特斯拉AIDAY:激光雷达算啥?( 二 ) 如果你今天在社交网络上看到

文章图片
尽管如此，通过多摄像头视觉也没法解决的问题还有特征被遮挡时的预测以及对于已经过道路标识的持续记忆。

文章图片
这时候特斯拉在预测模型中加入了对特征的随时间移动预测，以及对道路标识的距离记忆。有这样的措施以后在视野被短暂遮挡的情况下，系统仍可以根据遮挡前特征的轨迹「推测」遮挡视野后的物体移动轨迹，以及记下驶过路段各种路标的能力。

文章图片
在这之后，系统里还加入了「SpatialRNN」空间递归神经网络，在车辆视野范围内进行有选择性地预测和记录环境中的某类特征（可以同时进行好几种）。 AndrejKarpathy举的一个例子是系统在有车辆遮挡的时候不会记录道路环境，等遮挡的车走开之后才会记录，个人理解就是「少做无用功」。然后同样的路多走几趟这些被记录的环境特征还可以构成特征地图。
以上措施一起工作下总的效果非常可观，比如在景深和速度探测上，图中的绿线是毫米波雷达的数据，单摄像头视觉预测出的黄线数据比较一般，多摄像头视觉预测的蓝线数据与雷达基本一致，提升明显。所以用Andrej的话说多摄像头视觉方案已经可以替代毫米波雷达。

文章图片
以上就是特斯拉对环境感知预测的重要内容， Andrej在发布会上表示这些内容仍有改进空间，比如延迟方面团队还在探索预融合感知的策略，以及处理数据的成本等等。

文章图片
能力之二：规控
车辆规控的核心目标是实现安全、舒适、效率三者的最佳平衡。
对应的两个大挑战，一个是规控算法的最优解具有很深的本地化特性， A地区的最优解对于B地区可能就不适用了，对于不同地区无法「一视同仁」。
第二个挑战在于实际行驶中影响规控策略的变量非常多，车辆需要控制的参数也非常多，而车辆需要计划接下来10-15秒应该做什么，这需要非常大量的实时计算。

文章图片
以图中场景为例，车辆需要在路口之后向左并两次线到蓝线车道并且完成左转，于是但现在面临这些考虑：
左侧车道后方有两台车快速接近；
下个路口前，要在短距离内成功完成两次并线；

文章图片
系统会对此模拟出多种策略，然后找出其中可以实现上述要求的策略。而且在实际的行驶中，除了规划自身行驶路径，还需要预测其他交通参与者的路径。在可行策略中在按照「安全、效率、舒适达到最佳平衡」的原则进行路径优化。当规划做好以后，剩下的事情就是控制车辆按规划的方案行驶。

文章图片
然而在更开放和无序的道路场景下，规控的复杂性会提高很多，比如下图的这个停车场场景，如果设定的路径搜寻逻辑为欧几里德距离算法，系统需要尝试398,320次才能成功算出进入车位的路径。

文章图片
如果做一些优化，在搜寻逻辑中加入一条「遵循停车场的地标指引方向」，那么系统尝试22,224次以后就可以找到进入车位的路径，相比第一种策略试错次数减少了94.4% 。