Waymo依靠Alphabet和Google的技术优势将诸如神经网络系统和机器学习方法之类的人工智能技术引入自动驾驶汽车的改进中，从而大大降低了自动驾驶的错误率。在亚利桑那州凤凰城的郊区，Waymo的小型货车不再需要手动操作方向盘，而已实现了全自动驾驶模式。这些汽车具有“大脑”结构。控制和一系列复杂的神经网络。这听起来有点吓人，但该公司表示该系统绝对安全。如今，任何购买相机和激光雷达传感器并将其安装在汽车上的人都称为自动驾驶汽车。但是，在自动驾驶领域，核心和最重要的事情是如何使自动驾驶汽车像人类一样控制汽车，或者比人类的驾驶技术更好？在Google的I / O开发者大会上，Waymo的首席执行官约翰·克拉夫奇克（John Krafcik）透露了这样一条信息：我们的自动驾驶汽车可以看得更远，感知力更强，反应比人更敏感。长期以来，Waymo致力于使自动驾驶完全摆脱对人的依赖，并实现完全自动化。最近，他们正在从事一个名为“自动化机器学习”的人工智能项目。在该项目中，他们使用神经网络技术来改进自动驾驶技术。 Waymo工程师不仅可以模拟汽车如何识别道路上的物体，还可以研究人类行为对汽车的影响。他们使用深度学习方法来解释，预测和响应高速公路和模拟环境中的驾驶数据。 Waymo是自动驾驶领域的领导者。它在高速公路上行驶了600万公里，在模拟环境下行驶了50亿英里。在此过程中，Waymo收集了大量数据和信息。 Waymo还与两家主要汽车制造商菲亚特·克莱斯勒和捷豹路虎达成了合作。 Waymo首席技术官Dmitri Dolgov（Dmitri Dolgov）表示：自动驾驶需要高性能和高精度，这方面的驾驶经验非常重要。深度学习的概念来自人工神经网络的研究。具有多个隐藏层的多层感知器是一种深度学习结构。深度学习通过组合低级特征来发现数据的分布式特征表示，从而形成了一个更抽象的高级表示属性类别或功能。深度学习也是机器学习的一种。使用神经网络的不同感知层来分析不同抽象数据的能力是改善自动驾驶车辆的感知和性能的出色解决方案。 Google Brain团队的专家还与Dolgov的工程师一起研究了提高自动驾驶准确性的方法。以前，自动驾驶系统的错误率很高，无法很好地区分汽车，交通信号灯和新来者。在实时情况下，相应的速度较慢。为了改善这个问题，Google付出了巨大的努力来改善系统的识别能力。 AI工程师将机器学习与神经网络技术相结合，并将其应用于自动驾驶技术，以充分利用两者的技术优势。多尔戈夫说，人们一眼就能分辨出猫和狗，但是如果要求人们说出这个结论的原因，则要复杂得多。深度学习方法也是如此。教导机器从传感器数据中挑选出行人比讲出原理和编码要简单得多。 Waymo使用自动化程序和不同人员的标签分类来训练系统的神经网络。培训结束后，需要删除和压缩这些庞大的数据库，并将其应用到实际的驾驶环境中。像图片压缩一样，此过程对于构建全球自动驾驶系统基础架构至关重要。在白天，自动驾驶汽车对行人横穿行人的响应很容易，但是对行人横穿行人的检测和作出反应则相对困难。如果行人停在道路的中央车道怎么办？ Waymo的自动驾驶汽车会谨慎响应，因为行人通常会站在中央车道等候。但是，如果没有中央车道划分怎么办？ Waymo的汽车还可以识别行人的异常行为，并尝试尽可能降低速度，以允许行人通过。通过嵌入机器学习方法，Waymo可以识别行人的正常和非法行为，并防止行人在闯红灯或非法过马路时撞到行人。另外，神经网络系统需要大量的数据和技术来支持和训练。作为子公司