– 在高速公路上启用 FSD Beta。 这统一了公路上和非公路上的愿景和规划堆栈,并取代了已有四年多历史的遗留公路堆栈。 遗留的高速公路堆栈仍然依赖于几个单摄像头和单帧网络,并且被设置为处理简单的特定于车道的操作。 FSD Beta 的多摄像头视频网络和下一代规划器允许更复杂的代理交互,同时减少对车道的依赖,为添加更多智能行为、更顺畅的控制和更好的决策制定让路。
– 添加了语音驱动笔记。 干预后,您现在可以向 Tesla 发送匿名语音消息,描述您的体验,以帮助改进 Autopilot。
– 扩展自动紧急制动 (AEB) 以处理穿越自我路径的车辆。 这包括其他车辆闯红灯或横穿自我道路、抢走先行权的情况。 重播之前此类碰撞表明 49% 的事件会因新行为而得到缓解。 这种改进现在在手动驾驶和自动驾驶操作中都很活跃。
– 通过增加对物体瞬时运动学和轨迹估计的依赖,将自动驾驶仪对闯红灯者和停车标志者的反应时间缩短 500 毫秒。
– 添加了一个远程高速公路车道网络,以便更早地响应阻塞车道和高曲率。
– 将候选轨迹神经网络的目标姿势预测误差减少了 40%,并将运行时间减少了 3 倍。 这是通过使用更重、更稳健的离线优化来改进数据集,将改进后的数据集的大小增加 4 倍,并实施更好的架构和特征空间来实现的。
– 通过对 180K 具有挑战性的视频(包括雨水反射、道路碎片和高曲率)进行过采样来改进占用网络检测。
– 通过将此场景的 40k 自动标记车队剪辑添加到数据集,将近距离切入案例的召回率提高了 20%。 还通过改进切入案例的运动模型来改进切入案例的处理,利用相同的模型对切入对象进行更平滑的横向和纵向控制。
– 为 Road Edges and Lines 网络添加了“车道引导模块和感知损失”,提高了 6% 的线绝对召回率和 7% 的道路边缘绝对召回率。
– 通过使用与预测交叉路口和迎面而来的车道相关的信息更新“车道引导”模块表示,改进了车道预测的整体几何形状和稳定性。
– 通过向内车道线偏移改善高速和高曲率情况下的操控性。
– 改进的变道,包括:更早地检测和处理同时变道,在接近截止日期时更好地选择间隙,更好地集成基于速度和基于导航的变道决策以及 FSD 驾驶配置文件与速度变道之间的更多差异 .
– 通过更好地模拟领先车辆的刹车灯对其未来速度曲线的可能影响,改进跟随领先车辆时的纵向控制响应平滑度。
– 稀有物体的检测提高了 18%,大型卡车的深度误差降低了 9%,这主要是由于迁移到监督更密集的自动标记数据集。
– 校车的语义检测提高了 12%,从静止到驾驶的车辆的语义检测提高了 15%。 这是通过提高数据集标签准确性并将数据集大小增加 5% 来实现的。
– 通过利用基于神经网络的自我轨迹估计代替近似运动学模型来改进人行横道处的决策。
– 通过弃用遗留合并区域任务以支持从矢量车道派生的合并拓扑,提高合并控制的可靠性和流畅性。
– 通过平衡压缩的 IPC 缓冲区和跨双 SOC 的优化写入调度,解锁更长的车队遥测剪辑(最多 26%)。
原创文章,作者:特来讯,如若转载,请注明出处:https://teslaside.com/ota-detail/530/