1．1基于多传感器融合的运动物体检测和跟踪
运动物体检测和跟踪系统负责检测和跟踪自动驾驶汽车车身周围环境中障碍物的运动状态，为智能车辆做出自主决策和规划提供一系列参考信息。BOSS采用多传感器融合的方法来提高环境感知能力，整个系统分为两层：传感器层和数据融合层。传感器层从传感器数据中提取特征，生成用于根据点模型或盒模型描述移动障碍物假设。传感器层还尝试将特征与来自融合层的当前预测假设相关联。如果无法关联，将生成新的移动障碍物建议信息。如果可以关联，封装成更新假设状态估计所需的所有观测信息。数据融合层根据传感器层提供的观测信息和建议信息，为每个假设选择最佳跟踪模型，并使用卡尔曼滤波器对运动物体状态进行最优估计。
1．2静态障碍地图构建与表示
静态障碍地图系统将车辆上无数扫描激光器的数据结合在一起，生成周边环境的理解。对于允许自主车辆在公共道路上安全行驶而不与障碍物（如路标、路缘）碰撞至关重要。如路沿检测算法，主要步骤分为：预处理、小波特征提取和后处理。预处理阶段提供了两个重要的特征：减少由于遮挡和稀疏数据造成的误报，以及格式化数据以进行特征提取。基于小波的特征提取是对预处理后的点集进行离散小波变换。后处理应用一些额外的启发式来消除误报和检测一些额外的非道路点，对预处理阶段进行补充。整个路线网络定义文件（RNDF），采用拓扑图表示（与度量图表示法对应）。道路网络包括一个或多个路段，每个路段包括一个或多个车道。路段的特征是车道数、街道名称和速度限制。车道的特征是车道的宽度、车道标线和一组航路点。车道之间的连接以出口和入口航路点为特征。图中的每个节点表示一个航路点，方向边缘表示将该节点连接到它可以到达的所有其他航路点的车道。基于多个因素的组合，将成本分配给边缘，这些因素包括穿过与边缘相关联的车道的预期时间、车道长度和环境的复杂性。
1．3车道辅助定位
大多数城市驾驶可以被认为是对固定路网约束内的局部干扰的响应，因此在组合惯导定位失效时，相对于车道边界正确定位不失为一种方法。使用SICK LMS激光来检测道路上绘制的车道标记。车道标记通常比周围的道路材料亮，并通过使用斜率函数对线扫描中的强度进行卷积来检测。响应中的波峰和波谷代表潜在车道标记边界的边缘。为了减少误报，仅将适当间隔的峰和谷对视为车道标记。结果是一组潜在的车道标记位置。将车道标记位置与道路模型车道位置进行匹配，并通过阈值判断，生成一个平滑的、基于道路网络的位置估计。
