前言
雷达与摄像头数据作为自动驾驶系统中重要的输入数据，提供着各种信息，当两种传感器提供相同信息时就需要就需要进行数据融合。
实践中发现雷达偶尔会提供错误的信息，雷达与摄像头数据融合就有很大难度。
换言之：摄像头优于雷达，所以埃隆马斯克决定放弃雷达，使用纯视觉技术开发自动驾驶系统。
汇报内容
使用激光雷达加高精地图的方案意味着车辆在行驶过程中需要提前拿到高精地图的信息，再和车上的激光雷达、摄像头等传感器的信息进行融合。这样的方式存在以下一些问题：
不光硬件的成本高，获取高精地图的成本也非常高。同时高精地图也不可能做到 100% 覆盖，意味着自动驾驶会局限在特定的区域和路况。维护的成本很高。一方面车上的感知硬件多了必然会增加维护的成本，另一方面高精地图等一些基础设施也需要更新和维护并且成本是非常高的。数据融合上存在困难。
摄像头相较于其它传感器可以获得更加丰富的信息，特斯拉使用的是 8 个摄像头的感知方案。基于这样的感知条件， 特斯拉只需要实时地计算出车道线、红绿灯状态等信息，就可以满足自动驾驶的要求。这样的方案完全不需要提前定义好的信息就可以部署到全球各地的特斯拉上去使用，大大增强了自动驾驶方案的适应性。当然仅依靠视觉的感知去做自动驾驶是非常困难的，所以当前团队完全抛开激光雷达、毫米波雷达等其它传感器，把所有的精力放在视觉的方案上，并且团队认为通过深度神经网络是完全可以达到人类的感知能力的。
特斯拉基于视觉的自动驾驶方案已经非常优秀了，视觉感知的方案已经比其它一些传感器有更高的精度，其它的传感器传回来的数据只能带来噪音。与其费功夫去做数据融合，不如把视觉的数据更好地利用。特斯拉最近量产的车把毫米波雷达也去掉了，使用毫米波雷达车辆可以很直接地获取到非常准确的位置信息，但是有时候它会给你一些错误的数据，这样的数据和视觉传感器过来的数据是没有办法融合的。
使用监督学习的方法解决一些特定的问题。比如前车速度信息、加速信息等。
