FSD V9.2 七点变化详细解读( 三 ) 作者IJasonCartwright编辑I小董同学

文章图片

文章图片
「New Lanes」网络使用大约有 50,000 个以上的自动标注的视频片段，这表明特斯拉现在能够在他们的数据引擎中扩展的神经网络，同时运行更多的网络。自动标注的视频片段翻倍至 50,000 个，标志着计算能力发生了重大变化，这可能是 Tesla Dojo 超级计算机上线的结果，其详细信息应在定于 8 月 19 日（美国时间）的 AI 日上发布。New VRU velocity model with 12% improvement to velocity and better VRU clear-to-go performance. This is the first model trained with “Quantization-Aware-Training”, an improved technique to mitigate int8 quantization新的 VRU 速度模型提升 12% 的速度并具有更好的性能，是第一个使用量化训练的模型。这是一种减轻 int8 量化的改进技术。弱势道路使用者 (Vulnerable road users) 是指非汽车、公共汽车或卡车上的道路使用者，通常被认为包括行人、非机动车和摩托车的使用者。当特斯拉谈到将这些速度提高 12% 时，这可能是指车辆随着时间推移跟踪物体的程度，可能以毫秒为单位。正如我们之前所讨论的，要了解场景中的对象，尤其是像 VRU 这样可能与本车行驶轨迹相交行为的对象，更快地跟踪它们总是更好。

文章图片

文章图片
当谈到「clear - to - go」时，它表明如果行人在我们的车辆前面横穿，道路不通，我们需要刹车。一旦行人过完马路后，道路会再次可以提速，但什么时候是 clear - to go 是重要的部分。如果 FSD 可以更准确地预测人（或头部）的行为，那么它不仅可以更好地确定何时可以通行（即他们在人行道上），而且还可以计算我们与十字路口的距离，从而能够更流畅地让车辆通过十字路口。简而言之，「clear - to - go」应该留出足够的空间让 VRU 安全通过，但又不能激进，这里要很好的平衡。许多最先进的深度学习模型都太大太慢，特斯拉就是一个很好的例子。尽管他们的 HW3 平台非常强大，但它仍然有一些限制，包括功率、存储、内存和处理器速度。量化通过存储模型参数并使用 8 位整数而不是 32 位浮点数（因此是 Int8 ）执行计算来减小模型大小。通过使用 QAT 可以提高模型性能，但也存在计算误差和模型精度降低的缺点。这些错误会随着计算最终答案所需的每个操作而累积。如果你对进一步的信息感兴趣，可以观看来自 TensorFlow、软件工程师 Pulkit Bhuwalka 的关于量化感知训练的精彩视频。Enabled Inter-SoC synchronous compute scheduling between vision and vector space processes. Planner in the loop is happening in v10启用视觉和矢量空间进程之间的 SoC 同步计算调度， V10 加入规划。特斯拉的完全自动驾驶计算机，也被称为 HW3.0 ，具有双系统芯片(SoC)冗余功能。如果其中一个芯片出现故障，另一个芯片将有足够的算力来操控车辆，因为大多数时候芯片是运行正常的，所以特斯拉将利用这两个芯片的性能来“同步计算”是可行的。在这一点上， Tesla 解释说，在 FSD Beta 9.2 中，他们已经允许通过两个 SoC 计算跨 SoC 工作负载。描述这一点的最佳方式是将视觉栈中车辆周围的所有物体（即摄像头输入）转换为向量空间的过程。当我们在屏幕上看到漂亮的图像模型时，汽车在后台也看到了带有边框的 3D 对象。

文章图片

文章图片
在 v 10 中对 Planner 的引用可能与生成路线规划的过程有关，而不是规划路线。一旦建立了向量空间，理解了轨迹，接下来的逻辑步骤就是规划你在该环境中的路径。在 SoC 之间分配这些潜在的路径计划可能会获得一些性能优势。Shadow mode for new crossing/merging targets network which will help improve VRU control新的交叉/合并目标网络的影子模式，将有助于改善 VRU 控制。最后，我们来到影子模式。这个概念在特斯拉自动驾驶日上首次展示， Tesla 解释说他们会在你的车辆上运行模拟，来想象「假设场景」。这个模型和量产版本相同的场景下，下一个（未发布的）代码分支会做什么？会做出一个更好还是更坏的策略。如果是更好的策略，车队会报告这个变化是积极的，它将进入下一步量产，如果不是，则需要更多的训练。这种影子模式首先在潜在的自动变道被证明，但作为自动驾驶解决方案的一部分，它确实可以应用于大部分的决策过程。最后一点表明 Tesla 现在正在将影子模式用于处理新的交叉/合并目标网络，旨在改进 VRU 控制。关于交叉或合并的部分，想象一下你在一个非常繁忙的十字路口，甚至可能是一个全向十字路口，行人可以像在上海商城路那样斜交叉行走。