如今，機器學(xué)習(xí)算法被廣泛用于制造自動駕駛汽車中出現(xiàn)的，各種挑戰(zhàn)性的解決方案。通過在汽車中的ECU（電子控制單元）中結(jié)合傳感器處理數(shù)據(jù)，有必要提高機器學(xué)習(xí)的利用以完成新任務(wù)。

　　潛在的應(yīng)用包括通過來自不同外部和內(nèi)部傳感器（如激光雷達(dá)，雷達(dá)，攝像頭或物聯(lián)網(wǎng)）的數(shù)據(jù)融合來評估駕駛員狀況或駕駛場景分類。

　　運行汽車信息娛樂系統(tǒng)的應(yīng)用程序可以從傳感器數(shù)據(jù)融合系統(tǒng)接收信息，例如，如果車輛注意到駕駛員受傷，則可以將汽車引導(dǎo)到醫(yī)院。這種基于機器學(xué)習(xí)的應(yīng)用程序還包括駕駛員的言語和手勢識別和語言翻譯。

　　算法分為無監(jiān)督和監(jiān)督算法，兩者之間的區(qū)別是他們?nèi)绾螌W(xué)習(xí)。

　　監(jiān)督算法利用訓(xùn)練數(shù)據(jù)集學(xué)習(xí)，并繼續(xù)學(xué)習(xí)，直到達(dá)到他們所期望的（最小化錯誤概率）程度。監(jiān)督算法可以分為歸類，分類和異常檢測或維數(shù)縮減。

　　無監(jiān)督算法嘗試從可用數(shù)據(jù)中導(dǎo)出值。這意味著，在可用數(shù)據(jù)內(nèi)，算法產(chǎn)生關(guān)系，以便檢測模式或根據(jù)它們之間的相似程度，將數(shù)據(jù)集劃分為子組。無監(jiān)督算法可以在很大程度上被分類為關(guān)聯(lián)規(guī)則學(xué)習(xí)和聚類。

　　加強算法是另一組機器學(xué)習(xí)算法，它處于無監(jiān)督和監(jiān)督學(xué)習(xí)之間。對于每個訓(xùn)練示例，在監(jiān)督學(xué)習(xí)中有一個目標(biāo)標(biāo)簽; 在無監(jiān)督的學(xué)習(xí)中完全沒有標(biāo)簽; 強化學(xué)習(xí)包括時間延遲和稀疏標(biāo)簽 - 未來的獎勵。

　　代理學(xué)習(xí)根據(jù)這些獎勵在環(huán)境中的行為。了解算法的局限性和優(yōu)點，并開發(fā)高效的學(xué)習(xí)算法是強化學(xué)習(xí)的目標(biāo)。強化學(xué)習(xí)可以解決大量實際應(yīng)用，從AI的問題到控制工程或操作研究，這些都與開發(fā)自駕車相關(guān)。這可以分為間接學(xué)習(xí)和直接學(xué)習(xí)。

　　在自主汽車中，機器學(xué)習(xí)算法的主要任務(wù)之一是連續(xù)渲染周圍環(huán)境，并預(yù)測可能對這些環(huán)境造成的變化。這些任務(wù)分為4個子任務(wù)：

　　檢測對象

　　識別對象或識別對象分類

　　物體定位與運動預(yù)測

　　機器學(xué)習(xí)算法被寬泛地分為4類：決策矩陣算法，集群算法，模式識別算法和回歸算法。可以利用一類機器學(xué)習(xí)算法來完成2個以上的子任務(wù)。例如，回歸算法可以用于對象定位以及對象檢測或運動預(yù)測。