这使得两位研究人员提出了这一方案（4），基本上避免在每个状态上询问教师策略。实现的方式是通过使用标准 CNN，所谓的安全策略，训练一个独立的分类器来判定学生策略的行动对教师策略的偏离是否达到了一个固定阈值。一旦这个分类器被训练过了，当分类器认为学生行动有危险时，学生才询问教师策略。

总体上，这似乎是个好主意，有效克服了监督学习中有偏见的状态空间。不过，这在自动驾驶中的实用性似乎还有疑问。实验仅在 TORCS 上训练过，这是个赛车游戏，还不是真实生活。真实生活中，基于一个训练过的安全策略，实现人类驾驶和自动驾驶无缝对接，这个方案的实用性能有多大呢？

随后，布加勒斯特理工大学（University Politehnica of Bucharest）的博士生发表了一场在航空测绘方面的演讲。

他发表演说解决的问题（5）就是从谷歌卫星地图获取数据，并提取道路和建筑的信息。

他谈到了传统应用 CNN 的方法，即基于卷积神经网络的小型滤波器提取局部特征。

他提出了一种能将局部图像特征和全局图像特征相结合的神经网络架构，局部特征由像 VGG 那样的网络（小型滤波器）提取，全局特征由 AlexNet 那样的网络（相对大型的滤波器）提取。并且他添加了跳过联结（skip connections）提升了表现。（代码将会很快发布）

试验结果表明两种类型网络架构的融合提高了性能。

后来 MIT 的一个学生在视频数据自动标注（6）方面做了一个演讲

他察觉到视频帧上的监督学习需要大量的标注数据，而获取这些标注数据的成本是十分高昂的。

该演讲者介绍了一种使用隐马尔可夫模型的新方法，他利用视频帧潜在状态转移的概率帮助自动标注视频帧。

该论文已经在标注驾驶员在汽车内的注意方向上完成了实验，自动标注准确率已经达到了 90% 多，并且降低了 84 倍标注劳动量。

该演讲者还介绍了两个很有意思的公开赛 DeepTraffic & DeepTesla

AutoX 的创始人演示了一个 Demo，用他们的深度学习算法在南海岸地区驾驶汽车的视频，atv，并且强调了他们方法的几个独特点：

该讲座播放了特斯拉、Uber 和谷歌发布的 Demo，然后从里面指出了他们的物体探测边界框检测算法所犯的错。

AutoX 声称他们不需要检测四周障碍物的边界框。他们的神经网络直接学习学习预测在每个道路线内和障碍物的距离。他们的规划控制模块并不涉及到学习，完全是基于规则编程。

AutoX 自动驾驶不依赖任何 HD 地图进行导航。

他们宣称主要是在 Google Street View（输入图像）和谷歌地图的开放数据上进行的训练。

不仅仅是自动连接的汽车

尽管技术界将主要关注点放在构建自动驾驶系统上，政府和学界正在寻求一个基础框架使汽车像传感器一样能在路上行驶时进行无缝交流。普遍共识认为，实现道路基础架构的连接性（connectedness）将是对自动驾驶技术的一个非常重要的补充。也有交通理论背景的演讲嘉宾，这些嘉宾谈到了实现之后的主要好处。交通理论表明，交通流将完全和水流一样，前提是如果道路上驾驶的司机都以相同的方式驾驶。有一个连接的汽车基础架构将会促使交通流的平滑。连接的基础架构不仅可以支持车与车之间的交流，还能实现车与交通信号之间的交流、车与道路之间的交流等。要完成这个基础架构需要政府在不同层面上的大力参与。联邦高级机构的一位发言人谈到来自联邦政府的促进这个基础架构落地的计划

FHWA 提供资金给连接应用相关的研究，包括自适应的巡航控制、滑翔航道等汽车周边相关以及交通信号的连接（如交通灯）

连接汽车的技术规格：5.9GHz DSRC（专用短程通信技术）+ GNSS（全球导航卫星系统——暂时没有使用的频段）速度曲线限制、红灯限制

复杂的政治局面需要指引。当地政府机构负责道路，联邦机构负责汽车最低必备条件的提供。汽车和道路法规来自政府两个不同层级的彼此独立管理。当构建一个连接的道路或者说汽车基础架构，那么这个两个不同层级不能继续保持独立

(责任编辑：本港台直播)