多個深度神經網路讓自動駕駛車擁有感知能力，以便對四周環境有更深刻的認識。
自動駕駛車利用感應器來看見這個世界，但是它們又要怎麼理解從感應器獲得的資料呢？
這個問題的關鍵在於感知，用行業術語來說也就是在行駛過程中，自動駕駛車處理和辨識道路資料（從街道標識到行人，乃至周圍交通環境）的能力。在人工智慧強大運算能力的協助下，無人自動駕駛車能夠即時辨識和回應四周環境，保證車輛安全穿梭在車陣中。
自動駕駛車使用多種稱為深度神經網路（DNN）的演算法來實現感知能力。
DNN 並非要求車輛遵守一組人工編寫的規定，像是「看到紅燈就停車」，而是讓車輛學習怎麼利用從感應器獲得的資料，靠自己穿梭在車陣中。
這些數學模型的設計和運行方式以人類大腦為本，通過經驗進行學習。若對 DNN 展示多個情況下的不同停車標識圖片，它就可以按照經驗學習自己辨識停車標識。
自動駕駛車安全行駛的兩大關鍵：多樣性和冗餘性
然而只靠著一種演算法，是無法獨立完成工作的，需要有一整組 DNN 的相互搭配，且每個深度神經網路都負責執行一項特定任務，才能達到安全的自動駕駛。
這些神經網路要執行多種工作，從閱讀道路標識、辨識十字路口到偵測行車路徑。同時這些神經網路也是冗餘的，在功能上有所重疊，才能將發生故障的可能性降到最低。
自動駕駛對於所需的 DNN 數量沒有固定標準，加上新的功能層出不窮，使用的 DNN 清單也在不斷增長變化。
在車輛實際行駛的狀況下，必須即時處理個別 DNN 產生出的訊號。為此需要有一個類似 NVIDIA DRIVE AGX 這般的高效能運算平台集中進行處理。
以下為 NVIDIA 用於自動駕駛車感知的部分核心 DNN。
拓路者
協助車輛判斷行駛區域及規畫前方安全路徑的 DNN：
- OpenRoadNet 能夠辨別車輛周圍所有可行駛的空間，無論是車輛所在車道還是鄰近車道。
- PathNet 即使沒有車道標線，也能明顯標記車輛前方可行駛的路徑。
- LaneNet 能夠偵測車道標線及其它規定車輛行駛路徑的標記。
- MapNet 也可以辨識車道和地標，用以建立和更新高解析度地圖。
具有路徑尋找功能的 DNN 共同運作，為自動駕駛車制定安全的行駛路線。
物體偵測與分類
偵測可能的障礙物、交通信號燈及標識的 DNN：
- DriveNet 能夠感知路上的其他車輛、行人、交通信號燈和標識，但無法判別燈號的顏色和標識類型。
- LightNet 能夠對交通信號燈的顏色狀態進行分類，像是紅色、黃色或綠色。
- SignNet 能夠辨識標誌類型，像是停止、讓行、單行道等。
- WaitNet 能夠偵測車輛必須停等的情況，例如十字路口。
清單還在不斷增加
能夠偵測車輛及駕駛艙零部件狀態，以及讓操作更加便捷（如停車）的 DNN：
- ClearSightNet 能夠監測汽車攝影機的可見度、偵測限制可見度的狀況，像是雨、霧和陽光直射。
- ParkNet 能夠辨別可用的停車位。
以上這些只是構成冗餘化和多樣化 DRIVE Software 感知層的深度神經網路範例。
若想知道更多關於 NVIDIA 打造自動駕駛軟體的方法，請見全新推出的 DRIVE Labs 系列影片。