它不会是单一的 DNN 架构，而是不同 DNN 架构的集合，它们一起用于做出最终决定。卷积使用来自相机的图像/视频。其他架构使用其他感官来源。这些 DNN 将被训练以从其感官来源计算高级特征，然后这些高级特征可能会被输入到 LSTM（或其他形式的 RNN）中，该 LSTM 使用某种形式的强化学习算法进行训练以计算动作（比如放慢速度，应用休息等）。

您所说的“分析周围环境”通常被称为感知。自动驾驶汽车使用摄像头、雷达和激光雷达感知周围环境，这些传感器通常结合或融合多个传感器来绘制环境图像。许多算法用于融合传感器数据，然后得出对周围环境的理解。一个这样的例子是相机数据的语义场景分割，它试图识别相机图像中的对象边界。通常使用完全卷积神经网络来实现这一点。

据我所知，谷歌并没有在任何地方披露确切的算法。

自动驾驶汽车结合了监督学习和强化学习。

大量传感器数据被实时记录。该数据可用于训练各种监督分类器，例如预测下雨或开灯。您还可以建立一个模型来预测行人和其他汽车。这是监督学习。

强化学习可用于驾驶汽车时出现正面或负面信号的情况：交通信号灯、其他车辆的闪烁信号和一般的街道标志。这些信号可用于训练强化模型并决定最佳行动（调整速度、转向等）以获得最大回报（或更好地降低碰撞成本）

自动驾驶汽车中最常见的机器学习算法涉及基于对象跟踪的技术，用于精确定位和区分不同对象，以便更好地分析数字景观。

算法旨在通过修改内部参数和测试这些变化来提高效率。

我希望这提供了该主题的一般概述。

由于谷歌的汽车正在开发中并且是专有的，他们可能不会分享他们的特定算法，但是您可以查看类似的技术以了解更多信息。

要了解更多信息，请查看位于牛津的自动驾驶汽车计划及其运作方式。