算法主要依赖人脑驱动演进，从第一个角度看，深度学习依然是目前最重要的方法，但是我们在继续演进的路上也面临很多挑战，后续网络规模还会变得更大、更复杂（现在最大的网络已经在接近小型哺乳动物的神经元个数），从而具有更高精度和更强功能；从第二个角度看，在工业界的实践中，深度学习方法需要和其他的机器学习方法、非学习方法结合，以得到实际可用的、功能边界清晰的、可靠的系统；从第三个角度看，需要持续扩展“运行设计域”（ODD）。

运行设计域简单来说就是可正常运行的范围，包含以下几个要素：天气（雨、雪、雾等极端天气）、光照（黄昏、夜晚、阴天等）、道路（隧道、机坪、高架）、区域（园区、城区、高速），无人驾驶车辆需要在这些要素范围内，从易到难进行持续扩展。

数据主要通过数据驱动系统演进驱动，数据驱动要解决的第一个问题就是长尾问题（长尾问题概念来自于互联网，指个性化、零散的总和却又比较大的客户需求，在无人驾驶领域指很少见的场景，但是总和同样较大）。长尾问题之所以难解决，算法能力不够强大是一个维度，这需要工业界和学术界进行持续提升，另一个维度是在先有算法能力范围内，需要通过无人驾驶系统来收集到最有价值的数据，用数据驱动的方式来迭代和提升系统能力。

数据驱动是如何解决长尾问题的？通过异常事件数据录制-回传-筛选及标注-模型训练-模型验证-部署，从而完成模型升级的迭代过程，异常事件包括人工接管（Robotaxi）、无人运营车辆的剐蹭、急刹车、目标物分类跳变等。

数据驱动的另一个方面：场景、业务、传感器类别非常多。无人车会在不同的城市、不同的道路和区域、承担不同的业务（物流、出租车等），同时每种车型上的传感器配置也不一样，这几方面因素都会导致数据有明显差异。因此我们提出了一个数据驱动的跨场景、业务和传感器的统一框架。这个框架可以综合考虑不同场景、业务、传感器的数据，可以高效地、最大程度复用各场景中的数据价值，节省标注工作成本，并提升效率。

结语：无人驾驶车辆感知与理解这个世界的背后是一项复杂的工程系统，惟有适者方能生存，在不停地认识世界的过程中无人驾驶车辆也在不停地实现自身的进化与演进，向着下一个进化节点跨步前进。