實現雄心勃勃的自動駕駛目標的關鍵所在，是利用分析學和人工智能（AI）的力量，建立自動駕駛系統在實際道路上的反應模式，并利用現實模擬技術來加速開發進程。這意味著數據工程、管理、存儲和分析變得比以往任何時候更加重要，要做好以下幾點：

1、做好準備迎接海量數據的“洗禮”。自動駕駛汽車在進行測試時會產生大量數據，每輛汽車每秒就會產生6～ 8GB的數據。僅僅在2017年，該領域就創造了大約250EB的大數據（1 EB= 1024PB，1PB=1024TB）。汽車廠商需要有先進的概念來處理這些數據并從中獲取價值。

2、在汽車研發與計算機和數據科學之間搭建一座橋梁。工程制造是汽車廠商的強項，但他們對于數據科學可能并不太熟悉。這些學科的交融，可以幫汽車廠商打開新大門，加快其創新和研發。雖然車企研發部門也有專門的數據工程團隊，但他們經常還是需要借助數據科學以及人工智能領域專家的力量，以實現最好的研發效果。

3、高效處理和分析數據。當自動駕駛汽車進行測試時，Lidar(激光雷達)、全景相機和雷達等部件會生產大量以ADTF、ROSbag和MDF4等格式呈現的專業化數據?，F在已經有可以對這些海量數據以PB為單位進行快速訪問的工具了。在過去，通常需要好幾天的時間來提取和分析數據，而現在只需要幾分鐘或幾秒鐘就可以得到結果。

4、選擇性、針對性地對大數據進行篩選。工程師可以使用AI技術來確定哪些數據是有價值的，哪些可以剔除。一般而言，拍攝自動駕駛汽車的測試場景時，每秒鐘會產生30幀視頻，但這些視頻大部分都是汽車在開放道路上平穩行駛的場景，并沒有任何特別的事情發生。這樣的視頻就算時間再長，對汽車工程師而言用處也不大。自動駕駛汽車在轉彎、碰撞或者與其他物體進行互動時產生的數據才更有價值。