在2020年计算机视觉和模式识别会议(CVPR)上的一个关于自动驾驶的研讨会上，Waymo和优步展示了提高其自动驾驶系统可靠性和安全性的研究。Waymo首席科学家Drago Anguelov详细介绍了ViDAR，摄像机和距离中心框架，涵盖场景几何，语义和动力学。优步高级技术部门的首席科学家Raquel Urtasun展示了两项利用车对车通信实现导航、交通建模等功能的技术。

ViDAR是Waymo和谷歌的几个人工智能实验室之一Google Brain的合作项目，它通过运动推断出结构。它从图像序列学习三维几何。例如，车载摄像机利用运动视差(运动引起的位置变化)捕捉的帧。给出一组图像和激光雷达数据，ViDAR可以预测未来相机的视点和深度数据。

根据安圭洛夫的说法，ViDAR使用快门计时来计算滚动快门，这种相机捕捉方法不是同时记录场景的所有部分。(它是手持镜头或从移动的车辆上拍摄时产生“果冻效应”的原因。)随着多达5个摄像头的支持，这一缓和步骤使框架避免位移在更高的速度，同时提高精度。

Waymo正在内部使用ViDAR提供最先进的以相机为中心的深度、位移（估计摄像机相对于场景的运动）和动态模型。这导致创建了一个从摄像机图像中估算深度的模型，一个预测方向障碍（包括行人）将旅行的模型以及其他进展。

优步(Uber)高级技术集团(Advanced Technologies Group)的研究人员创建了一个名为V2VNet的系统，使自动驾驶汽车能够在空中有效地共享信息。使用V2VNet，网络内的车辆交换包含数据集、时间戳和位置信息的信息，用AI模型补偿时间延迟，并明智地从数据集中挑选相关数据（例如激光雷达传感器读数）。

为了评价V2VNet的性能，ATG利用"激光雷达模拟器"系统编制了大型车辆对车辆信息库。具体而言，该小组根据多达7辆车的视角模拟了5 500个实际激光雷达扫描日志(共计46 796次训练和4 404个验证框架)。

多次实验结果表明，与单车相比，V2VNet的错误率降低68%。性能随着网络中车辆数量的增加而提高，对远处和闭塞的物体以及高速行驶的汽车显示出“显著”的改善。

目前还不清楚V2VNet是否会在真实的汽车上投入生产，但Uber的竞争对手Waymo的无人驾驶克莱斯勒Pacifica小型货车通过双调制解调器无线交换危险和路线变化信息。Waymo首席技术官德米特里•杜戈夫(Dmitri Dolgov)在去年的一次演示中表示:“(我们的汽车)在任何对安全至关重要的事情上仍必须依赖车载计算，但[5G]将是一个加速器。”