在乘坐过程中，乘客将通过车载触摸屏获得实时可视化的信息。该触摸屏由激光雷达（一种测量自身与物体之间距离的激光传感器）、雷达、GPS、RGB摄像机和惯性测量数据组合而成。当前的版本看起来有点像原始的视频游戏，配有汽车的三维显示，还有一个由三个仪表盘摄像头拍摄的画面，以每小时数英里的速度运行，视角也可以自行选择切换（例如，头顶、鸟眼、挡风玻璃等）。Drive.ai称其从汽车里延伸出去的红线为“红地毯”，因为它可以展示预期的路线。

勒帕德说，这样做的目的是让乘客感觉更舒服。

“我们真的采取了一种系统的方法，”他解释道，“并且也考虑到了我们未来该如何扩展。我们想从早期的采用者中脱颖而出。”

实际上，这些汽车在公共道路上的行驶并不难实现。从设计角度说，它们是亮橙色的，带有“自动驾驶汽车”的字样。Drive.ai的标志就印在驾驶员和乘客两侧，非常显眼。他们还配备了四个激光雷达传感器，10个1080p RGB摄像机，一个雷达系统和一个合成传感器数据的中继计算机。他们有车顶屏幕，可以显示书面的提示、符号和表情符号，以便将车辆的下一步行动（如车道变换或红灯时右转）传达给周围的行人和司机。

“我们想让人们知道，这些都是自动驾驶汽车，因此他们对待这些汽车的态度与其他车辆不同。”坦顿说，“他们的意图应当是透明的。”

如何让汽车学会自动驾驶

“机器学习已经深入到Drive.ai堆栈的每个部分，包括映射、传感器校准、感知、空间估计、控制、车队管理等。这是汽车决策引擎的核心部分。”坦顿说。

“我们采取深入学习的方法，”他说。“人工智能处在我们车辆平台和传感器平台的最前沿。”

Drive.ai的工程师使用可视化工具将传感器数据流与三维街道地图和道路网络同步，然后他们通过回放进行测试、训练和验证机器学习的模型。但这一切都是建立在数据收集的基础上。随着无人驾驶汽车的行驶，它们会记录驾驶数据日志，本地化报告，物体检测，运动计划和基本测量信息，例如下车和接载乘客所需的时间。这些数据收集起来很麻烦，而且如果没有标签可以让Drive.ai的系统理解它所看到的内容，那一切就没用了。

坦顿说，通常情况下，每个数据点需要工作人员花费大约800个小时才能注释清楚，但是Drive.ai开发了一个更快的系统，可以依靠自动化实现。人类团队执行了第一次迭代——识别树木、汽车、行人和骑自行车的人等对象——并使用像MIT开发的开源机器人可视化和界面框架工具Director来快速“擦洗”前后框架。Drive.ai早期版本的中间件是建立在免费的机器人操作系统之上的，但是该团队已经转向了自己设计的解决方案，即Drive.ai pub-sub或DPS。

“我们的堆栈可以让我们非常迅速地检查一辆汽车，找出问题所在。”坦顿说，“我们收集的模拟数据保证我们能够快速适应。”

该方法的一个实际应用好处是动态交通灯检测。Drive.ai的工程师没有为不同形状和大小的灯光手动编程规则，而是将数千个交叉路口的交通灯信息录入到车辆的计算机视觉算法中，让它们学会独立识别不同的信号。

该公司不会透露其汽车行驶的确切里程数，但它表示他们已经看到了“数百万”的边缘情况。它还在具有挑战性的条件下进行测试，如夜间和下雨。出于谨慎，Drive.ai在弗里斯科的测试车辆只能在白天行驶。