特斯拉揭秘FSD学习逻辑：Autopilot如何比人类驾驶员更安全

7月22日，特斯拉在北京南四环的特斯拉体验中心举行了线下“T谈”分享讨论。本次“T演讲”以FSD为主题，讲师向与会者展示了特斯拉在自动驾驶领域的努力，以及如何“加速世界向可持续能源的过渡”。T型谈话“”是特斯拉发起的一项线下活动。官方定期邀请媒体和各界人士讨论行业现状和技术发展，共同推动行业进步。特斯拉也借此搭建与媒体和公众沟通的桥梁。通过此次活动，参与者对特斯拉的经验有了更深入的了解对全自动驾驶的热爱，共同展望全自动驾驶时代美好的出行生活。

安全是底线：通过制造和销售以消除交通事故为目标的好车，形成可持续的商业模式，并将利润用于研究和创新；然后用创新成果点燃整个行业的热情，带动更多制造商开发制造高质量的纯电动智能汽车，形成产业创新；最终，加快可持续能源世界的到来，为人们创造更美好的生活。

一项调查显示，全球每天有3万多人死于交通事故。“好车”的概念可能因人而异，但它们必须基于相同的基础，即安全。在被动安全方面，特斯拉车型具有车身结构带来的固有安全优势。由于缺乏发动机，特斯拉车型前部设有能量吸收塌陷区，可以在事故中有效保护乘客；轻量化的钢铝混合动力车身，坚固的底盘保护，以及大量高强度钢和超高强度钢的应用，创造了坚实的安全保护。在美国国家公路交通安全管理局最新的碰撞测试中，所有特斯拉车型都获得了五星级的碰撞安全评级。其中，Model 3不仅获得了NHTSA的全五星安全评级和ENCAP的全五星评级，还获得了IIHS安全选择+顶级安全奖。在美国政府的“新车评估计划”中，Model 3的受伤概率低于其测试的任何车辆。在事故预防方面，整个系列都标配了主动安全配置。特斯拉每款车型都具有侧面碰撞警告、盲点碰撞警告、正面碰撞警告、限速警告、障碍物感应限速、自动紧急制动、车道偏离预防等功能。在此基础上，特斯拉还提供了主动巡航控制、辅助转向、自动变道、辅助驾驶导航等功能。在车辆预测风险并做出预测后，系统可以独立执行转向和制动等决策，以尽可能避免事故的发生。以Model 3为例，当在合并的相邻车道中检测到车辆时，自动驾驶仪将触发侧面碰撞预防功能，确保车辆自动转向并行驶到更安全的位置。主动安全系统+自动驾驶带来的安全改进是立竿见影的。美国国家公路交通安全管理局发布的最新数据显示，美国每行驶674万公里，平均发生8.66起事故。而且这个数据在使用过自动驾驶的特斯拉车主中只有一次；

在没有使用自动驾驶系统但涉及主动安全功能的情况下驾驶时，大约发生了2起事故。也就是说，特斯拉的自动驾驶实现了平均驾驶安全水平的8.66倍。

当然，特斯拉2021第一季度的车辆安全报告中，安全只是一个底线。对于交通运输，我们仍然需要解决许多问题，其中最紧迫的是“浪费”问题。世界各地每天都有超过500万小时的交通拥堵被浪费，1700平方公里的土地被停放的车辆浪费，因为人们无法使用。因此，特斯拉开发FSD不仅旨在消除交通事故，还希望我们能够更高效地利用交通资源，极大地缓解了拥堵和土地占用问题。FSD增长的秘诀：硬件+软件+数据，一个没有交通事故和拥堵的世界，听起来不现实。然而，特斯拉目前最接近量产、最逼真、适应范围广的自动驾驶技术，已经逐渐实现了这种想象。特斯拉的芯片经历了三次迭代，最新的全自动驾驶电脑目前配备了两款特斯拉自主研发的芯片，即自动驾驶3.0硬件，其功能是2.5版芯片的21倍。

不同的芯片针对环境具有不同的指令算法特性，简而言之，它们有自己的优势。人工智能芯片在图像识别等领域具有独特的优势，其计算方法包括矩阵或向量的乘法和加法，以及一些除法、指数和其他算法。并且CPU适用于不同领域的复杂算法，例如计算机服务器；

尽管GPU也是一种用于图像渲染的算法，但其特性并不符合神经网络。在特斯拉开发的FSD芯片中，存在用于人工智能算法的NNA处理器。

注：2017年8月，FSD芯片设计完成。2017年12月，该芯片进行了首次测试，并于2018年4月成功改进。2018年7月，该芯片获得了大规模生产的资格。2018年12月，该设备加载并测试成功。2019年3月，Model S和Model X生产线安装了FSD芯片。2019年4月，Model 3生产线安装了FSD芯片。与HW2.5相比，FSD计算机的计算能力提高到144TOPS，并以每秒2300帧的速度处理图像。

计算能力的显著提高旨在处理大量的图像信息。特斯拉的自动驾驶辅助系统之所以能够快速迭代并提升体验，是因为它可以通过各种不常见但仍有可能的“角落案例”和深度学习来处理越来越多的驾驶场景。简而言之，深度学习是一种通过硬件模拟人脑神经网络系统学习机制的学习方法，类似于人们逐渐熟悉和学习外部事物的过程。特斯拉不断输入数据，手动或自动注释正确的“答案”，使其能够不断“进化”并快速提供识别率，从而持续覆盖所有驾驶场景。

每当车辆遇到各种“弯道案例”，也就是一些“棘手”的驾驶场景，或者当驾驶员的操作与系统的“预期”操作不一致时，车辆就会脱敏并匿名将实际情况上传到特斯拉云服务器，并利用海量的集中算力进行深度学习来优化系统。当然，该系统还为用户提供了不上传数据的选项，所有上传到云端的数据都经过脱敏和匿名处理。与更依赖车队测试的公司相比，特斯拉FSD学习过程的优势在于，绝大多数数据是由实际在路上行驶的车辆收集的，只有一小部分来自测试车队，这更接近车主的日常驾驶场景，并且这一数据呈指数级增长。早在2020年4月，特斯拉的自动驾驶系统就已经突破了48亿公里。专家预测，到2021，这一数字将超过80亿公里。根据一些机构的粗略计算，如果用户平均每天开车约一小时，车队每月将产生约1.968亿小时的视频。这种庞大而高质量的数据量是世界上任何一家汽车公司都无法比拟的。为了处理大量的驾驶数据，特斯拉将把自主监督学习技术的研发作为绝对优先事项。特斯拉推出了一个代号为Dojo的重大项目，这是一款超强大的训练计算机，不再处理图像级别的数据，而是以视频数据为目标，以更低的成本实现算法性能的指数级改进。感知系统的新理念：自动驾驶系统是一种比雷达更灵敏的视觉方案。传感器获得的数据是一切的基础，但不同的传感器有不同的优点和缺点。对于特斯拉来说，禁止毫米波雷达实际上是一个时间问题。因为早在2019年的“自动驾驶大会”上，特斯拉就已经公布了一些细节。

毫米波雷达的优势在于它能够判断距离和速度等信息，但通过算法优化，特斯拉已经能够通过摄像头实现这一目标。

但特斯拉并不急于取消雷达，而是用它来确定我们的视觉解决方案是否能够准确地确定距离和速度等信息。

这只是能够提供距离、速度和其他信息而不是雷达的一个原因。另一个更关键的原因是，尽管更多的传感器在融合算法后可以提供相对全面的环境信息，但问题是当……

不同传感器给出的信息与决策是矛盾的，会出现各种问题。经过实际测试和比较，特斯拉不仅通过纯视觉解决方案提供了与雷达相同的信息，而且大大提高了体验优化。在前车紧急制动的场景中，纯视觉解决方案不会像雷达那样经历信息中断和误判，它非常线性，可以提供线性制动决策，带来更好的用户体验。

0

注：黄色线表示毫米波雷达感知到的距离、速度和加速度图像；蓝线表示纯视觉传感器的数据结果。在天桥下的场景中，由于雷达的垂直分辨率较低，系统很容易将空中物体误判为障碍物；纯视觉解决方案根本不会遇到这个问题。

1

另一种常见的情况是对静止物体的判断。对于毫米波雷达，前面的车辆停在路边，导致识别延迟。在距离车辆仅110米的地方，一辆卡车被认为停在了前面。纯视觉解决方案已经可以识别180米外的车辆。

2

经过技术推断和实践验证等多个阶段，特斯拉纯视觉解决方案的可行性已经得到证明。对于特斯拉来说，规模是产品和自动驾驶系统的核心要素之一。在各类自动驾驶方案中，纯视觉方案的适应性和潜在覆盖范围最为全面。未来，特斯拉将加快建立Dojo，利用海量计算能力和人工智能自动标注技术，进一步提高数据处理的速度和能力；HW4.0硬件也在开发和准备中。未来，特斯拉的自动驾驶系统的能力仍在高速发展。

标签：特斯拉Model 3北京路特斯Model X

汽车资讯热门资讯