详解特斯拉AI Day：FSD成长到了哪一步？

资讯 2年前

671

10?1?，?年?度的科技春晚，特斯拉AI Day 来了。整场发布会?常硬核，?货也很多。FSD、Dojo、Tesla Bot超级计算机是这次发布会的三?看点。不过，我们主要关注的，还是特斯拉在FSD ??的新进展

10?1?，?年?度的科技春晚，特斯拉AI Day 来了。整场发布会?常硬核，?货也很多。FSD、Dojo、Tesla Bot超级计算机是这次发布会的三?看点。不过，我们主要关注的，还是特斯拉在FSD ??的新进展。此前，绝?部分??都循着特斯拉的步伐，?上渐进式?动驾驶发展之路。但是随着能?参差以及对?动驾驶理解不同，特斯拉与?众?企分道扬镳。

特斯拉?上了纯视觉路线，其他?企则开始投?激光雷达怀抱。但是，对于?多数??来说，特斯拉依然是?向标。他们也都很好奇：特斯拉纯视觉?动驾驶究竟有何进展？聊进展之前，还是先了解?下，特斯拉FSD 的基本框架。

01FSD框架

先说测试规模，2021 ?概有2000 位「勇?」参与到FSD Beta 的测试，今年，这个数字增加到160000 位。

从去年到现在，FSD 进?过35 个版本迭代，训练了 7．5万个神经?络模型，基本上8 分钟训练1 个，并推送了35个版本更新。?前FSD Beta 在?定程度上已经可以实现从?个停?场导航到另?个停?场，可以?动完成识别红绿灯并通?、通过?字路?、转弯等操作。来看看特斯拉FSD基本框架。所有的?切完全依靠单?智能实现。通过?上运?神经?络的摄像头?成环境模型，?后基于此模型进??辆的规划和控制。

这是?个多摄像头神经?络，系统通过收到的图像来推测物理世界各个坐标都有什么东?。没错，推测。虽然我们看到的是图?，但是在摄像头看来，它看到的就是其实是?维?格，需要进?转换和编码。?后通过不断的模型训练，才能识别出图像中的物体到底是什么，譬如树?、墙壁、汽?。当然，识别的内容不?这些，还有各种语义层，包括各种?道线、交通信号灯、停?线等。

?在识别物体之后，系统会得出这些物体现在的状态坐标，并预测这些物体接下来的运动。对于典型计算机视觉技术来说，处理这些内容?常困难，所以特斯拉在不断深?到语?技术领域，然后从其他领域提取最先进的技术，融合进来。但是，很多物体还是?法被探测到或者被准确识别，这?就需要对数据进?标注，特斯拉已经拥有??的?动标注系统。此外，特斯拉利???的仿真系统来构建图像，通过数据引擎管道，??些数据训练模型，然后把它放到?上，看是否可?。

如果发?故障，?队会进?分析，并提供当前标签并将数据添加?训练集，这个过程系统地解决了问题。为了训练这些新的?规模神经?络，特斯拉今年把训练基础设施扩展了40％－50％，今年特斯拉在美国训练集群已搭载?约14000 个GPU。同时，特斯拉还开发了??的??智能编译器，?持这些神经?络所需的新操作，并将它们映射到特斯拉最好的底层硬件上。?前，特斯拉推理引擎能够将单个神经?络的执?分布在芯?上的两个独?系统上。本质上其实就是连接在同?台?动驾驶计算机中的独?计算机。

其实就是同?神经?络在两块FSD芯?都进?运算，为此，必须严格控制新系统端到端的延迟。为此，特斯拉布局了很多新的代码，所有这些在??运?的新?络，产?向量空间。进?在汽?周围建?起新的模型，规划系统在此基础上得出运?轨迹。通过基于模型的神经?络的组合，特斯拉FSD 正在?速成?。

02交叉路口规控策略

?保护左转，是?动驾驶的??难题。

?动驾驶?辆在进?决策规划的时候就会涉及到多种变量，需要梳理不同变量之间的关系，进?推演出最合理的通??式。下?这个就是?个很有代表性的场景：?保护左转还遇到通过的??。

这基本上可以归结为解决多智能体在?我和所有其他智能体轨迹上的精确规划问题。这就需要系统能够在很短时间内厘清出各个对象之间的关系，然后推导出最合理的通?策略。别忘了，系统还要预测这些对象接下来的运动，相关交互组合的数量会爆炸式增?。这个计算量?常?，?规划者需要每50 毫秒做?个决定。很多?商都不太能做好这个场景。包括??驾驶Robotaxi 公司。那么，特斯拉是怎么做的呢？特斯拉采??种名为Interaction Search（?译交互搜索）的框架，对?系列运动物体进?研究。这?的状态空间对应于?我的运动状态，其他主体的运动状态，多模型未来预测，以及场景中所有的静态实体。可以使??组物体运动轨迹来看场景中不同交互决策，同时也可以加?新的变量，来获得更多决策优化。

?如还是刚刚的过?字路?案例。我们从?系列视觉测量开始。

1、被看?的物体。?如?道、移动物体、其他不可动实体，这些元素为潜在特征。

2、构建路径。我们?它从?结构化区域的?道?络中来创造最优通?路径。

3、路径推演。以此来创建项?树，使?来?客户群的数据进?训练。与此同时就会?成多种不同决策结果，我们也能从中找到最优解。

4、引?新变量，再次寻求最优。在这个最优解之上，你也可以加?新的变量，?如加?右侧驶来的?辆，这样就会产?新的决策树，新的分?，然后再从中选出其中的最优解。

就像刚刚说的这个运算量?常巨?。所以特斯拉选择构建轻量级?络来进?轨迹?成。结果就是：把每个动作的运?时间缩短到100 微秒。对?之下，此前每个动作需要1－5 毫秒。这个提升，?常明显。此外，特斯拉还会有?项「轨迹评分」标准，此举是为了提升FSD?户使?舒适度。

说?话就是：FSD 不仅要能够做到，还要能够做好，让?开起来像?个?司机?样稳健。在这?，特斯拉会运?两个可变神经?络，可以相互增强。其中?套是FSD Beta，这让我们知道在接下来的?秒钟内，?个?受到?预的可能性有多?。第?套源??类驾驶数据，给FSD系统的表现评分，可以帮助特斯拉更好的优化FSD 的体验。特斯拉表示：「这个架构最酷的地?在于，它允许我们在数据驱动的?法之间创建?个很酷的融合，没有那么多??成本，但结果的核查检验依然是基于现实。」这?part简?之就是：特斯拉?动驾驶规划决策所需时间变短、能?更强、体验更好。033D建模

特斯拉所有感知都要靠这8 个摄像头。特斯拉依靠摄像头获取图像信息，然后?算法，取得类激光雷达3D 成像的效果（从 image space 到 vector space ）。现在FSD UI 中展示的只是所渲染的空间向量中的?部分：

但是在精度上还是?法与真正的激光雷达相?。?如，当有?辆经过时，?法准备识别该物体。这也是去年难到特斯拉的?个?问题：

对于采?激光雷达?案的公司来说，可以?常精准且轻松的检测到物体并捕捉物体的移动。但是视觉想要做到这?点，并不容易。特斯拉运??何占?率了解视觉3D 中的遮挡??。下?这个占?神经?络（the occupancy network）就是他们的成果。这?看到的是来?系统内部第?层的规则?络输出。（这个3D 建模并没有出现在?前特斯拉推送给?户的可视化UI 中，但也很酷）

具体来说，占??络将8 个摄像头的视频流作为输?，在?量空间中直接为所有汽?周围的每个三维位置?成统?的体积精度，然后预测该地点被?量占?的概率。

与此同时，联系输?的视频上下?，它还会预测即将可能被遮挡的障碍物。在每个位置，它都会?成?组语义，?如?路??、汽?等，然后?不颜?标注。于是就有了下图的建模：

与此同时，对于运动中的占有率情况也可以进?预测。由于该模型是?个?义?络，它没有区分静态和动态对象，也能够建模随机运动。

?前，这个?络正在所有特斯拉FSD计算机上，?且?常?效，使?特斯拉新的加速器，?概每10 毫秒运算?次。所以，这就是特斯拉在纯视觉取代激光雷达上所做的?点?作。除了?体像素，占??络还能输出路?相关信息，?如它的路??何情况（?如坡度），还有路?语义。这会对系统规控有很?的帮助。直接上案例吧。看这?的这张图，坡道三维信息也被很很好的预测出来，有了这样的信息输?，后续系统可以决定接下来是否要减速?驶。

如果这件事交给直接采??精地图?案的公司来说，这?步就很简单。因为?精地图公司已经将这些道路信息包括坡度、弯道曲率等信息录?地图，当?辆?驶到这?，?辆可以提前根据这些已知做出预判和控制。所以，这就是特斯拉在替代?精地图上取得了不错的进展。04具体怎么实现的？

?先，摄像头提取图像数据并校正，然后采?RegNets和BiFPNS 来提取图像特征，构建3D 位置查询，所有图像以及特征都有其??的键和值。通过这些键和值，你可以知道前?是什么物体，亦或者是某个部分被遮挡的物体。

这些内容再通过注意?模块输出?维空间特征，这些空间特征?致。然后使??辆瞬时测程推导运动轨迹。

将这些时空特性通过反卷积神经?络，推出最终的占?率和占?流，形成固定尺?的盒?。但是这对于规划和控制来说精度可能不是很够。

为了获得更?分辨率，特斯拉还?成每个像素形状映射，你就当做是?个个坐标，然后把这些坐标和 3D 空间点查询送?给MLP（多重感知机），以获得任意点的位置和语义。

很多?看到这?可能就晕了，来看看这个案例：

特斯拉在不断?驶，前?的?巴被识别为「L」的红?盒?，当?辆逐渐靠近，巴?也在移动，?头直接从红?变成了蓝?。随着时间推移，整个巴?都变成了蓝?，你甚?可以看到这个?络预测巴?向左运动时的精确曲率。

对于传统?标检测?络来说，这是?个?常复杂的问题，可能会??个或者两个??体来拟合曲率。但是对于占??络来说，只需注意有可?空间的占?情况，?后就能精确的建?曲率模型。此外还有刚刚说的，弯曲路?的?何以及相关语义的识别。

最后就是使??型?动标记数据集对占??络进?训练。

此外，特斯拉也在关注其他神经?络，?如NeRF（（Neural Radiance Fields）这?简单解释?下。NeRF，神经辐射场。是?项利?多?图像重建三维场景的技术。直接上案例吧。?如眼前的这个架??。通过多组图像在神经?络的训练，就可以构建出这个架??的三维场景，?且还能给到两组不同于之前图像的新视图。

显然，这个技术很对特斯拉胃?。特斯拉考虑将?些功能整合到占??络训练中。这是他们做的?个演示案例，?的是为了给?动驾驶呈现呈现3D 世界。

不过要做到这点并不容易，特斯拉在这个地?继续邀请??们加?特斯拉?动驾驶团队。有了强?模型，下?步就是要训练它。这就需要海量可?学习的数据视频。

看到这张图了吗？这并不是故障或者是雪花，?是视频。?概1．4 亿帧。

这个量?常巨?。如果?10 万个GPU 进?训练，需要1 个?时，如果你有1 块GPU，需要10 万?时。这个时间?常?，?特斯拉想要更快的训练速度。这也是为什么特斯拉要建造??的超级计算机的原因。特斯拉有3 个超级计算机，共计14000 个GPU，其中1 万个?于训练，另外4 千块?于?动标注。

所有的视频都存在容量在30PB 的分布式视频缓存设施中。这些数据集并??尘不变，?是处于变化，每天有?概有50 个视频在集群中替换流动，系统每秒跟踪40 万个视频实例。?在优化视频模型训练上，特斯拉也是做了很多?作：

结果就是：通过这些积累和优化，特斯拉现在训练占??络的速度提升了2．3 倍。

05车道检测＆周围物体未来行为预测

早期特斯拉是在2D 图像空间进?实例分割，同时神经?络也很简单，只能识别为数不同的?种类型的道路。

这种?较简单的道路建模适合在?度结构化的道路上。

现在，特斯拉要做的是?个系统，可以适?在更复杂的路况，不仅仅要?成全套?道实例还有它们之间的连接。

路?通?是?个很好的案例。?前辅助驾驶?辆的?个?较?的通病在于：有?道线道路?驶正常，??道线引导???乱。
特斯拉要做的就是提升辅助驾驶在这?块的表现。所以特斯拉??做了?道神经?络。

由三个组件构成：1、视觉组件：有?组卷积层、注意层和其他神经?络层，处理来??个摄像头的视频数据并进?编码，并产?丰富的视觉表征；2、?道引导模块：?道路级别的地图数据增强这种表征。并引??组额外的神经?络层进?编码。虽然只是普通地图，虽然不是?精地图，但提供了很多基础属性信息，?如?道拓扑结构、?道数、导航路线等信息。这?引申出的?个信息是：特斯拉FSD 有?到地图，但是是普通的导航地图，?不是?精地图。所以不要再问特斯拉?动驾驶到底?不?地图这件事了。

3、语?组件：前两个组件产?了?个密集的张量，可以对世界进?编码。不过特斯拉的诉求是将这个密集张量转换为智能?道集还有它们的连通上。输?的是这个密集张量，输出?本则被预测为特斯拉??开发的特殊语?，姑且称之为道路语?（Language of Lanes）吧，特斯拉?它来编码?道的连接关系。

具体咋做呢？看图：

这就是最终?道?络：

简?之，这让特斯拉在没有?精地图以及激光雷达的情况下，拥有了?清晰度的空间定位以及更远的可视范围。周围物体未来?为预测＆路径规划这个?为其实很好理解。代?到我们?类驾驶员，其实我们??在开?的时候，其实下意识的也会去做类似的预判，关注周围不同交通参与者（?如??、???、?辆等）的动向，然后做出下?步的?辆控制（加速、减速、停?）。这?特斯拉提到了两个个?常好的案例，可以让我们更好的理解特斯拉在这?块所做的?作。第?个：

特斯拉正常?驶，遇到?辆?闯了红?并左转。在这个过程中，特斯拉已经预测了这台?可能会做的所有动作，?后根据这台?接下来会做的不同动作，来决定?辆到底要采取怎样的动作。第?个：

虽然前?都是红灯，但是本?道这台?不知道为何距离很远就停?了。特斯拉并没有?常机械的停在该?后?，?是提前变道，转到了另?条?道上。这个操作真的很细节，特斯拉FSD 在变得更?性化，给个好评。特斯拉在试图建??个实时系统，所以就需要最?限度地提?对象部分堆栈的帧速率，以便Autopilot 能够对不断变化的环境做出快速反应。在这?，每?毫秒都?常重要，以尽量减少推理的延迟。

在这?，特斯拉神经?络运作分为两个阶段：第?阶段，确定三维空间中存在的物体的位置；第?阶段，在这些三维位置拉出张量，附加上?辆上的其他数据，然后再进?其余的处理。

这样，可以让神经?络将计算集中在最重要的区域上，从?以??部分延迟成本提供更好的性能。把它们放在?起，特斯拉的Autopilot 视觉堆栈不仅可以预测?何和运动，同时可以预测各种语义，让驾驶更安全。现在，FSD 道路?络已经在?上运?，同时特斯拉也做了很多?作：

?且，现在在?上运?的不?有?道?络，还有移动物?络、占??络、交通控制和路标?络、路径规划?络…．．

可能后续还会加?更多新的?络。下?这张图就是在特斯拉?内的神经?络的可视化：

看着?常震撼。特斯拉的这套东?，才算是真正的?动驾驶数字?脑。与此同时，特斯拉也在优化延迟上做了不少?作：

有了数量如此多的神经?络，就需要巨量的数据喂养。接下来且看看特斯拉在?动标注数据??的进展。

06自动标注

特斯拉有?种所有的标注框架来?持各种类型的?络。以?道?为例，为了成功地训练和普及这个?络到各个地?，需要100万甚?更多交叉?出?数千万次的数据量。不过，数据对于特斯拉来说不是问题，毕竟?源众多。但是?个新的挑战就是将所有这些数据转换成训练表格。这?年，特斯拉尝试过多种数据标注?式：

如今，特斯拉在?的是新的?动标注技术，效率提升?常多。此前10000 次?程标注，如果换??贴标，需要500 万?时，现在只需要12 个?时就能搞定。具体怎么做的呢？我们再再再次展开。主要分为三个步骤：第?步，通过?身摄像头、视觉惯性测距法进??精度的轨迹和结构恢复。所有的特征，包括地?都是通过神经?络从视频中推断出来的，然后在向量空间中进?跟踪和重建。

第?步：多重?程重构。这也是最核?部分。可以看到之前显示的?程是如何重建的，并与其他?程对?，?后实现重建。然后，?类分析师进来并最终确定标签，每个步骤都已经在集群上完全并?化。所以整个过程通常只需要?个?时。

最后?步：?动标注新?程。只是在预先建?的重构和每个新?程之间，使?相同的多?程对?引擎。因此，这?完全重建所有的?段要简单得多。

这也是这台机器可扩展性的关键。只要有可?的计算和?程数据，这台机器就能轻松扩展。

当然，?动标注不仅?在?道，还有规划、占??络等，很多都是?动标注的。

07仿真

对于?动驾驶来说，路测很重要，因为能接触到真实场景。但是同样的，模拟仿真也是?动驾驶数据获得的重要途径和来源之?，可以提供很多难以获得的数据。但是，3D 场景的制作是出了名的慢。以这个模拟场景为例，渲染师需要两周来构建，但是有了新的?具后，使得特斯拉可以在5 分钟内就完成类似场景的搭建，?之快了1000 倍。

?先，特斯拉会把?动化的地?真实标签输送到模拟世界创建?具中：

随后，?成道路?格，并??道标签对其进?重新拓扑填充，其中包括各种重要道路信息，?如?字路?的坡度、材料等：

在路?上创造?道线：

然后是填充细节，?成植物以及楼房，与此同时，带来的还有由植物楼房等带来的视觉遮挡效果：

然后是交通信号的引?：

然后是路标以及?道指引线：

接下来加??辆、??等交通参与者：

只需要动动?指，特斯拉可以创造各种想要的仿真环境：

现在，特斯拉可以很容易地?成?部分的旧??城市街道仿真：

08写在最后

来个?结吧。特斯拉在FSD 上今年展示了很多内容。感知、规划、决策、控制以及仿真每?块都有不同进展和突破。

这次AI Day 让我们看到了特斯拉在替代激光雷达以及?精地图上所做的?作。同时，随着新神经?络的加?，特斯拉FSD变得更聪明，同时驾驶上也更?性化。?斯克表示：「?前FSD软件已经可以适?于全球各个地区的路况，如果地?监管政策允许，我们可以在今年年底?向全球推出FSD Beta 版本软件。」

10?5?，特斯拉宣布了「Tesla Vision」的新动向：取消超声波传感器。

两年前，特斯拉拿掉了毫?波雷达，现在，特斯拉对超声波传感器下?。这样?来，特斯拉真就在纯视觉?动驾驶?条路?到?了。特斯拉的纯视觉?动驾驶正在按着既定的?标逐渐推进。最后?个问题：特斯拉能不能?纯视觉实现?动驾驶？这个问题我暂时?法回答。我只能给你?个我看到的现状：当绝?部份的?企都转向激光雷达阵营，?特斯拉仍在纯视觉路线上做?个孤勇者和开拓者，为?动驾驶的实现提供更多的参考思路。