自动驾驶汽车，又称自主车辆，是一种配备传感器、计算和软件的道路车辆，能够感知周围环境并控制转向、加速和制动，从而减少或消除人为输入。美国汽车工程师学会定义了六个级别的驾驶自动化，从0级（无自动化）到2级（需要驾驶员持续监督的部分自动化），再到5级（在所有条件下无需人类驾驶员的完全自动化）；截至2020年代中期，尚无商业部署系统可靠达到5级，大多数公开可用系统运行在2级，或在有限地理围栏区域内达到4级。
从DARPA到商业部署
现代自动驾驶研究可追溯至DARPA Grand Challenge，这是DARPA在2004年和2005年举办的系列沙漠地形自主车辆竞赛，首年无队伍完成赛道；2005年冠军是斯坦福大学的Stanley，由Sebastian Thrun领导，随后的2007年城市挑战赛帮助奠定了现代行业的人才和技术基础。谷歌于2009年在Thrun领导下启动自动驾驶汽车项目，该项目于2016年分拆为Waymo，与Google DeepMind为姊妹公司。Waymo成为首家运营无人类安全驾驶员的全无人商业机器人出租车服务的公司，于2020年在亚利桑那州凤凰城启动，随后扩展至旧金山、洛杉矶及其他美国城市。由通用汽车支持的Cruise运营着竞争性机器人出租车服务，直到2023年旧金山发生行人拖拽事件，导致其车队在全国范围内暂停运营，并引发重大领导层和战略调整。
特斯拉的方法
特斯拉在Elon Musk领导下采取了不同的技术路径，依赖基于摄像头的Computer vision，而非Waymo及大多数其他开发商使用的激光雷达传感器，并将其驾驶员辅助功能（以Autopilot和Full Self-Driving品牌销售）逐步推向消费车辆，而非将技术限制在小型地理围栏机器人出租车车队中。尽管有“Full Self-Driving”的品牌名称，该系统在整个公开推广过程中一直要求驾驶员主动监督，并仍被归类为2级自动化；该方法及其营销已引起监管审查，包括美国国家公路交通安全管理局对该功能相关碰撞事故的调查。
技术方法
自动驾驶系统通常结合多种传感器、摄像头、雷达，以及除特斯拉外大多数方法中的激光雷达，通过基于计算机视觉构建的感知软件融合，并日益依赖学习的Neural network模型而非纯手工编码规则。路径规划和控制层随后将感知到的环境转化为驾驶决策，近期系统越来越多地使用端到端学习模型，将传感器输入更直接映射到驾驶动作，这种方法在概念上与Robotics领域更广泛地推动学习而非手工工程控制的趋势相关。
长尾问题
完全自主的核心技术障碍常被描述为长尾问题：绝大多数驾驶情况是常规的，且已能可靠处理，但一小部分实际上无界的罕见边缘情况，如异常道路标线、其他驾驶员行为不稳定、行人行为不可预测或陌生天气，持续导致故障，而覆盖足够多的尾部以在所有条件下达到或超越人类安全水平，已被证明远比2010年代早期行业预测所预期的困难。这种常见条件下已展示能力与罕见条件下鲁棒性之间的差距，与其他AI领域观察到的可靠性挑战相似，包括Large language model系统中的Hallucination (AI)，并一再推迟了整个行业全面5级部署的时间表。