我们曾在去年 11 月基于特斯拉的专利深入探讨过 FSD（全自动驾驶）的工作原理。近期，特斯拉又提交了关于 FSD 训练的新专利，题为「预测自动驾驶的三维特征」。
这项专利的核心是通过特斯拉视觉系统（Tesla Vision）建立「地面实况」（ground truth），使 FSD 能够基于此对环境进行决策和导航。
时间序列：环境理解的基础
FSD 通过「时间序列」（随时间变化的数据序列）来理解环境。
特斯拉视觉系统结合车辆内部传感器（速度、加速度、位置等）持续生成数据点，这些数据点构成时间序列。
通过分析时间序列，系统能建立高度精确的「地面实况」，包括道路特征、周围物体等信息。
例如，随着车辆移动，FSD会从多角度、多距离观察车道线，从而确定其精确的三维形状。
这一系统帮助FSD在行驶中保持对环境的连贯认知，即使某些物体最初被遮挡或模糊不清。
有趣的是，特斯拉专利中提到了除视觉系统外的其他传感器（如雷达、激光雷达和超声波传感器）。
尽管特斯拉目前未在量产车上使用雷达（尽管新款 Model S/X 配备了高清雷达）或超声波传感器，但激光雷达被用于训练阶段，以生成高精度传感器数据用于 FSD 训练。
特斯拉车辆本身并不搭载激光雷达。
关联地面实况
地面实况建立后，需与时间序列中的特定时间点（如单张图像或一组图像的合成）关联。这种关联至关重要——它让系统仅凭单帧图像即可预测环境的完整三维结构。
例如，若 FSD 通过时间序列数据确定了某条车道线的精确曲线，它会将此信息与图像序列中对应的画面关联，从而预测该车道线未来的三维形态。
结合预测能力与高精度地图数据，FSD 能更好地预判道路布局并提前规划动作。但实际路况（地面实况）始终优先于地图信息。
这也是为何当道路与地图不符时（如新增环岛替代原有四向停车路口），FSD 仍能安全通过。
三维特征与环境建模
系统需以三维形式呈现道路特征（如车道线的起伏、弯曲等），这对弯道、坡道等地形的精准导航至关重要。
特斯拉的 3D 建模还能预测其他移动物体的路径，辅助路径规划。
自动化训练数据生成
这一三维系统的核心优势是自动生成训练数据。
车辆行驶时收集的传感器数据与地面实况结合，形成时间序列。特斯拉通过超级计算机分析这些数据，持续优化机器学习模型的预测能力。
目前，特斯拉正逐步减少人工标注数据的依赖，转向AI自动标注。
语义标注
专利还提到「语义标注」（如将车道线标记为“左车道”或“右车道”），以及动态物体标签（如“并道”或“切入”）。这些标签帮助FSD优先处理关键信息并预判环境变化。
数据上传机制
特斯拉并非无差别收集所有数据，而是基于特定触发条件（如预测错误、用户干预或路径规划失败）选择性上传。
此外，特斯拉会根据车型和地理位置要求特定车辆上传数据（例如加拿大首批 Cybertruck 用户曾上传 1.28 TB数据）。
这种定向收集策略能高效获取特定驾驶场景的数据，优化模型泛化能力。
总结
FSD 通过时间序列构建车辆周围的三维环境模型，并基于此预测前方路况。这一过程为决策提供了核心上下文。
当然，FSD 的完整系统还包含更多层级，例如对移动/静止物体的识别、风险预测等。
若您对技术细节感兴趣，可继续阅读本系列的其他文章：
FSD 工作原理 第二部分（本文）。
我们将持续解析特斯拉专利，揭开 FSD 背后的技术逻辑。这不仅是了解车辆「硅基大脑」的窗口，也能一窥特斯拉工程师如何构建自动驾驶系统。
原创文章，作者：特来讯，如若转载，请注明出处：https://teslaside.com/news/22056/
微信扫一扫 
支付宝扫一扫 