یکی از مشکل‌ترین کارها در آموزش ماشین، نحوه‌ی چگونه دیدن است. بخشیدن دید به یک ماشین فراتر از سخت‌افزار است به طوریکه این ماشین به قابلیت شناسایی، طبقه‌بندی و استفاده از اشیا نیاز دارد. پژوهشگران دانشگاه کمبریج دو تکنولوژی را توسعه داده که برای یادگیری بینایی رباتیک بکار می‌روند.

پژوهشگران بر ایجاد تکنولوژی‌های تمرکز داشته که در خودروهای بدون راننده و ربات‌های خودکار استفاده دارند. کاربردهای دیگری مانند واقعیت مجازی و حتی دوربین‌های نظارتی و امنیتی نیز از این تحقیقات بهره خواهند بود. دو تکنولوژی توسعه یافته، SegNet و یک سیستم مکان‌یابی بدون سرنشین است.

SegNet، یک برنامه‌ی تشخیص اشیای بلادرنگ بوده که اشیا را دقیق‌تر از حتی سیستم‌های رادار پیشرفته‌ی خودروهای نیمه خودکار امروزی برچسب‌گذاری می‌کند. این برنامه‌ می‌توانند صحنه‌ی خیابان را دیده و فورا اشیای موجود در آن را شناسایی کند و آنها را در یکی از 12 دسته‌بندی قرار دهد (خیابان، علائم جاده‌ای، افراد پیاده، ساختمان‌ها و موارد دیگر).

این سیستم تقریبا در تمامی شرایط نوری اجرا می‌شود، ازجمله در شب و همچنین از نوع بلادرنگ می‌باشد. اگرچه SegNet در حال حاضر برای محیط‌های شهری طراحی شده، از یادگیری عمیق برای ایجاد قابلیت‌های خود استفاده خواهد کرد و درنهایت قادر به شناسایی اشیا در اغلب شرایط روستایی و تحت شرایط جوی مختلف نیز خواهد بود.

مکمل SegNet، سیستم مکان‌یابی می‌باشد که با یک معماری مشابه طراحی شده است. این سیستم برای شناسایی یک مکان بر اساس چیزی که از طریق یک دوربین دیده می‌شود، بکار می‌رود. این سیستم از GPS دقیق‌تر بوده و در هر شرایطی که دوربین قادر به دیدن اطراف خود باشد ازجمله در محیط‌های بسته، تونل‌ها و حتی موقعیت‌های با نور کم، کار می‌کند.

تاکنون، سیستم مکان‌یابی توانسته مکان‌هایی در فاصله‌ی چندمتری را شناسایی کند. سیستم مکان‌یابی می‌تواند محیط اطراف خود را یاد بگیرد. توسعه دهندگان آن بر این باورند که این سیستم می‌تواند ابتدا در ربات‌ها بکار برده شده و درنهایت به آیتم‌های متحرک بیشتری مانند خودروهای بدون راننده یا دستگاه‌های پوشیدنی گسترش یابد.

جزئیات این دو سیستم در کنفرانس بین‌المللی بینایی کامپیوتر در شیلی، ارائه شده‌اند.