无人驾驶软件系统通常被划分为三层：感知，规划和控制。从某种程度上而言，无人车在这种分层体系下就可以看作是一个“载人机器人”，其中，感知具体包括环境感知和定位，近年来深度学习的突破，使得基于图像和深度学习的感知技术在环境感知中发挥了越来越重要的作用，借助人工智能，我们已经不再局限于感知障碍物，而逐渐变成理解障碍物是什么，理解场景，甚至预测目标障碍物的行为。
在实际的无人车感知中，我们通常需要融合激光雷达，相机和毫米波雷达等多种测量，这里涉及到的如卡尔曼滤波，扩展卡尔曼滤波等融合算法以及激光雷达。
无人车和机器人的定位方法众多，目前主流的方法一是使用GPS 惯性导航系统融合的方法，二是基于Lidar点云扫描匹配的方法，将重点介绍ICP，NDT等基于点云匹配的算法。
规划模块内部也被分成三层：任务规划（也被称为路径规划），行为规划和动作规划，后文会介绍基于路网和离散路径搜索算法的任务规划方法，在行为规划中，我们将重点介绍有限状态机在行为决策中的应用，在动作规划算法层，重点介绍基于采样的规划方法。
无人车的控制模块我们往往会使用基于模型预测的控制方法，但是在了解模型预测控制算法之前，作为对基础反馈控制的了解，我们前面了解了PID控制器。
虽然将无人车理解为机器人并且使用机器人开发的思维处理无人车系统是目前工业界的共识，但是也不乏一些单纯使用人工智能或者是智能体来完成无人驾驶的案例。其中基于深度学习的端到端无人驾驶和基于强化学习的驾驶智能体是目前的研究热点。
