Waymo借助Google的搜索技术，能从历史自动驾驶汽车驾驶日志中，快速地搜索任何曾遇过的物体，解决方法是利用类似Google相册，搜索猫或是狗等特定物体的技术。Waymo的自动驾驶汽车总共已经行驶超过3,000万公里，累计可搜索的物体种类达数十亿个。
Waymo使用机器学习来侦测和分类不同类型的物体和道路特征，神经网络能够识别物体以及对应的行为，像是慢跑者或是骑自行车的人，在交通信号灯部分，Waymo自动驾驶汽车也可以识别红绿灯颜色，以及临时摆设的路标。
Waymo从实际路驾中，收集了丰富的传感器日志，但是这同时也带来的巨大的挑战，因为要配对这些自动驾驶汽车传感器捕捉到的物体，就像是海底捞针一样困难。过去Waymo依赖启发式方法以解析不同特征的数据，当要日志中搜索路上骑滑板车的人，便需要借由特定高度，以及物体行进时速等特征进行搜索，但这样的特征还是太过模糊，因为有不少物体具有相同属性。
而现在Waymo的内容搜索技术，将这类数据挖掘的问题当作一种搜索问题来解决，Waymo解释，新方法的核心原理是知识转移，从已经解决的问题，取得能够解决相关问题的知识。在Google相册中，可以让用户找出所有跟狗相关的照片，应用在Waymo的场景中，便是从驾驶日志中，找出所有曾遇到狗的图片。
利用内容搜索方法，Waymo工程师可以通过各种方式搜索驾驶日志，进行相似性搜索、细分超精细分类的物体，也能以文本搜索场景。相似性搜索便是以图像在驾驶日志中寻找相似的物体，当Waymo工程师想要改进判断仙人掌植被的模型，就能以随意一张仙人掌图像，搜索自动驾驶汽车观测到真实世界中，外观类似仙人掌的物体，并以这些数据训练模型。
图像搜索模型将每一个Waymo驾驶日志中的物体，像是公园长椅或是垃圾桶，转换成为嵌入，目的是要能够简单地比较各物体的相似度，Waymo提到，利用属性为每个物体创建嵌入，并部署类似Google即时嵌入相似度比对服务的程序，可有效率地查询驾驶日志，在几秒钟找出与查询相似的物体。
由于单一类型的物体，可能有各种外观与类型，像是路上的塑胶袋或是遗失的裤子等，Waymo利用超精细搜索以寻找特定类别的物体，该搜索系统的后端是分类机器学习模型，可以帮助内容搜索工具在特定图像中搜索特定物体类别，能够对汽车品牌、型号，甚至是特殊品种的狗，执行超精细搜索。
Waymo利用内容搜索技术，自动标记驾驶日志中的数十亿个物体，大幅提升数据标记的品质与速度，有了更多的训练数据，Waymo就能更全面的识别路上的各种物体与场景。