– A Vector Lanes neurális hálózathoz hozzáadtunk egy új “mély sávos útmutatás” modult, amely egyesíti a videofolyamokból kinyert funkciókat durva térképadatokkal, azaz sávszámokkal és sávkapcsolatokkal. Ez az architektúra 44%-kal alacsonyabb hibaarányt ér el a sávtopológiában az előző modellhez képest, így simább vezérlést tesz lehetővé, mielőtt a sávok és azok kapcsolatai vizuálisan láthatóvá válnának. Ez lehetővé teszi bármely Autopilot számára, hogy vezessen, akárcsak a saját ingázását, de kellően általános módon, hogy alkalmazkodjon az út változásaihoz.
– A vezetés általános zökkenőmentessége a késleltetés feláldozása nélkül, a rendszer és az aktiválási késleltetés jobb modellezése révén a pályatervezésben. Az Útvonaltervező mostantól függetlenül veszi figyelembe a késleltetést a kormányzási parancsoktól a tényleges kormányzásig, valamint a gyorsítási és fékezési parancsokat a működésig. Ez egy olyan pályát eredményez, amely pontosabb modell a jármű vezetésére. Ez jobb lefelé irányuló követést és sima vezérlőt biztosít, ugyanakkor pontosabb reakciót tesz lehetővé durva manőverek során.
– Jobb sebességprofillal rendelkező védetlen balra kanyarodások jobb sebességprofillal a középső keresztezési régiók megközelítésekor és elhagyásakor, nagy sebességű keresztező forgalom esetén (“Chuck Cook stílusú” védetlen balkanyarodás). Ez úgy valósult meg, hogy lehetővé tette az optimalizált kezdeti rángatást, hogy utánozza az ember erős pedálnyomását, amikor arra volt szükség, hogy nagy sebességű célokat érjen el. Szintén javított oldalsó profil az ilyen biztonsági tartományokhoz közeledve, hogy a zónából való kilépés előtt jobban igazodjon a póz. Végül jobb interakció a medián keresztezési régióba belépő vagy ott várakozó objektumokkal, jövőbeli szándékuk jobb modellezésével.
– Hozzáadott vezérlés a véletlenszerű mozgatáshoz alacsony sebességgel az Occupancy Network szolgáltatásból. Ez lehetővé teszi a precízebb objektumformák finomabb szabályozását is, amelyeket nem lehet könnyen ábrázolni egy köbös primitívvel. Ehhez minden 3D-s voxelnél meg kellett jósolni a sebességet. Most már ellenőrizhetjük a lassan mozgó UFO-kat.
– Bővített Occupancy Network, hogy videót használjon egyetlen időlépéses képek helyett. Ennek az időbeli kontextusnak köszönhetően a hálózat robusztus az időbeli elzáródásokkal szemben, és a kihasználtság áramlása előre jelezhető. Szintén továbbfejlesztett alapigazság szemantikailag vezérelt outlier-elutasítással, kemény bányászati példákkal és az adatkészlet 2,4-szeres nagyításával.
– Frissítés egy új, kétlépcsős architektúrára az objektumkinematika (pl. sebesség, gyorsulás, elfordulási sebesség) előállításához, ahol a hálózati számításokhoz O(objektumok) van hozzárendelve O(space) helyett. Ez 20%-kal javította a messze áthaladó járművek sebességbecslését, miközben a számítási teljesítmény tizedét használták fel.
– Fokozott simaság a védett jobbra kanyarodásoknál a közlekedési lámpák és a rámpák és a rámpák közötti táblák társításának javításával. Ez csökkenti a hamis késleltetéseket, amikor nincsenek jelen releváns objektumok, és javítja az átengedési pozíciót is, amikor jelen vannak.
– Kevesebb téves késés az átkelőhelyeken. Ezt úgy tették, hogy jobban megértették a gyalogosok és kerékpárosok mozgásuk alapján fennálló szándékát.
– Az ego szempontjából releváns sávgeometriai hiba 34%-kal, a sávok keresztezése pedig 21%-kal javított a Vector Lanes neurális hálózat teljes frissítésével. A hálózati architektúra információs szűk keresztmetszeteit a kameránkénti funkciókivonók, a videomodulok, az autoregresszív dekóder belső részei méretének növelésével, valamint a sávok finom pozicionálását jelentősen javító kemény figyelemmechanizmus hozzáadásával küszöbölték ki.
– A sebességprofil kényelmesebb kúszáskor a láthatóság érdekében, hogy simább megállásokat tegyen lehetővé a potenciálisan zárt tárgyak védelme során.
– 34%-kal javult az állatok visszahívása az automatikusan címkézett tréningkészlet méretének megduplázásával.
– A kúszás lehetővé teszi a láthatóságot minden olyan kereszteződésben, ahol tárgyak keresztezhetik az ego útját, függetlenül a forgalomirányítók jelenlététől.
– Jobb megállási pozíció pontosság kritikus metszéshelyzetekben, lehetővé téve a dinamikus felbontást a pályaoptimalizálás során, hogy jobban összpontosítson azokra a területekre, ahol a finomabb vezérlés elengedhetetlen.
– 36%-kal megnövelte az elágazási sávok visszahívását azáltal, hogy lehetővé tette a topológiai tokenek számára, hogy részt vegyenek az autoregresszív dekóder figyelési műveleteiben, és növelje a fork tokenek edzés közbeni veszteségét.
– 17%-kal javult a gyalogosok és kerékpárosok sebességi hibája, különösen akkor, ha az ego kanyarodik, a neurális hálózat bemeneteként használt fedélzeti pálya becslésének javításával.
– Továbbfejlesztett objektumészlelési visszahívás, kiküszöbölve a távoli járművek hiányzó észlelésének 26%-át a képzés során használt veszteség funkció hangolásával és a címke minőségének javításával.
– Az objektumok jövőbeli útvonalának jobb előrejelzése nagy lengési sebességű forgatókönyvekben azáltal, hogy a valószínűségi becslésbe belefoglalta a lengési sebességet és az oldalirányú mozgást. Ez segít abban, hogy a tárgyak beforduljanak az ego pályáján vagy elforduljanak onnan, különösen a kereszteződéseknél vagy a bekapcsolási forgatókönyveknél.
– Megnövelt autópálya-behajtási sebesség a közelgő térképsebesség-változások jobb kezelésével, növelve az autópályák egyesítésébe vetett bizalmat.
– Csökkentett késleltetés a megállásból való induláskor, figyelembe véve az elöl haladó jármű sokkját.
– A piros lámpás futók gyorsabb azonosítása az aktuális kinematikai állapotuk várható fékezési profiljához viszonyított értékelésével.
Nyomja meg a „Videofelvétel” gombot a felső sáv kezelőfelületén, hogy megoszthassa visszajelzését. Ha megnyomja, járművének távoli kamerái megosztanak egy rövid, VIN-hez kapcsolódó Autopilot Snapshot-képet a Tesla mérnöki csapatával, hogy javítsák az FSD-t. A klipet nem tudod megnézni.
.