特斯拉FSD测试版v11.3有哪些改进？

特斯拉的FSD测试版11.3正在面向特斯拉员工开放测试。

找到一个比FSD Beta v11.3更令人期待的特斯拉更新是很难的。从2022年9月30日的AI Day开始，我们就一直在等待它。埃隆-马斯克也在更新和时间表方面给特斯拉车主做了很好的预告。现在，特斯拉员工正在测试该更新，导致了一些泄漏，也是我们进入该更新的第一个高峰。然而，马斯克已经表示，v11.3.2将面向更广泛的用户群，这让我们相信，在最初推出后，将有很多调整。也就是说，有很多东西需要通过最新的发布说明来进行。

以下是当最新的更新进入美国和加拿大的特斯拉时，我们可以期待看到的细分和解释。

单栈感知

在高速公路上启用 FSD Beta。 这统一了公路和非公路上的视觉和规划堆栈，并取代了超过四年的传统公路堆栈。

在计算机架构和技术术语中，技术栈是用于特定系统的技术和系统。在这种情况下，特斯拉将公路上和公路外的视觉和规划堆栈结合起来。根据特斯拉的说法，已有四年历史的传统公路堆栈依赖于几个单摄像头和单帧网络，并被设置为处理简单的车道特定机动。

这里所说的简单机动，是指在高速公路上并线和变道。然而，FSD现在能够做得更多。虽然特斯拉在过去四年中取得了相当大的进步，但最新的FSD测试版使用了 “多摄像头视频网络和下一代规划器，允许更复杂的代理互动，减少对车道的依赖，为增加更多的智能行为、更平滑的控制和更好的决策让路”。换句话说，我们应该看到更顺畅和更自然的机器人驾驶。例如，自动驾驶汽车在高速公路上改变车道时，可以预测地等待几秒钟后才移动过来，有了FSD程序，它的行为将更加直观。

控制高速公路驾驶的传统堆栈已变得如此可靠，以至于特斯拉在推出新东西时有一个很高的标准要打破。对于那些在高速公路驾驶中经常或长期使用FSD的人来说，需要牢记这一变化。在你更新后，你的车在下次并入高速公路时的表现会略有不同。

语音驾驶说明

增加了语音驾驶笔记。在干预之后，你现在可以向特斯拉发送匿名的语音信息，描述你的经历，以帮助改善自动驾驶。

如果司机需要干预，会出现这样的信息。”自动驾驶汽车脱离了。发生了什么？按下语音按钮，向特斯拉发送匿名信息，描述你的经历。”

过去，屏幕上有一个按钮，你可以点击它来提供反馈（而且早期测试者仍然可以使用）；然而，你能做的只是点击它，这将标志着一个负面的体验，但没有办法解释发生了什么。这项新功能应该有助于特斯拉工程师观看视频和听取司机的反馈，以更好地了解情况。预计音频反馈将被转换为文本，以保持司机的匿名性，并让工程师搜索和阅读信息。

扩展的自动紧急制动系统（AEB）

扩大了自动紧急制动（AEB），以处理穿越自我的车辆。这包括其他车辆闯红灯或转弯穿过ego的路径，抢夺路权的情况。对以前这种类型的碰撞的回放表明，49%的事件会被新的行为所缓解。这一改进现在在手动驾驶和自动驾驶操作中都是活跃的。

AEB自2000年代中期以来一直存在。该系统如果检测到前面的车辆正在减速或可能突然踩下刹车，就会实施刹车。特斯拉的这一系统的扩展版本将不仅监测正前方的交通，而且还监测两侧（闯红灯的汽车）或任何 “抢夺路权 “的东西。该公司说，有了这个新扩展的系统，近一半的这种性质的碰撞将被避免。更好的是，这在完全自我驾驶和手动操作中都是活跃的–只是特斯拉的另一项安全改进。

改进的自动驾驶反应时间

通过增加对物体的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闯红灯者的反应时间提高了500ms。

特斯拉已将其自动驾驶反应时间提高了500毫秒或半秒。这听起来不多，但这个系统主要是计算如何应对司机违反停止标志或红灯的情况。例如，假设你正以每小时25英里的速度在你的街区行驶，接近一个你拥有路权的十字路口。突然，一辆汽车出现了，当你意识到它没有停下来的时候，碰撞已经发生了。通过计算物体的瞬时运动学和轨迹估计，Telsa将在几乎相同的时间内做出反应，就像一眨眼的功夫。在25英里/小时的速度下，你的汽车正以每秒36.6英尺（11米）的速度移动。想象一下，在这种情况下，多出17.3英尺（5.5米）会有什么效果。这很可能是发生碰撞和几乎发生碰撞之间的区别。

整体驾驶的进步

通过向内侧车道线偏移，改善了高速和高曲率情况下的操控。

另一项改进是在转弯时将车辆向内侧车道线偏移，而不是将其保持在车道的正中央。这种向弧线内侧的偏移对驾驶员来说是一种更自然的轨迹，将帮助他们避免过于接近来自另一个方向的车辆。

通过更好地模拟领先车辆的刹车灯对其未来速度曲线可能产生的影响，改进了跟随领先车辆时的纵向控制反应的平稳性。

特斯拉的人工智能团队一直在努力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。以前，特斯拉会忽略刹车灯，直到为时已晚，导致汽车不得不突然刹车以避免撞上前面的车辆，这种情况令人不舒服。然而，特斯拉的新建模方法将使它能够通过预测领先车辆的轨迹和速度，更快、更平稳地对刹车灯做出反应。这一改进并不涉及安全问题，但会使用户更加舒适，提供更好的驾驶体验。

通过在数据集中增加4万个自动标记的车队片段，将近距离切入案例的召回率提高了20%。同时，通过改进对其进入自我车道的运动的建模，改进了对切入案例的处理，利用同样的方法对切入物体进行更平滑的横向和纵向控制。

召回率是关于假阴性的，这意味着汽车可能对某种情况反应过度，也许当有人在前面切入时猛踩刹车而不是减速。这次更新将近距离切入情况的召回率提高了20%，这是一种礼貌性的说法，即被切断。泰尔萨在数据集中自动标注了4万个这种情况的片段，这应该会减少假阴性。然而，汽车也将以更多的控制来处理被切断的情况。如果不需要猛踩刹车，逐渐减速可能是特斯拉会做的事情。

FSD可以更好地识别公交车

将校车的语义检测提高了12%，将从静止状态过渡到驾驶状态的车辆提高了15%。这是通过提高数据集标签的准确性和增加数据集大小5%来实现的。

语义检测的升级意味着系统现在理解检测到的物体是一辆校车，而不是简单地将其识别为大型车辆或其他东西。这一改进是有益的，因为它增加了司机对校车的信心，因为校车需要与道路上大多数其他车辆不同的驾驶行为。除了改进语义检测外，为更好地识别校车而进行的视觉化处理将非常有帮助。最后，该系统最近的这次升级应该能让它更准确地检测到从静止到运动的车辆，从而在道路上导航时做出更好的决定。

对稀有物体的检测提高了18%，对大型卡车的深度误差减少了9%，这主要是由于迁移到了更密集的监督自动标记数据集。

物体检测和深度感知的进步对于更安全的FSD体验至关重要。最近在这些领域的改进包括大型卡车的深度误差减少了9%，检测稀有物体的能力增加了18%，这要归功于密集监督的自动标签数据集。此外，由于更好地整合了多摄像头视频，汽车可以更准确地感知大型卡车的位置和大小，减少碰撞的风险，并帮助它保持在其车道上。这些改进提高了道路上每个人的安全，激发了人们对自动驾驶技术的更大信心。

人行横道的行为将改变

通过利用基于神经网络的小我轨迹估计来代替近似运动学模型，改善了在人行横道上的决策。

工程师们已经找到了一种新方法，帮助特斯拉在处理人行横道时做出更好的决定。过去，FSD在看到人行横道附近有行人时，会试图尽快停下来。然而，这可能是一个问题，因为有时行人只是站在那里，并不打算过马路。为了使事情变得更好，研究人员创建了一个新的计算机模型，帮助汽车做出更好的决定。这个模型被称为 “基于神经网络的自我轨迹估计”。有了这个模型，汽车可以根据行人离人行横道的距离来决定是继续前进还是停下来。这样一来，汽车就不会过早地停下来，也不会给其他车辆带来任何问题。

高速公路的改进

增加了一个长距离的高速公路车道网络，以便能够更早地对堵塞的车道和高曲率作出反应。

特斯拉新的长距离高速公路车道网络将使汽车能够对堵塞的车道和高曲率情况作出更早的反应，通常是在高速公路和高速路上。此外，它还解决了占位网络的局限性，以前它只允许汽车看到车前约100米和车后20米的有限距离。有了新的长距离公路车道网络，汽车可以看到更远的前方，使它能够更早地发现堵塞的车道和弯道，使它有更多的时间作出反应。

长距离公路车道网络最显著的优势之一是它能够顺利地检测和应对高曲率情况。目前，汽车在弯道前刹车较晚，这不是安全驾驶的最佳体验。然而，有了远程高速公路网络，汽车可以预测角度，使加速更顺畅，刹车更早。这导致了在高速公路和高速后方道路上更好的行为。新的长距离高速公路车道网络还将通过减少突然制动来提高驾驶体验，使乘客的驾驶体验更加舒适。

通过废止传统的合并区域任务，而采用从矢量车道衍生的合并拓扑结构，提高了合并控制的可靠性和平稳性。

最近对高速公路并线控制系统的改进涉及到来自矢量车道的并线拓扑结构。矢量车道是专用车道，旨在使合流更有效、更不拥挤。它们位于高速公路主车道的左侧，为并线车辆提供额外的空间，以便加速并顺利并入主要交通。矢量车道通常比传统的并线车道长，这使司机有更多的时间来完成并线。使用矢量车道，结合现代的合并拓扑结构，可以显著提高高速公路系统的性能和安全性。

改进车道变化，包括：更早地检测和处理同步车道变化，在接近最后期限时更好地选择间隙，更好地整合基于速度和基于导航的车道变化决策，以及在速度车道变化方面更多区分FSD驾驶配置文件。

改进完全自动驾驶技术意味着通过更早地检测和处理同时变化的车道，更好地选择空隙，以及加强基于速度和导航的数据整合来提高变道能力。完全自动驾驶的一个主要挑战是导航和秒级数据之间存在10-30秒的差距，为关键的变道决策留下了空间。改进后的系统对汽车进行了更好的定位，通过结合导航和基于速度的数据，利用最佳时间进行变道。

其他改进措施

将候选轨迹神经网络的目标姿势预测误差减少40%，运行时间减少3倍。这是通过使用更重、更稳健的离线优化改进数据集，将这个改进后的数据集的大小增加4倍，以及实施更好的架构和特征空间来实现的。

现在我们进入这次更新中的一些更多技术变化。特斯拉已经将 “候选轨迹神经网络的目标姿势预测误差减少了40%，运行时间减少了3倍”。首先，让我们回顾一下。目标姿势指的是车辆需要结束的位置。候选轨迹是汽车到达那里可能采取的路径。候选轨迹神经网络 “的 “目标姿势预测误差 “是神经网络预测车辆最终到达的位置与它最终到达的位置之间的差异量。换句话说，它衡量神经网络预测车辆最终位置的准确程度。目标是使这一预测误差最小化，以便汽车能够准确地确定达到其目标姿势的最佳路径。因此，这些改进等同于更精确的估计，提供更好的用户体验。

通过对18万个具有挑战性的视频（包括雨水反射、道路碎片和高曲率）进行超采样，改进了占用网络的检测。

特斯拉还专门针对雨水反射、道路碎片和高曲率改进了占用网络的检测。占用网络是一个计算机系统，它使用传感器来检测和识别环境中的物体，如其他车辆或行人，并确定它们是否占用道路上的空间。占用网络检测 “是指在车辆行驶中实时检测和识别这些物体。例如，雨后，该程序可以从附近的标志物上拾取道路上的反光。在某些情况下，这可能是非常罕见的。因此，工程师们对18万个视频进行了超量采样，以训练程序如何做出反应。

为道路边缘和线条网络增加了 “车道引导模块和感知损失”，将线条的绝对召回率提高了6%，道路边缘的绝对召回率提高了7%。

通过更新 “车道引导 “模块的表示方法，用与预测交叉和迎面而来的车道有关的信息，改善了车道预测的整体几何形状和稳定性。

车道引导模块和对道路边缘和线路网络的感知损失是FSD技术的两个基本组成部分。车道引导模块负责识别道路上的车道标记。相反，对道路边缘和线条网络的感知损失分析图像，以检测道路的边缘和汽车路径上的任何障碍物。这两个组件已被更新，使线条的总召回率提高了6%，道路边缘提高了7%，减少了对道路边缘、车道边缘和其他不应检测的特征的错误观察。车道引导模块可适用于所有驾驶场景，包括城市和高速公路驾驶。对该模块表现形式的改进可以提高车道预测的稳定性，特别是在十字路口等复杂情况下。

通过平衡压缩的IPC缓冲区和优化跨双SOC的写入调度，解锁了更长的车队遥测片段（最多26%）。

特斯拉通过优化跨双SOC的调度和平衡压缩的IPC缓冲区，在其车队遥测系统中取得了令人印象深刻的进展，导致可送回分析的遥测数据增加了26%。IPC代表进程间通信，即计算机系统中各进程之间的通信，SOC代表芯片上的系统，是一种将多个计算机组件结合在一起的集成电路。更简单地说，特斯拉的改进使硬件3和4中的两个并行芯片之间能够更好地通信，这增加了它们能够送回分析的数据量。此外，这种延长的遥测时间框架从10秒到12.5或13秒，将使特斯拉能够收集更多的上下文信息，这对提前检测物体和避免潜在的道路危险很有帮助。