今年2月，自动驾驶汽车技术某研发公司发布了一段长约四分钟的视频。视频中，一辆测试汽车在雨夜中穿行过美国加利福尼亚州山景城的街道，全程驾驶员的双手都没有碰过方向盘上，没有任何干预动作。
背后的设计理念和核心技术引起许多科技迷的关注。感知方面，后装套件中的传感器包括多个摄像头、雷达和激光雷达，这样的组合可以在某一传感器出现错误或故障的情况下提供一定冗余度，譬如摄像头和雷达可以在雨雪雾等极端天气中精度严重下降的激光雷达提供环境感知，深度相机在其中的作用举足轻重。
在实现自动驾驶功能之外，自动驾驶车辆与其他通勤者的沟通同样重要，因此设计了包括LED显示屏和声音系统来向行人和自行车示意自己的行为。
在车顶安装了一块LED显示屏，用于向行人和其他驾驶者传递文字信息和表情
决策方面，不同于一些起步较早、技术路线基于传统机器人学的自动驾驶技术提供商，使用的是基于非规则学习的深度学习网络模型，这有三项优势。
其一，场景泛化。规则学习虽然可以快速建立起应对八九成场景的决策系统，面对新的和罕见的情况却很难可靠应对；非规则学习的泛化能力让它可以更好地即时理解数据并解决此类长尾问题。
其二，复杂决策。大量算例支持下的非规则学习有复杂决策方面的优势，这已经在深度学习程序中体现出来。未来会有很长一段时间，路面上会有自动驾驶车辆和人工驾驶车辆共存，而自动驾驶所需的复杂决策（是否超车、变道等等）与围棋相似——基于对方的动作，进行自己的下一步动作，合理地获得路权。
其三，硬件需求。自动驾驶过程中，传感器每小时会采集几十GB的数据流，存储和计算都是很大的挑战。利用非规则学习而非现成的知识库进行决策，对计算芯片的效能要求相对较低，在计算能力相当于个人电脑的车载设备上即可完成核心数据处理。
这是一个非常有希望的开头，希望通过深度摄像头更多的突破，能够加快自动驾驶的进步。
