投稿|特斯拉自动驾驶的底层逻辑( 三 )
不过，这仅仅是学习一个静态的信号，在汽车驾驶过程中会涌现无数静态和动态的信号，静态如路边大树、路障、电线杆等，动态的有行人、车辆等，而这些信号由摄像机捕捉到后交由神经网络训练、学习 。目前特斯拉的自动驾驶神经网络已发展出九大主干神经 （HydraNet） 和48个神经网络，识别超过1000种目标 。
然而，仅仅让自动驾驶AI学会开车还不够，还得让它开得像人类老司机一般驾轻就熟、安全又平稳 。
02 摆脱拐杖，Autopilot初长成任何一位经验老道的司机，都能在不同路况下，轻易判断出前方车辆与我们的距离，从而为保障行车安全而留出一定车距 。
但对传感器而言，要想判断物体远近必须要理解物体的深度，不然在他们眼中，距离我们10米和5米的两辆完全一样的车，就会被认为是一大一小的关系 。
对此，有些车厂选择激光雷达路线来探测深度，而特斯拉则选择了纯视觉算法，模仿人类视觉来感知深度，不过特斯拉先是打造了毫米波雷达+视觉传感融合路线，直到今年5月，才正式官宣，拿掉毫米波雷达，上线纯视觉版本Autopilot 。
此事一出，社会各界一片哗然，很多人不能理解特斯拉为何要拿掉单价才300元、又能为行车安全增添保障的高性价比雷达 。殊不知，在特斯拉早期多传感器融合路线中，毫米波雷达的存在就犹如小孩的学步车，只是帮助神经网络来学习训练深度标注 （annotate）。
在2019年自动驾驶发布会上，卡帕西是这样介绍毫米波雷达的，他说：“要想让神经网络学会预测深度，最好的方式还是通过深度标注的数据集进行训练，不过相对于人工标注深度，毫米波雷达反馈的深度数据精准度更高”，因此，引入毫米波雷达，实质是用以训练和提高神经网络对深度的预测 。
值得一提的是，在他讲解时的背景幻灯片右下角上，清晰地注明了带有毫米波雷达的自动驾驶算法是“Semi-Automonous Self Driving”，翻译过来是，半自动驾驶，明显彼时的特斯拉Autopilot只是个半成品 。
文章图片
直到特斯拉视觉算法在预测物体的深度、速度、加速度的表现，达到可替代毫米波雷达的水平，特斯拉的视觉算法才算真正独立 。
在2021年6月CVPR大会上，卡帕西曾表示毫米波雷达收集数据中曾出现“间歇性翻车”、甚至误判等情况 。他举了三个具体例子，前方车辆急刹车、大桥下前车行驶速度以及对路边静止卡车的判断 。
情况一：前方车辆出现急刹，毫米波雷达短时间内出现6次跟丢目标车的情况，跟丢状态下前车的位置、速度和加速度都归于零 。
情况二：在行驶的汽车从大桥下通过时，雷达把一静一动的物体都当作静止物体；此时视觉传感却计算出行驶车辆的速度和位移，导致数据融合后的曲线传递出“前车在减速并且刹车”的错误信息 。
情况三：在高速路旁停着一辆白色大卡车，纯视觉算法在距目标车180m处就发现白色卡车，并作出预报，但融合算法直到110m处才作出反馈，足足延迟5秒 。
上述案例里，纯视觉算法均输出稳定且大幅优于雷达+视觉融合算法，精准地跟踪到前车行驶状况并作出深度、速度、加速度等数据 。
不仅如此，纯视觉算法还可以在雾、烟、尘等环境里保持对前方车辆的测速、测距工作，如此一来拿掉毫米波雷达也不奇怪了 。根据特斯拉AI Day上最新发布的信息，目前特斯拉每周能够获得一万个人们恶劣环境下驾车的短视频，包括大雨、大雪、大雾、黑夜、强光等等情况，神经网络通过学习训练这些已经标注好的材料，实现在没有毫米波雷达的情况下，也可以精准感知前方车辆距离 。
推荐阅读
- boost|性能太激进！一加10 Pro发布，不俗产品力拉开竞品差距
- 投稿|一度超越微信登AppStore榜首，但“元宇宙”社交也难逃“月抛”魔咒
- 投稿|陕旅饭店集团破产重整，昔日“混改模范”为何沦为反面教材？
- 投稿|疫情之下，本土自主设备如何突围？中国制造的投机主义和长期主义
- oppo|配置到位设计拉满，OPPO平板爆料提前看！性能和生态适配亮点多多
- 投稿|即视角｜出海正当时：欧美、东南亚、中东、拉美市场观察
- 投稿|“东南亚小腾讯”跌入谷底：受阻的业务飞轮撑不起千亿市值
- 投稿|员工行为几乎全裸？深信服“监控门”背后
- 投稿|信任危机？一场针对民族企业的商业“阳谋”
- 摩托罗拉|传小米2亿像素超大底曲面屏新机研发中 价格或不便宜