工研院在2016年9月與NVIDIA簽署合作備忘錄，近期已在自動駕駛的深度學習上，有了初步成果。為使台灣落實技術自主化，該自動駕駛車的關鍵技術皆是由工研院所自行開發，晶片組方案則採用NVIDIA DRIVE PX2，融合不同感測器的數據，使車輛具備多種感知能力，因此得以充分應付複雜的行車環境及角落。
工研院機械所正研究員/自駕車複雜環境資料融合感知技術計畫主持人連豊力指出，由於工研院所開發的自駕車，是從零開始打造，其採用的車用電腦、通訊協定，都是掌握在工研院手中，因此要做任何的操控、控制都不會有問題。現階段我們進行開車場景的錄製，完成後將資料丟到NVIDIA DRIVE PX2超級電腦開發平台中，去對應車用資料庫，以進一步推論出所拍攝到的場景是汽車、巴士車，還是行人等。然而，當比對程度達到水準後，就能進一步將車外場景的主要目標對象框出來。
當系統須一邊開車一邊進行學習，其處理耗能會相當高，但當學習完成後，單純進行辨識的耗能則會降低很多。因此一般在自駕車的學習階段，會是用離線的方式進行學習，而學習完後的辨識，則就可用在線的方式來進行。但若辨識不成功，則又會再送回資料庫去做學習。連豊力表示，未來自駕車的發展，很可能會是讓車上使用車上處理器，並直接做現場的處理與篩選，但在一段時間後，仍會上傳到資料庫，以便做比對。
連豊力進一步表示，目前自駕車的開發單位在運用感測器去感測外界訊息上，主要有兩個做法，第一種方式是比較傳統的，運用感測器所能感測的類比訊號，例如根據車道線是白色還是黃色，去做電腦視覺分析，也就是從色彩、幾何去累積物件的特徵，其可靠度較高，目前所看到的行車紀錄器或辨識系統，大多是運用這樣的方式在做。
連豊力進一步表示，另外一種做法，則是目前NVIDIA主要在採用的方式，由於每一次開車左右兩邊的場景，會有所差異，尤其是當道路並非高速公路般筆直，而是彎曲的時後，若要讓一台車學會如何開車，便必須透過錄影機與電腦，將開車的場景、指令(左轉、右轉、不動、煞車、加速等)錄下來，紀錄完成後，電腦就會開始推論，當影像場景右邊比較亂、左邊比較清楚時，代表方向盤正在左轉，而影像如果很平均，則代表方向盤沒有在動等，進而去找出中間的關聯性。
連豊力分析，當這樣的關係被找出，電腦就可以進而去判斷，主人的開車狀況，甚至車子該如何進一步自動進行左轉、右轉。因此當電腦的影像紀錄越多，自動駕駛能使用的資料庫也就更為豐富。不過相較於傳統方式，其可靠度是比較低的，因其並沒有辦法做到1對1對應，當學習中的攝影機沒有拍到某些資訊，這些資訊就學習不到了，也就無從判斷，因此如何讓機器的感測能力全面提升，將會是自駕車須跨越的一大門檻。
有鑑於此，目前工研院在發展自動駕駛時，是兩種方式同步進行。由於圖形、影片的資料量相當大，而NVIDIA最大的強項即是在前端的GPU影像處理，這也是工研院與NVIDIA聯手合作的原因。
