自动驾驶系统通常依赖于安装大量传感器。它们通常包括视觉和发射距离传感器的集合，例如雷达传感器，激光雷达传感器，超声波传感器等。然后收集每个传感器捕获的数据，以帮助了解车辆的周围环境并确定如何控制车辆。但是随着传感器数量和类型的增加，系统的复杂性和成本也随之增加。

例如，将发射距离传感器（例如激光雷达）引入到普通市场的车辆中通常会造成成本大幅上升，此外，每个附加传感器都增加了自动驾驶系统的输入带宽要求（连续频带中的上下频率之差）。

因此，当前厂家一直在实现车辆上传感器的最佳组合配置，这样的组合配置应限制传感器的总数，而不限制捕获数据的数量和类型，以准确描述周围环境并安全地控制车辆。特斯拉（Tesla）刚刚发布了一项新专利“使用图像数据估计对象属性”，该专利公开了一种用于从视觉数据生成高度准确的机器学习结果的机器学习训练技术。

*图1是示出了用于自动驾驶的深度学习系统的实施例的框图。来源：特斯拉专利

使用辅助传感器数据（例如雷达和激光雷达结果），辅助数据与从视觉数据中识别出的对象相关联，以准确估算对象属性（例如对象距离）。辅助数据与视觉数据的收集和关联是自动完成的，几乎不需要人工干预。例如，使用视觉技术识别的对象不需要手动标记，从而显着提高了机器学习训练的效率。

相反，可以自动生成训练数据并将其用于训练机器学习模型，以高度准确地预测对象属性。 例如，可以通过收集视觉数据和相关的相关数据（如雷达数据）的快照，自动从一组车队中收集数据。从车队收集的融合数据将自动收集，并用于训练神经网络以模仿捕获的数据。

*特斯拉专利图2：捕获用于训练机器学习网络的辅助传感器数据的示例图。

训练有素的机器学习模型可以部署到车辆上，仅使用视觉数据即可准确预测对象的属性，例如距离，方向和速度。

例如，一旦训练了机器学习模型以能够使用照相机的图像确定物体距离而无需专用距离传感器，那么在自动驾驶汽车中不再需要包含专用距离传感器了。当与专用距离传感器结合使用时，该机器学习模型可以用作冗余或辅助距离数据源，以提高准确性和/或提供容错能力。所识别的对象和相应的属性可用于实现自动驾驶功能，例如车辆的自动驾驶或驾驶员辅助操作。

马斯克主导的FSD完全自动驾驶功能一直强调摄像头的功用，而对各种雷达并不上心，而外界也一直怀疑单纯依赖摄像头是否能实现其所说的完全自动驾驶，但目前来看，马斯克正在一步步推动这一目标的实现 。