当左转的卡车车身进入到摄像头探测的区域后，由于特斯拉Autopilot系统选用的是长焦摄像头，所以摄像头只捕获到了货车车身的部分影像，并没有“看”到整辆货车。并且恰巧由于发生事故的货车采用了白色的车身涂装，车辆的底盘高度又较高。从Model S低矮的车身看过去，车辆的图像识别系统很容易将卡车的车箱误判成天上的白云，从而没有给自动驾驶系统发出警报信息———车辆的眼睛被蒙骗了。

这是自动驾驶事故原因的分析结果。我建议引用深度学习（多层神经网络学习算法）解决影像识别缺陷的问题。首先，从输入端，将摄像头光感芯片提高到5K高清标准，并链接到机器学习芯片，使其能记录光线强弱，色域等详尽影像信息。然后，将这套系统装在一辆造价高昂（如配有高精度激光雷达）的全自动驾驶汽车上。在行驶时，利用该汽车配有高端设备的路况判断优势，教会机器学习系统在看到不同影像时的对车辆应如何控制。用大量这样的行驶里程数据，不断优化深度学习的算法（每次根据高端自动驾驶设备的判断选择，调整对输入端影像各项数据的权重赋值，从而与前者能得到一样的判断结果）。最终，使其在汽车行驶时，达到与配有高端设备自动驾驶几乎一样的车辆控制的判断结果。并将这样的算法（随着行驶数据不断积累，算法或赋值可不断的联网更新）应用于（由于成本原因）只能配有前端摄像头的自动驾驶车辆上。从而实现自动驾驶低成本高安全的目标。