特斯拉高管揭秘自动驾驶技术：48种神经网络上阵，最多可检测1000种物体

特斯拉是如何依靠摄像头实现城市自动驾驶的？近日，特斯拉更新了自动驾驶软件的2020.12版本。在这个版本的更新中，特斯拉加入了红绿灯和停车标志识别的自动驾驶功能。如果特斯拉配备FSD全自动驾驶能力套件，可以通过OTA升级体验到车辆在红灯前自动停止，绿灯亮后自动加速的自动驾驶功能。该功能正式发布，为即将到来的特斯拉城市道路自动驾驶奠定了基础，也标志着特斯拉向“全自动驾驶”又迈进了一步。▲特斯拉的红绿灯识别功能，其实并不容易识别红绿灯和站牌。司机容易识别的东西，对于不是很智能的机器来说，仍然是一个很大的挑战。比如不同车道红绿灯不一样，停车标志五花八门，有的还会被挡住，很考验机器识别的效率和准确率。今年2月，特斯拉人工智能高级总监Andrej Karpathy发表了一场演讲，他在演讲中解释了特斯拉如何借助视觉系统识别道路环境，并将其应用于自动驾驶。▲Andrej Karpathy的演讲视频特斯拉在驾驶员驾驶过程中使用“影子模式”自动驱动计算机进行实时同步计算，但不参与车辆控制。一旦司机的操作与机器的计算不同，特斯拉的自动驾驶电脑就会记录下这种情况，并上传到特斯拉总部。特斯拉在收集了大量数据后，对不同的场景进行分类，经过机器学习，可以让整个识别算法更加“智能”。应用于车辆时，特斯拉还将利用机器学习，用二维图像计算出三维场景，从而准确判断与障碍物的距离，实现更精确的自动驾驶功能。特斯拉自动等红灯离城市自动驾驶又近了一步。4月24日，特斯拉向用户介绍了2020.12软件更新。在本次更新中，特斯拉正式推出了“识别红绿灯和站牌并响应”的功能。装有FSD的特斯拉车主在更新软件后，可以自动识别红绿灯和停车标志。如果前方有红灯或停车标志，特斯拉会提前在汽车屏幕上发送提示信息，告诉司机距离前方停车线的距离。如果驾驶员没有及时采取制动措施，车辆制动系统会及时介入，在停止线前缓慢停车。绿灯亮后，车辆会自动继续加速。如果驾驶员在需要停车的路口确认安全后踩下油门踏板，车辆会再次加速。▲特斯拉软件更新后，车主测试可以检测到车辆前方的绿灯、黄灯闪烁和红灯，并显示在车辆上。如果前方检测到红灯或停车标志，车辆会提前提醒驾驶员停车线的位置。如果司机没有反应，车辆会自动减速，停在停止线前。如果司机在确认安全后想要前行，只要踩下油门踏板，车辆就会继续加速。但是因为这个功能刚刚发布，操作逻辑会比较保守，车辆在某些情况下不会尝试自己过路口。随着使用该功能的车辆数量的增加，特斯拉autopilot计算芯片将在机器学习后使该功能更加完善。根据之前公布的特斯拉Autopilot用户手册，这个功能其实有一定的局限性。特斯拉表示，虽然车辆可以自行监控前方的红绿灯和停车标志，但驾驶责任完全由驾驶员负责。司机要时刻注意车道上发生的情况，做好随时采取紧急措施的准备。▲特斯拉红绿灯和停止标志识别功能用户手册(美版)值得注意的是，用户手册中有一句话:如果特斯拉汽车行驶的路段越多，停止标志和红绿灯的识别准确率就越高。换句话说，特斯拉真的是依靠深度学习让算法变得更好，同样的场景学习的次数越多，识别准确率就会越高。此外，并非所有sce都具备信号灯和停车标志的识别功能……南特斯拉在用户手册中表示，在美国，在铁路道口、限制区域、收费站、人行横道区域、不清晰或临时的交通灯、复杂的交通灯和车道灯都不能启用该功能。此次功能更新是特斯拉FSD自动驾驶系统的一大进步，也让特斯拉更加接近城市道路的自动驾驶。今年2月，特斯拉人工智能高级总监Andrej Karpathy在ScaledML大会上发表演讲，披露了特斯拉自动驾驶系统的最新进展。使用机器学习的算法，特斯拉可以准确判断路边的信号标志，还可以计算出与停止线和障碍物的距离信息。特斯拉强在哪里？数百万车主帮助特斯拉测试软件。在特斯拉人工智能高级总监Andrej Karpathy的演讲中，首次阐述了特斯拉自动驾驶系统的工作原理。他表示，目前特斯拉主要依靠视觉系统采集图像信号，自动驾驶计算机计算后，可以控制车辆的速度和转向，从而实现自动驾驶。在这个过程中，自动驾驶计算机的计算是最重要的部分，需要人工智能算法的支持。▲Andrej Karpathy的讲座现场今年2月，加州机动车管理局(DMV)发布的自动驾驶路边数据发现，2019年，特斯拉的官方自动驾驶路测里程仅为12.2英里(约19.6公里)。对比百度、Waymo、Cruise等公司的自动驾驶测试里程，可以说特斯拉官方相当于没有测试。没有大量的自动驾驶测试，特斯拉如何改进？原来，特斯拉的测试者是数百万特斯拉车主，依靠“影子模式”进行自动驾驶测试。2016年，特斯拉发布了“影子模式”。在驾驶员驾驶过程中，配备HW1和更新自动驾驶电脑的特斯拉可以实时进行自动驾驶操作，但不会参与控制车辆的方向和速度。如果司机的操作和自动驾驶电脑的操作有较大差异，自动驾驶电脑会自动记录情况并上传到特斯拉。自2018年正式推出以来，影子模式已计算出超过30亿英里(约48.3亿公里)的行驶里程。每天，特斯拉自动驾驶R&D团队都会收到大量案例:司机停车，自动驾驶电脑继续前进；司机向左微调方向，自动驾驶电脑直行；当然，司机之间也会有碰撞，但自动驾驶电脑避免了危险。比如路边的站牌并不是都清晰可见，有的被树叶遮挡，有的是临时标识，有的晚上很模糊，有的站牌左转可以停，但右转不停车...这些不清晰的标志可能会干扰自动驾驶电脑，一旦识别错误，可能会造成驾驶事故。▲上图:不清晰的站牌；下图:条件停车标志为了解决这个问题，特斯拉使用了一个数据引擎来训练算法。首先，车辆将收集的数据发送回特斯拉的自动驾驶R&D部门，然后特斯拉对类似的场景进行分类。同样的机器学习训练，让特斯拉的算法更强大，更“聪明”。▲特斯拉的“数据引擎”机器学习模型在训练完算法后，特斯拉会继续关注自动驾驶计算机对类似场景的识别准确率，形成下表。可以看到，对于站牌，特斯拉给出了至少14种可能的情况，包括大雨、大雪下的标志，受阻的标志，校车上的标志，甚至车门上的标志，手扶的标志。换句话说，特斯拉的目标是在各种特殊情况下识别路牌。▲同一个logo在不同场景下的准确率评测回到正题。在训练完模型后，特斯拉会通过阴影模式测试算法，重新评估每个场景的识别准确率。精度在不断提高，也就是说算法在一点一点的提高。当识别准确率提高到一个较高的水平时，特斯拉可以考虑更新所有车辆的功能，增加自动驾驶的功能和使用场景。这里有个有趣的小细节。特斯拉此前曾推送过识别冰淇淋甜筒的更新，有用户专门进行了一次变态测试，想知道特斯拉能识别哪些冰淇淋甜筒。这里测试的道具不仅是大小不一的冰淇淋甜筒，还有一个穿着冰淇淋甜筒的人类作为道具。从视频中可以看出，只要穿着冰淇淋甜筒衣服的人类在动或站着，特斯拉就能认出这是一个人。但如果这个人蹲下，他会被认出是冰淇淋甜筒。▲外国网友穿着冰淇淋甜筒的衣服，却没有特斯拉。这说明特斯拉在识别冰淇淋甜筒时也考虑了大量的特殊情况，才会有这样的成绩。从算法的代码层面来说，特斯拉将他们的深度学习网络称为HydraNet。其中基础算法代码是共享的，整个HydraNet包含48个不同的神经网络。通过这48个神经网络，可以输出1000个不同的预测张量。理论上，特斯拉的超级网络可以同时探测1000种物体。完成这些操作并不容易。特斯拉已经在深度学习模型训练上花费了7万个GPU小时。▲虽然特斯拉HydraNet网络的工作量很大，但是由于大部分工作都是由机器承担的，所以特斯拉的人工智能团队只有几十个人，相对于其他自动驾驶公司几百人甚至上千人的规模来说，确实很小。二维图像秒变3D算法也可以自己改代码。经过大量的机器学习和训练，特斯拉的算法会逐渐成熟，这个算法会以OTA升级的形式分发到每一辆特斯拉汽车上，车主可以在实际驾驶过程中进一步试错，使算法更加完善。开发这种算法的最终目的是实现特斯拉的自动驾驶功能，最终需要车内的硬件相互配合。特斯拉配备了8个摄像头，一个毫米波雷达和12个超声波雷达，用于监控外部环境，并将信息实时传输到自动驾驶电脑。▲特斯拉的外部传感器简单来说，特斯拉的摄像头、毫米波雷达、超声波雷达和惯性测量单元记录当前车辆的环境数据，并将数据发送到特斯拉的自动驾驶电脑。自动驾驶电脑经过算法计算后，将速度和方向信息传递给方向盘、油门和刹车踏板，实现对车辆的控制。但在日常驾驶过程中，作为传感器的摄像头所拍摄的内容是二维图像，没有深度信息。▲特斯拉相机采集的画面可以确定边界，但不包含深度信息。也就是说，虽然二维图像已经可以区分路边的路面和人行道，但不知道车辆离“路牙”还有多远。由于缺少这么重要的一个信息，自动驾驶的操作可能不准确，操作可能出错。因此，有必要捕捉或建立一个三维图像。传统工程师认为，直接在屋顶安装三维摄像头就可以解决这个问题。然而，这不会就……增加了车辆的制造成本，也影响了车辆的美观。另外，由于屋顶面积较大，如果立体摄像头的高度不够，盲区会很大。特斯拉的工程师想到了用算法来解决这个问题。如果有一种算法，可以把二维图片的时序和边缘对齐，投影成三维图片，这个问题就解决了。▲算法计算三维图片后得到的“鸟瞰图”，特斯拉甚至可以计算出车辆的“鸟瞰图”。也就是说，虽然车辆上方没有摄像头，但是通过计算可以模拟出车辆上方的视野。这样在车上就可以直观的看到车辆离障碍物有多远。▲特斯拉视觉系统预测的道路边缘和车道线其实特斯拉更厉害，就是算法可以预测流式视频中每个像素的深度信息。换句话说，只要算法足够好，流媒体视频更清晰，特斯拉的视觉传感器捕捉到的深度信息甚至可以超过激光雷达。▲特斯拉收集视觉信息(第一部分)，预测每个像素的深度信息(第二部分)并通过投影形成鸟瞰图(第二部分)。在实际的自动驾驶应用中，这种算法可以在停车和智能呼叫两种使用场景下得到充分利用。在停车场开车时，车辆间距很小，即使司机在开车，一不小心也很容易发生刮蹭事故。机器在停车场场景下行驶的难度更大。深度信息预测后，车辆可以在超声波雷达的辅助下快速识别周围环境，车辆停放会更加顺畅。深度信息被预测后，这些信息会显示在车辆上，它还会直接参与控制转向、加速、制动等驾驶动作。而转向、加速、刹车没有固定的规律，是灵活的。所以自动驾驶的驾驶策略没有最好，只有更好。特斯拉的基本自动驾驶策略是由工程师完成的，写了很多代码，相当于驾驶策略的1.0版本代码。但由于实际路况更加复杂，1.0版本的驾驶策略代码实际覆盖面较小，逻辑难免出错。随着时间的推移，需要不断升级驾驶策略。Andrej Karpathy表示，如果在机器学习网络中不断升级策略代码，不仅可以节省人力成本，还可以显著加快自动驾驶能力的进步。车辆在行驶过程中，还会收集驾驶员的驾驶习惯。通过学习数百万特斯拉车主的驾驶习惯，特斯拉的自动及时策略将不断改进。通过学习数百万车主的驾驶习惯，机器可以编译出自动驾驶策略的2.0版本代码。特斯拉是如何依靠摄像头实现城市自动驾驶的？近日，特斯拉更新了自动驾驶软件的2020.12版本。在这个版本的更新中，特斯拉加入了红绿灯和停车标志识别的自动驾驶功能。如果特斯拉配备FSD全自动驾驶能力套件，可以通过OTA升级体验车辆在红灯前自动停止，绿灯亮后自动加速的自动驾驶功能。该功能正式发布，为即将到来的特斯拉城市道路自动驾驶奠定了基础，也标志着特斯拉向“全自动驾驶”又迈进了一步。▲特斯拉的红绿灯识别功能，其实并不容易识别红绿灯和站牌。司机容易识别的东西，对于不是很智能的机器来说，仍然是一个很大的挑战。比如不同车道红绿灯不一样，停车标志五花八门，有的还会被挡住，很考验机器识别的效率和准确率。今年2月，特斯拉人工智能高级总监Andrej Karpathy发表了一场演讲，他在演讲中解释了特斯拉如何借助视觉系统识别道路环境，并将其应用于自动驾驶。▲Andrej Karpathy的演讲视频特斯拉在驾驶员驾驶过程中使用“影子模式”自动驱动计算机进行实时同步计算，但不参与车辆控制。一旦驾驶员的操作不同……t从机器的计算来看，特斯拉的自动驾驶电脑会记录下这个案例，并上传到特斯拉总部。特斯拉在收集了大量数据后，对不同的场景进行分类，经过机器学习，可以让整个识别算法更加“智能”。应用于车辆时，特斯拉还将利用机器学习，用二维图像计算出三维场景，从而准确判断与障碍物的距离，实现更精确的自动驾驶功能。特斯拉自动等红灯离城市自动驾驶又近了一步。4月24日，特斯拉向用户介绍了2020.12软件更新。在本次更新中，特斯拉正式推出了“识别红绿灯和站牌并响应”的功能。装有FSD的特斯拉车主在更新软件后，可以自动识别红绿灯和停车标志。如果前方有红灯或停车标志，特斯拉会提前在汽车屏幕上发送提示信息，告诉司机距离前方停车线的距离。如果驾驶员没有及时采取制动措施，车辆制动系统会及时介入，在停止线前缓慢停车。绿灯亮后，车辆会自动继续加速。如果驾驶员在需要停车的路口确认安全后踩下油门踏板，车辆会再次加速。▲特斯拉软件更新后，车主测试可以检测到车辆前方的绿灯、黄灯闪烁和红灯，并显示在车辆上。如果前方检测到红灯或停车标志，车辆会提前提醒驾驶员停车线的位置。如果司机没有反应，车辆会自动减速，停在停止线前。如果司机在确认安全后想要前行，只要踩下油门踏板，车辆就会继续加速。但是因为这个功能刚刚发布，操作逻辑会比较保守，车辆在某些情况下不会尝试自己过路口。随着使用该功能的车辆数量的增加，特斯拉autopilot计算芯片将在机器学习后使该功能更加完善。根据之前公布的特斯拉Autopilot用户手册，这个功能其实有一定的局限性。特斯拉表示，虽然车辆可以自行监控前方的红绿灯和停车标志，但驾驶责任完全由驾驶员负责。司机要时刻注意车道上发生的情况，做好随时采取紧急措施的准备。▲特斯拉红绿灯和停止标志识别功能用户手册(美版)值得注意的是，用户手册中有一句话:如果特斯拉汽车行驶的路段越多，停止标志和红绿灯的识别准确率就越高。换句话说，特斯拉真的是依靠深度学习让算法变得更好，同样的场景学习的次数越多，识别准确率就会越高。另外，信号灯和站牌的识别功能并不是所有场景都有的。特斯拉在用户手册中表示，在美国，在铁路道口、限制区域、收费站、人行横道区域、不清晰或临时的交通灯、复杂的交通灯和车道灯都不能启用该功能。此次功能更新是特斯拉FSD自动驾驶系统的一大进步，也让特斯拉更加接近城市道路的自动驾驶。今年2月，特斯拉人工智能高级总监Andrej Karpathy在ScaledML大会上发表演讲，披露了特斯拉自动驾驶系统的最新进展。使用机器学习的算法，特斯拉可以准确判断路边的信号标志，还可以计算出与停止线和障碍物的距离信息。特斯拉强在哪里？数百万车主帮助特斯拉测试软件。在特斯拉人工智能高级总监Andrej Karpathy的演讲中，首次阐述了特斯拉自动驾驶系统的工作原理。他表示，目前特斯拉主要依靠视觉系统采集图像信号，自动驾驶计算机计算后，可以控制车辆的速度和转向，从而实现自动驾驶。在这个过程中，自动驾驶计算机的计算是最重要的部分，需要人工智能算法的支持。▲Andrej Karpathy的讲座现场今年2月，加州机动车管理局(DMV)发布的自动驾驶路边数据发现，2019年，特斯拉官方自动驾驶路测只有onl……12.2英里(约19.6公里)。对比百度、Waymo、Cruise等公司的自动驾驶测试里程，可以说特斯拉官方相当于没有测试。没有大量的自动驾驶测试，特斯拉如何改进？原来，特斯拉的测试者是数百万特斯拉车主，依靠“影子模式”进行自动驾驶测试。2016年，特斯拉发布了“影子模式”。在驾驶员驾驶过程中，配备HW1和更新自动驾驶电脑的特斯拉可以实时进行自动驾驶操作，但不会参与控制车辆的方向和速度。如果司机的操作和自动驾驶电脑的操作有较大差异，自动驾驶电脑会自动记录情况并上传到特斯拉。自2018年正式推出以来，影子模式已计算出超过30亿英里(约48.3亿公里)的行驶里程。每天，特斯拉自动驾驶R&D团队都会收到大量案例:司机停车，自动驾驶电脑继续前进；司机向左微调方向，自动驾驶电脑直行；当然，司机之间也会有碰撞，但自动驾驶电脑避免了危险。比如路边的站牌并不是都清晰可见，有的被树叶遮挡，有的是临时标识，有的晚上很模糊，有的站牌左转可以停，但右转不停车...这些不清晰的标志可能会干扰自动驾驶电脑，一旦识别错误，可能会造成驾驶事故。▲上图:不清晰的站牌；下图:条件停车标志为了解决这个问题，特斯拉使用了一个数据引擎来训练算法。首先，车辆将收集的数据发送回特斯拉的自动驾驶R&D部门，然后特斯拉对类似的场景进行分类。同样的机器学习训练，让特斯拉的算法更强大，更“聪明”。▲特斯拉的“数据引擎”机器学习模型在训练完算法后，特斯拉会继续关注自动驾驶计算机对类似场景的识别准确率，形成下表。可以看到，对于站牌，特斯拉给出了至少14种可能的情况，包括大雨、大雪下的标志，受阻的标志，校车上的标志，甚至车门上的标志，手扶的标志。换句话说，特斯拉的目标是在各种特殊情况下识别路牌。▲同一个logo在不同场景下的准确率评测回到正题。在训练完模型后，特斯拉会通过阴影模式测试算法，重新评估每个场景的识别准确率。精度在不断提高，也就是说算法在一点一点的提高。当识别准确率提高到一个较高的水平时，特斯拉可以考虑更新所有车辆的功能，增加自动驾驶的功能和使用场景。这里有个有趣的小细节。特斯拉此前曾推送过识别冰淇淋甜筒的更新，有用户专门进行了一次变态测试，想知道特斯拉能识别哪些冰淇淋甜筒。这里测试的道具不仅是大小不一的冰淇淋甜筒，还有一个穿着冰淇淋甜筒的人类作为道具。从视频中可以看出，只要穿着冰淇淋甜筒衣服的人类在动或站着，特斯拉就能认出这是一个人。但如果这个人蹲下，就会被认出是冰淇淋甜筒。▲外国网友穿着冰淇淋甜筒的衣服，却没有特斯拉。这说明特斯拉在识别冰淇淋甜筒时也考虑了大量的特殊情况，才会有这样的成绩。从算法的代码层面来说，特斯拉将他们的深度学习网络称为HydraNet。其中基础算法代码是共享的，整个HydraNet包含48个不同的神经网络。通过这48个神经网络，可以输出1000个不同的预测张量。理论上，特斯拉的超级网络可以同时探测1000种物体。完成这些操作并不容易。特斯拉已经在深度学习模型训练上花费了7万个GPU小时。▲虽然特斯拉HydraNet网络的工作量很大，但是由于大部分工作都是由机器承担的，所以特斯拉的人工智能团队只有几十个人，相对于其他自动驾驶公司几百人甚至上千人的规模来说，确实很小。二维图像秒变3D算法也可以自己改代码。经过大量的机器学习和训练，特斯拉的算法会逐渐成熟，这个算法会以OTA升级的形式分发到每一辆特斯拉汽车上，车主可以在实际驾驶过程中进一步试错，使算法更加完善。开发这种算法的最终目的是实现特斯拉的自动驾驶功能，最终需要车内的硬件相互配合。特斯拉配备了8个摄像头，一个毫米波雷达和12个超声波雷达，用于监控外部环境，并将信息实时传输到自动驾驶电脑。▲特斯拉的外部传感器简单来说，特斯拉的摄像头、毫米波雷达、超声波雷达和惯性测量单元记录当前车辆的环境数据，并将数据发送到特斯拉的自动驾驶电脑。自动驾驶电脑经过算法计算后，将速度和方向信息传递给方向盘、油门和刹车踏板，实现对车辆的控制。但在日常驾驶过程中，作为传感器的摄像头所拍摄的内容是二维图像，没有深度信息。▲特斯拉相机采集的画面可以确定边界，但不包含深度信息。也就是说，虽然二维图像已经可以区分路边的路面和人行道，但不知道车辆离“路牙”还有多远。由于缺少这么重要的一个信息，自动驾驶的操作可能不准确，操作可能出错。因此，有必要捕捉或建立一个三维图像。传统工程师认为，直接在屋顶安装三维摄像头就可以解决这个问题。然而，这不会就……增加了车辆的制造成本，也影响了车辆的美观。另外，由于屋顶面积较大，如果立体摄像头的高度不够，盲区会很大。特斯拉的工程师想到了用算法来解决这个问题。如果有一种算法，可以把二维图片的时序和边缘对齐，投影成三维图片，这个问题就解决了。▲算法计算三维图片后得到的“鸟瞰图”，特斯拉甚至可以计算出车辆的“鸟瞰图”。也就是说，虽然车辆上方没有摄像头，但是通过计算可以模拟出车辆上方的视野。这样在车上就可以直观的看到车辆离障碍物有多远。▲特斯拉视觉系统预测的道路边缘和车道线其实特斯拉更厉害，就是算法可以预测流式视频中每个像素的深度信息。换句话说，只要算法足够好，流媒体视频更清晰，特斯拉的视觉传感器捕捉到的深度信息甚至可以超过激光雷达。▲特斯拉收集视觉信息(第一部分)，预测每个像素的深度信息(第二部分)并通过投影形成鸟瞰图(第二部分)。在实际的自动驾驶应用中，这种算法可以在停车和智能呼叫两种使用场景下得到充分利用。在停车场开车时，车辆间距很小，即使司机在开车，一不小心也很容易发生刮蹭事故。机器在停车场场景下行驶的难度更大。深度信息预测后，车辆可以在超声波雷达的辅助下快速识别周围环境，车辆停放会更加顺畅。深度信息被预测后，这些信息会显示在车辆上，它还会直接参与控制转向、加速、制动等驾驶动作。而转向、加速、刹车没有固定的规律，是灵活的。所以自动驾驶的驾驶策略没有最好，只有更好。特斯拉的基本自动驾驶策略是由工程师完成的，写了很多代码，相当于驾驶策略的1.0版本代码。但由于实际路况更加复杂，1.0版本的驾驶策略代码实际覆盖面较小，逻辑难免出错。随着时间的推移，需要不断升级驾驶策略。Andrej Karpathy表示，如果在机器学习网络中不断升级策略代码，不仅可以节省人力成本，还可以显著加快自动驾驶能力的进步。车辆在行驶过程中，还会收集驾驶员的驾驶习惯。通过学习数百万特斯拉车主的驾驶习惯，特斯拉的自动及时策略将不断改进。通过学习数百万车主的驾驶习惯，机器可以编译出自动驾驶策略的2.0版本代码。▲机器编译的2.0版本代码正在逐步取代1.0版本代码。Andrej Karpathy预测，随着机器编译能力的提高和收集的数据更加丰富，2.0版代码将逐渐覆盖1.0版代码，最终所有代码都将由机器编译。这种自动驾驶策略会更准确。结论:自动驾驶之战正在转变为算法之战。在自动驾驶不断发展的今天，特斯拉已经自成一派，完全可以利用视觉识别完成自动驾驶。自动驾驶技术已经从摄像头、毫米波雷达、超声波雷达甚至激光雷达的堆砌，逐渐转变为算法之间的竞争。特斯拉每天使用数百万辆在路上行驶的汽车进行自动驾驶计算，其数据来源和准确性很可能远远超过其他自动驾驶测试公司。未来算法之争会逐渐扩大，自动驾驶市场的竞争会更加激烈。▲机器编译的2.0版本代码正在逐步取代1.0版本代码。Andrej Karpathy预测，随着机器编译能力的提高和收集的数据更加丰富，2.0版代码将逐渐覆盖1.0版代码，最终所有代码都将由机器编译。这种自动驾驶策略会更准确。结论:自主驾驶之战……g正在变成算法之战。在自动驾驶不断发展的今天，特斯拉已经自成一派，完全可以利用视觉识别完成自动驾驶。自动驾驶技术已经从摄像头、毫米波雷达、超声波雷达甚至激光雷达的堆砌，逐渐转变为算法之间的竞争。特斯拉每天使用数百万辆在路上行驶的汽车进行自动驾驶计算，其数据来源和准确性很可能远远超过其他自动驾驶测试公司。未来算法之争会逐渐扩大，自动驾驶市场的竞争会更加激烈。

标签：特斯拉发现

汽车资讯热门资讯