特斯拉談 FSD：Autopilot 比手動開車更安全，取消雷達是避免誤判

IT之家 7 月 25 日消息特斯拉本週四在北京南四環中路特斯拉體驗中心舉辦了最新一屆“T-talk”線下分享討論會，主要講解了特斯拉 FSD 在自動駕駛領域所做的努力。

安全是底線：以消滅交通事故爲目標

調查顯示，全球每天有 3 萬餘人死於交通事故。官方講解了特斯拉在安全方面的舉措：

被動安全方面，特斯拉由於沒有發動機，車型前方自帶吸能潰縮區，能在意外中有效保護乘員；採用鋼鋁混合輕量車身、堅固的底盤防護、大量高強度鋼和超高強度鋼的應用，加強防護。

在事故的預防方面，則有全系標配的主動安全配置守護。每輛特斯拉車型，均有側撞預警、盲點碰撞警報、前撞預警、速度限制警報、障礙物感應限速、自動緊急制動、車道偏離防避等功能。

官方介紹稱，在最新的美國國家公路交通安全管理局（NHTSA）碰撞測試中，特斯拉全系車型均獲得五星碰撞安全評級。其中，Model 3 不僅獲得 NHTSA 全五星安全評級、ENCAP 全五星評級，還摘得了 IIHS SAFETY PICK + 頂級安全大獎。在美國政府的“新車評價項目”中，Model 3 比其測試的任何車輛受傷概率都低。

在此基礎上，特斯拉還提供了主動巡航控制、輔助轉向、自動變道、輔助駕駛導航等功能，車輛預知風險、預判後，系統能夠自主實施轉向、制動等決策，儘量避免事故的發生。

以 Model 3 爲例，當在併入的臨近車道中探測到車輛時，Autopilot 便會觸發側撞預防功能（轉向干預），並保障車輛自動轉向行駛到一個更安全的位置。

據稱，主動安全系統 + Autopilot，帶來的安全性提升是立竿見影的。

NHTSA 公佈的最新數據顯示，在美國每行車 674 萬公里，平均會發生 8.66 次事故。而這個數據，在使用了 Autopilot 的特斯拉車主中僅爲 1 次；沒有使用 Autopilot 但有主動安全功能參與的駕駛中，事故約爲 2 次。也就是說，特斯拉的 Autopilot 讓行車安全水平達到平均水平的 8.66 倍。

此外，特斯拉還想解決“浪費”問，減少堵車時間和不需要的停車佔用面積。

FSD：硬件 + 軟件 + 數據

據悉，特斯拉的芯片已經經過 3 次迭代，目前最新的 Full Self-Driving Computer 上搭載了特斯拉自主研發的兩枚芯片，也就是 Autopilot3.0 硬件，性能比 2.5 版本芯片強大 21 倍。

據介紹，AI 芯片在圖像識別等領域有着獨特優勢，其計算方式爲矩陣或 vector 的乘法、加法，配合一些除法、指數等算法；而 CPU 則適合於不同領域的複雜算法，比如計算機服務器領域；GPU 雖然也是針對圖像渲染的算法，但其特性不符合神經網絡。

特斯拉研製的 FSD 芯片中，其中 NNA（NPU）處理器即是爲 AI 算法而存在的。相較於 HW2.5，FSD 電腦將算力提升至了 144TOPS，每秒處理的圖片速度提升至 2300 幀。

算力的大幅提升，目的在於處理海量的圖像信息。通過深度學習，特斯拉不斷輸入大量數據，人工或自動標註出正確“答案”，令其不斷自我“進化”，從而快速提供識別率，進而覆蓋更多駕駛場景。

每當車輛在遇到各類“邊角案例”時，也就是遇到一些比較“棘手”的駕駛場景時，或駕駛員的操作與系統設定不一致時，車輛都會脫敏匿名將實際情況上傳給特斯拉雲端服務器，通過龐大的集中算力進行深度學習以優化系統。

當然，特斯拉也爲用戶提供了不上傳數據的選項，官方還強調其所有上傳至雲端的數據均爲脫敏、匿名處理後的數據。

據悉，特斯拉 FSD 學習過程的優勢在於絕大部分數據是從日常生活中看到的那些真正行駛在路上的車輛收集的，只有小部分來自測試車隊，因此更加貼近車主日常駕駛場景。

IT之家瞭解到，爲了處理巨量駕駛數據，特斯拉還在努力研發更強的機器學習和 AI 模型。

例如特斯拉此前啓動了一個代號爲 Dojo 的重大項目，它是一臺超強的訓練計算機，處理的數據不再停留在圖片層面，而是針對視頻類的數據，能夠以較低的成本實現算法性能的指數級提升。

新思路：取消雷達，選擇靈敏的視覺方案

自動駕駛系統，傳感器得到的數據是一切的基礎，不過不同的傳感器各有不同優劣勢。特斯拉表示，毫米波雷達（Radar）的優勢在於對距離、速度等信息的判斷，不過通過算法的優化，他們已經能夠通過攝像頭實現該目的。

但特斯拉並沒有急於取消雷達，畢竟在那之前還需要將通過雷達來判斷其視覺方案是否能夠準確得知距離、速度等信息。

能夠替代 Radar 給出距離、速度等信息還只是其中一個理由，另一個更關鍵的理由在於，雖然越多的傳感器經過融合算法後，能夠提供相對越全面的環境信息，但當不同傳感器給出的信息也會出現互相矛盾的問題。

特斯拉經過實際測試和對比，通過純視覺方案不僅能夠提供與雷達方案一樣的信息，並且還將體驗優化提升了很多。

官方舉例表示，在你前方的車緊急制動的場景下，純視覺方案沒有出現 Radar 那種信息中斷和誤判的情況，非常線性，從而能夠提供線性的制動決策。

注：黃色線條代表毫米波雷達感知的距離、速度、加速度圖像；藍色線條代表純視覺傳感器的數據結果。

而在通過立交橋下的場景中，由於 Radar 的垂直分辨率很低，所以容易導致系統誤判空中的物體爲障礙物；而純視覺方案則完全不會出現該問題。

還有一種因素是雷達對靜止物體的判斷不比視覺方案。對於毫米波雷達來說，前方車輛停靠在路邊，導致識別較晚，在距離車輛 110 米時才感知到前方停有卡車。而純視覺方案在距離車輛 180 米的時候就可識別到該車輛。