十年前，谷歌开始布局无人驾驶汽车项目，将昂贵的光学雷达及高清地图技术作为其战略发展目标。时至今日，这两项技术仍然是谷歌无人驾驶项目的重要支柱。
基于光学雷达和相机所获取的数据，我们可以通过算法在地图上定位无人汽车，但是这个方法还未能很好地满足实际要求。无人驾驶汽车要实现在复杂环境或不断变化的街道中驾驶，需要有很好的感知及决策能力，而这本身就具有不确定性。
现在，我们主要依靠人工智能技术——深度学习来解决这个问题。与以往不同的是，我们不再使用预设算法，而是让系统通过实例学习，自主学会如何对一个输入做出正确的响应。可以说，对于大部分感知任务以及一些低级的控制问题，深度学习是目前最有效的解决方法。
无人驾驶汽车需要通过感知系统去辨识正在运动的物体（汽车，行人）及固定不动的物体（路灯柱、路的边缘）。它可以通过三种方式检测动态对象，包括相机、激光扫描仪和雷达。在这三种方式中，相机是最便宜的，但在过去，将图像转化为检测对象很困难，所以这也是使用率最低的方式。而通过深度学习，我们发现无人驾驶汽车理解和使用这些图像的能力显著提高。
更让人兴奋的是，我们发现“多任务深度学习”使得无人驾驶技术取得更进一步进展。多任务深度学习是指同时训练系统去识别车道标志线、汽车以及行人，其训练结果优于这三个子系统独立执行，这是因为在单一网络中，信息可以被共享。
无人驾驶技术不是完全依赖于预先设定的地图，而是仅将地图作为其中一个数据流，并结合传感器获取的数据帮助系统进行决策。比如，神经网络系统通过地图信息预先获取人行横道的位置，进而对检测准备通过的行人，这比仅仅依靠图像数据要准确得多。
在过去，由于自动驾驶汽车驾驶不平稳，导致许多人乘坐自动驾驶汽车时会产生晕车的感觉。现在，深度学习可以帮助我们缓解这个让人头疼的问题，让自动驾驶汽车学会人类的驾驶方式及技巧，会让乘客感觉更加自然。
现在，深度学习只是刚开始在无人驾驶技术领域中崭露头角。但正如它对图片搜索和语音识别的突破性贡献一样，深度学习可能会改变无人驾驶技术的未来。