自動駕駛汽車的概念可以追溯到二十世紀五十年代，人們設想可以坐在車里娛樂，車輛的加速和轉向由電子設備自動控制，沒有擁堵、沒有碰撞、沒有疲勞駕駛。
2009年1月17日，Google自動駕駛項目Project Chauffeur正式啟動，在一輛豐田Prius（普銳斯）上安裝激光雷達、3D相機、GNSS-RTK和慣性導航系統等設備來追蹤行人和物體；年底，Google第一代自動駕駛汽車Prius完成100英里（約161km的無人接管自動駕駛任務。
ADAS高級駕駛輔助系統主要分為兩部分——軟件和硬件
感知硬件上，遍布車身的攝像頭負責視覺識別，通過視覺算法進行物體識別、車道線檢測和交通標志識別等任務；
超聲波雷達負責短距離的障礙物探測，主要功能是低速泊車場景；
毫米波雷達用于中遠距離的障礙物探測、速度測量及目標跟蹤；
激光雷達發射激光脈沖并接收反射信號，生成三維點云數據，實現精確的距離測量和環境建模；
其它設備還包括高精度定位設備、慣性測量單元（IMU）等，提供車輛的姿態信息，結合衛星導航、基站定位等多源定位技術，實現厘米級的車輛定位服務。
計算與決策
在具備眾多感知設備后，汽車獲得的數據也呈指數級增長，海量的圖片、視頻需要強大的車載計算機來處理。
國家工業信息安全發展研究中心副總工程師黃鵬在2021中國汽車論壇“智能網聯汽車產業發展與安全分論壇”上公開表示：一輛智能網聯汽車每天至少收集10TB的數據。這些數據不僅包含車輛地理位置、車內及車外環境數據、車聯網使用數據等，還包括駕乘人員的面部表情、動作、目光、聲音數據。
耳熟能詳的英偉達OrinX、英特爾的mobileye、華為的MDC810等，都屬于智駕計算平臺，提供實時數據處理能力和深度學習推理能力，支撐高級駕駛輔助系統（ADAS）和自動駕駛系統（ADS）的決策過程。
執行層面
電驅系統、制動系統、轉向系統等，用于執行指令，實現自動化駕駛。
上述層面都是硬件部分，屬于基礎，想要輔助駕駛能真正輔助人類駕駛員行車，還要依賴軟件的支持，也就是算法。而算法也更大程度上決定了ADAS（高級駕駛輔助系統）能力的上限。
我國于2021年8月發布《汽車駕駛自動化分級》GB/T 40429-2021，2022年3月1日起實施，根據該規定，將汽車駕駛自動化從0級到5級共劃分為六個等級，目前已經商用落地的，為2級（部分自動化）及以下等級。
分布式ADAS架構
大概十多年前，部分高檔轎車，如奔馳、奧迪、沃爾沃等，搭載的自適應巡航系統、變道提示輔助系統以及自動剎車就屬于1級自動化。
和1級自動化相匹配的ADAS系統稱為分布式ADAS架構，這種架構和傳統燃油車一樣，由分布于車內的多個控制器獨立運行，各司其職。
如環視攝像頭和超聲波雷達只服務于泊車功能；Y軸ADAS功能由前毫米波雷達實現，X軸ADAS功能由視覺攝像頭實現。在這個框架下，不同功能相互獨立，需要通過服務或接口來調用，傳感器耦合度很低，是典型的分布式開發，也叫1R1V架構。此架構十分依賴供應商，主機廠在掌控力方面基本沒有話語權，屬于給什么方案用什么方案，沒有太大自主權。
分布式ADAS架構優點缺點都很明顯。優點方面，由于功能相對獨立，整個系統的集成難度低，可移植性強，開發周期較短，能以較低成本實現較高的收益。
但缺點也很明顯，由于過分依賴供應商的方案，主機廠往往只能打包購買供應商的方案，假如想要省點成本自己“DIY”，兼容性可能會受到影響，同時開發費用和研發周期也會大幅增加。最重要的是，此架構下，主機廠依然還是“組裝廠”的定位，利潤大頭都被供應商拿走了，并且ADAS的上限低，用戶體驗不夠好。
域控/跨域式ADAS架構
隨著技術的進步，汽車單位時間內產生的數據量大增，需要的芯片算力越來越強，分布式ADAS架構的性能無法滿足需求，域控/跨域式ADAS架構就誕生了。
相比分布式ADAS架構，域控式架構增加了域控制器（相當于一個功能全面的CPU），算法上，將傳感器端上移到域控制器端，傳感器只負責感知，域控制器負責融合算法，提高了功能可用性；整合后，性能的帶寬大幅增加，能并行處理多個感知設備的數據，同時控制能力上，也能實現 “一鍵多用”；此外，主機廠可以根據自己的需求定制功能開發，打破了供應商的封鎖。
比較有名的一個案例就是英特爾的mobileye，由于其采用“黑盒方案”，即給什么用什么，主機廠很難開發自己需要的功能，積累的駕駛數據也不能為己所用，雖然很早就搭載于特斯拉、理想、極氪等多個主機廠的車型上，有著先發優勢，但由于“黑盒方案”的局限性無法滿足主機廠的競爭需求，現在市占率已經遠遠落后于其他同類企業。
而英偉達則反其道而行，自己僅負責研發硬件，并提供開發平臺，需求和功能，乃至算法開發能完全由主機廠自己掌握。除了硬件（算力）上的優勢，由于其獨特的開放性，目前國內很多廠家都以英偉達作為自己ADAS平臺的硬件。
硬件平臺的性能上來后，輔助駕駛的上限則由算法來決定，而算法也分三六九等。如此前的模塊化算法，到BEV+Transformer，再到現在的端到端（End-to-End），而端到端也可以按照架構分為感知“端到端”、決策規劃模型化、模塊化端到端和One Model單一模型端到端。在AI和大模型的助力下，智駕算法正從機器駕駛走向擬人駕駛，直至超越人類的駕駛。（朋月）