FSD V9.2 七点变化详细解读( 二 ) 作者IJasonCartwright编辑I小董同学

文章图片

文章图片
这里 FSD 的目标是准确预估前方未知环境，并预测正确的驾驶策略。选择完全停下来等待一辆停着的前车动起来显然也是错误的。因为当等待时间过长时，后面的司机超过你，并会让你感到沮丧，所以这是一个很好的平衡。v1 of the Multi-modal prediction for where other vehicles expected to drive. This is only partially consumed for now.周边车辆的多模行为预测 V1.0 ，目前只是部分预测。多模行为预测是对周围物体状态和未来可能行为的预测。这意味着要计算其他车辆、行人、非机动车、动物等的潜在行为轨迹，这些轨迹都是车辆决定行驶路线和是否需要刹车的依据。第二句话是，目前它只是部分预测，这表明特斯拉在未来将预测更多像这样的潜在场景。如果车辆能够准确预测行人何时会走到本车的前面，或者附近停着那辆车的司机是否会打开车门侵占本车的车道，那么 FSD Beta 就可以更安全地绕过它，保证每个人的安全。

文章图片

文章图片
在复杂环境中，如何高效地进行这些预测所需要的计算量是一个挑战。这比简单的你现在在哪里和你周围其他一切在哪里要难得多，它需要模型来预测未来会发生什么，重要的是要发现预测何时会出错。如果我们举一个例子，当你接近一个有对向车流的十字路口时，你想穿过那个车流。一种情况是对向车辆直行，另一种情况是对向车辆也转弯，还有一种情况是对向车辆停下来什么也不做。基于数百万个类似的场景，如果我们对这三种情况来测试，人们可以做出很好的预判，会踩下刹车减速并进行自然的转弯，以避免跟对向的那辆车撞上。这对计算机来说很复杂，而我们经过多年的训练，我们每天做的驾驶策略都会变得自动化。New Lanes network with 50k more clips (almost double) from the new auto-labeling pipeline基于 5 万个（几乎翻倍）自动标注的视频片段训练的车道深度神经网络。与特斯拉过去用来训练神经网络的人工标注图像相比，自动标注是一个巨大的进步。当然，特斯拉不仅仅只有一个神经网络，他们还有很多，而且还在不断增加，每个神经网络都专注于自动驾驶挑战的不同部分。特斯拉的人工智能高级总监 Andrej Karpathy 以前就提到过自动标注的概念，其目的是大幅加快训练神经网络的过程。你可以把 Ta 想成一问一答。如果我们找到一段行车录像，当事故发生时，你可以在几秒钟后找到答案。然后你录制前几秒钟的视频(出现问题) ，并围绕类似的场景不断的训练深度神经网络不同的问答组合。视频中的帧幅就可以回答深度神经网络的「我在这里应该做什么?」这个问题，而不是人类详细标注给深度神经网络答案（极端场景是什么）。虽然在某些情况下，驾驶员可能会做出错误的驾驶行为，但绝大多数司机会在任何给定的情况下采取正确的策略，因此向深度神经网络提供大量相同场景的示例，它可以自动找出应该采取的正确策略。理论上，数据越多，得到的模型（通过训练）越好，该模型被推送到 FSD Beta 版本，并且随着 Tesla 转向更多的视频片段处理，而不是单个帧，它可以在每种情况下可提供更多的上下文信息，就像全景影像一样（使用所有 8 个摄像头，而不仅仅是 1 个）。