感知中的机器学习：
安全性：系统对感知的准确率、召回率和响应延时要求很高
机器学习中，存在一个假设：训练集和测试集独立同分布，但是无人车感知的训练集是封闭的，而测试集是开放的。
无人车的安全需要可解释：出现一个Bad case需要说清责任，需要搞清是由什么原因导致的，以便改进。深度学习模型需要更好的可解释性——可由大量测试来替代完成
其他机器学习算法（非深度学习）：Common sense不需要深度学习；深度学习模型带来一个结果，其他启发算法给一个结果，基于Double check提升安全性来融合，同时还需要其他方法；支持向量机、随机森林在数据量小的情况下可视情况选择
感知的未来：
传感器迭代：更新换代快
深度学习+仿真数据+AI芯片：车载AI芯片可以解决深度学习计算量大的问题。同时深度学习需要的大量数据可以通过仿真来弥补
智能交通设施：将传感器布置在道路上、灯上，让它们来感知，然后将实时结果传输给无人车；有助于提高感知的范围、鲁棒性，保障了安全性
