机器人可以完美地追踪其他车辆，它们更擅长注意行人，松鼠和鸟类。 主要问题仍然只是最轻，最安静和最轻快的交通工具。
加利福尼亚大学伯克利分校的研究工程师
Stephen Schladover说：“寻找自行车的任务可能是机器人车辆系统开发面临的最困难的挑战。”
加利福尼亚大学圣地亚哥分校的计算机视觉专家
Nuno Vasconcelos说，由于自行车的尺寸，速度和种类相对较小，因此很难找到它们。 “机器本质上是一大块东西。 自行车的重量要小得多，而且它们看起来可能会有所不同-它们具有多种形状，颜色，而且碰巧会用垃圾将它们挂起来。”
因此，近年来，汽车的检测精度已经超过了自行车的检测精度。 大多数改进发生在系统的培训中，在该系统中，他们研究了数千张带有标记对象的照片。 而且大多数培训都针对汽车而非自行车的图像。
以大学的研究人员最近引入的
Deep3DBox算法为例。 来自Menlo Park的George Mason和Robotaxi开发人员
Zoox 。 在试图
解析二维图像的行业标准系统测试中，Deep3DBox识别了89％的汽车。 几年前，此类系统的应对率不超过70％。
Deep3DBox还可以更好地应对更艰巨的任务：预测运输方向，并为二维图片中的对象生成三维容器。 深度学习通常用于轻松检测像素序列。 该大学的项目参与者JanaKošecká说，我们已经找到了一种有效的方法来使用这种技术来确定对象的几何特性。 乔治·梅森。
但是该系统在检测和定向自行车和骑自行车的人时要差得多。 Deep3DBox是最好的系统之一，但在测试中，它只能识别74％的自行车。 尽管她可以正确地对准图中88％以上的汽车，但是对于自行车，她仅在59％的情况下可以这样做。
Koschecka表示，当开发人员可以访问在道路上捕获的可训练计算机的大量图像时，商业系统会做得更好。 根据她的说法，大多数试用自动驾驶汽车都通过激光扫描（
激光雷达 ）和雷达来辅助图像处理，即使它们未报告任何有关其方向的信息，雷达也有助于识别自行车及其相对于自动驾驶汽车的位置。
高分辨率地图，例如以色列公司Mobileye的“
道路体验管理” ，有助于打破新的技术突破。 这种卡为计算机提供了识别自行车的优势，因为这些自行车在预先记录的道路图像中看起来像异常。 福特汽车公司说，三维，高度详细的地图是其计划今年在道路上推出的70个试验机器人的核心。
综上所述，您将获得令人印象深刻的结果-
去年Google的设备对此进行了
演示 。
Waymo是一家脱离Google机器人交通部门的公司，该公司
展示了自己的传感器技术，该技术提高了系统识别自行车的能力。
Vasconcelos怀疑现有的对象识别和自动化系统可以代替人为驱动程序，但认为它们已经足够开发，可以帮助人们避免事故发生。 对骑自行车者的认可已经开始作为对商用自动制动系统（AEB）的补充，该系统安装在普通汽车上，不仅能够识别汽车，而且能够识别骑自行车者的行人。
沃尔沃于2013年推出了沃尔沃
首个AEB识别系统。 它处理来自摄像头和雷达的数据，预测可能发生的碰撞。 今年类似的技术将在欧洲公交车上进行测试。 随着欧洲监管机构明年开始评估AEB系统的骑行者识别质量，预计其他汽车制造商也将迎头赶上。
但是，这样的系统仍然存在严重的局限性，开发人员面临的下一个艰巨任务是：预测移动对象的运动方向。 荷兰应用研究组织的高级顾问Olaf Op den Camp说，要从识别自行车手的AEB系统中获取更多数据尤其困难。 领导开发
具有自行车识别功能的AEB欧洲测试系统的 Opden Kamp说，最难预测骑自行车者的运动。
Koschecka同意他的观点：“骑自行车的人比汽车的可预测性要差得多，因为骑自行车的人突然转弯或从任何地方跳出来都容易得多。”
根据美国监管机构的说法，这意味着骑自行车的人要避免与94％的事故有关的人为错误，将花费大量时间。 旧金山自行车联盟的执行董事Brian Wiedenmeier说：“所有的自行车运动员都期待这一刻。” 但是他说，等到自动化技术成熟才是正确的。
去年12月，Weidenmeyer
警告说 ，由Uber Technologies赞助的机器人违反了加利福尼亚州的交通法规，该法规专门旨在保护骑车人免受穿越指定自行车道的汽车和卡车的伤害。 在公司拒绝获得此类汽车的许可证后，他支持
撤销此类汽车
的注册。 优步仍在亚利桑那州和匹兹堡测试其机器人汽车，最近已获准将一些汽车返回旧金山的街道，但仅作为标记机使用，必须由驾驶员驾驶。
Weidenmeyer说，Uber急于进入市场，这是错误的。 他说：“就像任何新技术一样，应该非常仔细地检查这一点。”