehicle, HAV)測試指南」、加拿大機動汽車交通管理委員會的「HAV與安全測試司法管轄權指南」等文件，也即將有「AV/CV安全架構」、「自動駕駛車的安全評估」等非法規文件可以輔助，政府必須隨時更新安全測試的政策與法規。
(二)雙向資訊交換以確保AV/CV的安全：政府提供道路即時資訊給業界，學界與產業界將AV/CV測試資訊提供給政府，才得以制定法規與標準、發展政策並投資基礎建設。
(三)政策與法規必須與國際夥伴接軌：加拿大交通部的「機動汽車安全指令(Motor Vehicle Safety Act, MVSA)」與「加拿大機動汽車安全標準(Canadian Motor Vehicle Safety Standards)」已扣合美國的法規與標準，未來還必須要與英國、德國、歐盟等夥伴國家接軌。 
(四)提升公眾對AV/CV能耐與限制的認知：教育民眾瞭解AV/CV帶來的好處之餘，也必須認知到可能的風險與脆弱性，特別是在資安與隱私方面的脆弱，也必須要釐清自動駕駛的責任與保險涵蓋範圍。
(五)必須積極準備將AV/CV導入公共道路：積極掌握優質研究與道路測試蒐集來的資料，瞭解使用者的需求以及AV/CV的衝擊影響，以協助政府改善基礎建設、規劃長期的區域交通計畫，為未來整體交通運輸系統而準備。
(六)持續合作仍屬必要：AV/CV的關鍵產業夥伴為汽車製造商、零件製造商與技術開發者，而利害關係人還包括受AV/CV影響的普羅大眾，政府的政策要顧及所有人的需求與利益純屬不易。因此在從開發、測試到正式上路，必須分階段進行合作，以蒐集不同觀點、排列優先順序後提供政策參考，以減少重複的工夫，提高政策的正面效益。而政府在跨司法管轄權的努力亦不可免，例如美、加的合作推動，才能讓高度自動駕駛聯網車安全上路。