特斯拉造出人形机器人！身高1米7，最强AI计算机也来了「附1( 三 ) ai|机器人|自动驾驶|马斯克|英

当前，许多车企采用高精地图配合传感器，实现感知融合，但是这种方式并不能让车辆正确自动驾驶。因此，特斯拉开发了OccupancyTracker，此时特斯拉遇到了两个问题，其一是多传感器融合算法并不精密（例如一辆超长的挂车，单个摄像头无法全部感知到），二是图像空间并非真实的物理空间。
特斯拉采用Transformer算法用于预测距离。实际测试发现，在一段两侧都停放车辆的城市道路上，多摄像头感知的准确性和稳定性都要强大很多。
特斯拉认为，在自动驾驶决策方面共有两个难点，第一在于空间是非凸的，第二是高维度的。
特斯拉自动驾驶软件总监AshokElluswamy表示，特斯拉采用混合决策系统，首先让感知数据通过向量空间的粗搜索，然后经过连续优化，最后能够形成平滑的运动轨迹。
在一个案例中，车辆判断可以向左变道，但是左侧有正常行驶的车辆，此时如果突然变道，车内的乘坐感受不佳，同时也威胁交通安全。因此，特斯拉会在1.5毫秒内进行2500次变道时机搜索，最终能够选择一条最安全且最舒适的变道时机采取变道措施。
在另一个案例中，特斯拉行驶到了一个超窄路段，两辆车无法同时通行。第一辆对向来车是一辆SUV，车主主动让行。因此特斯拉判断继续前行。但是前行一段距离之后，又发现了另一辆对向来车。
特斯拉FSD通过复杂路况
此时，特斯拉选择避让停车同时，对向车辆同样选择了停车避让。因此，特斯拉果断改变了驾驶决策，再次起步通过了这一路段。
随着自动驾驶研发时间的增长，特斯拉需要为更多的物体标记标签，现在已经有1000人的数据标签团队，打造数据标签和分析基础设施工作。
并且，从之前的2D图像标签，进化为现在的4D空间+时间的标签。甚至能够在做一次标签之后，一个摄像头内的标签化图像，就能迁移到其他摄像头。

文章插图

特斯拉建立4D空间+时间
特斯拉还能够在感知过程中重建道路，通过标记车道线和其他物体。与此同时，特斯拉还会收集同一路段的数据，通过多辆汽车采集数据合并在一起，最终实现更精确的重新建图。
最终，车辆能够流畅地标记路旁物体，在准确识别物体之后，才能够实现流畅的城市道路自动驾驶。
今年5月，特斯拉面向美国市场销售的Model3/Y车型取消了毫米波雷达，不过在雨、雾、雪等能见度较低的天气下，摄像头能看清楚吗？答案是能。
仍然依靠短片记录驾驶场景，特斯拉每周能够获得1万段类似的恶劣环境短片，通过自动标签最终实现精准的距离感知。

文章插图

特斯拉FSD可应对多种恶劣天气
同时，特斯拉也在进行Autopilot仿真测试，特斯拉称其为带有Autopilot的游戏。在仿真测试中，电脑能够精确标注、部署虚拟的车辆。仿真测试用于模拟在生活中难以发现的情况，例如在高速道路上有人行走怎么办？如果有太多人如何标签？停车场如何避让其他车辆？

文章插图

特斯拉进行仿真测试
在仿真测试中，工程师可以测试这些极为特殊的情况。仿真测试有多项必要准备工作：第一是传感器模拟要和真实情况基本相似，第二是要真实的渲染，第三是要有基本真实的场景，包括车辆、行人，特斯拉甚至还造了超过2000英里的路。第四是要有可扩展的场景，包括白天黑夜等不同场景；第五还能通过真实场景重构，在仿真测试中测试算法。