【TechWeb】7月22日，特斯拉在北京南四环中路特斯拉体验中心举办“T-talk”线下分享讨论会。本次“T-talk”以FSD为主题展开，讲师向参与者揭秘了特斯拉在自动驾驶领域所做的努力，以及如何以此“加速世界向可持续能源转变”。
“T-talk”是特斯拉发起的线下活动，由官方定期邀请媒体及社会各界人士，一起讨论行业现状、技术发展，共同推进行业进步，特斯拉也借此搭建起与媒体及公众沟通的桥梁。通过本次活动，参与者们深入了解了特斯拉对完全自动驾驶的探索，并共同展望完全自动驾驶时代更美好的出行生活。
安全是底线：以消灭交通事故为目标
通过造好车、卖好车，形成可持续的商业模式，将盈利用于研发创新；而后以创新成果点燃整个行业的热情，带动更多厂商研发制造高品质的纯电动智能汽车，形成产业创新；最终让可持续能源的世界加速到来，为人们创造更美好的生活。
调查显示，全球每天有3万余人死于交通事故。对于“好车”的概念，或许每个人都略有不同，但是都必须基于相同的基础之上，那就是安全。
被动安全方面，特斯拉车型有着车身结构带来的先天安全优势。由于没有发动机，特斯拉车型前方自带吸能溃缩区，能在意外中有效保护乘员；钢铝混合轻量车身、坚固的底盘防护、大量高强度钢和超高强度钢的应用，打造固若金汤的安全防护。
在最新的美国国家公路交通安全管理局（NHTSA）碰撞测试中，特斯拉全系车型均获得五星碰撞安全评级。其中，Model 3不仅获得NHTSA全五星安全评级、ENCAP全五星评级，还摘得了IIHS SAFETY PICK+顶级安全大奖。在美国政府的“新车评价项目”中，Model 3比其测试的任何车辆受伤概率都低。
在事故的预防方面，则有全系标配的主动安全配置守护。每辆特斯拉车型，均有侧撞预警、盲点碰撞警报、前撞预警、速度限制警报、障碍物感应限速、自动紧急制动、车道偏离防避等功能。在此基础上，特斯拉还提供主动巡航控制、辅助转向、自动变道、辅助驾驶导航等功能，车辆预知风险、预判后，系统能够自主实施转向、制动等决策，尽量避免事故的发生。以Model 3为例，当在并入的临近车道中探测到车辆时，Autopilot便会触发侧撞预防功能（转向干预），并保障车辆自动转向行驶到一个更安全的位置。
主动安全系统+Autopilot，带来的安全性提升是立竿见影的。NHTSA公布的最新数据显示，在美国每行车674万公里，平均会发生8.66次事故。而这个数据，在使用了Autopilot的特斯拉车主中仅为1次；没有使用Autopilot但有主动安全功能参与的驾驶中，事故约为2次。也就是说，特斯拉的Autopilot让行车安全水平达到平均水平的8.66倍。
特斯拉2021年第一季度车辆安全报告
当然，安全只是一个底线，对于交通，我们还需要解决很多问题，其中最亟待解决的就是“浪费”问题。每天，全世界有500多万个小时被浪费在交通堵塞上，有1700平方公里的土地面积，因为人们用不到而被停泊的车辆白白占用。
因此，特斯拉研发FSD，不仅希望让交通事故将不复存在，也希望我们可以更高效地使用交通资源，极大地缓解拥堵和土地占用问题。
FSD成长秘诀：硬件+软件+数据
一个没有交通事故和拥堵的世界，听起来不太现实。不过，特斯拉以目前最接近量产、最现实、最能大范围适配的自动驾驶技术，让这个想象逐渐落地。
特斯拉的芯片已经经过3次迭代，目前最新的Full Self-Driving Computer上搭载了特斯拉自主研发的两枚芯片，也就是Autopilot3.0硬件，性能比2.5版本芯片强大21倍。
不同芯片针对环境都拥有不同的指令算法特征，简而言之，有自己的特长。AI芯片，在图像识别等领域有着独特优势，其计算方式为矩阵或vector的乘法、加法，配合一些除法、指数等算法。而CPU则适合于不同领域的复杂算法，比如计算机服务器领域；GPU虽然也是针对图像渲染的算法，但其特性不符合神经网络。
特斯拉研制的FSD芯片中，其中NNA（NPU）处理器即是为AI算法而存在的。
注：
2017年8月，FSD芯片设计完成
2017年12月，第一次试验芯片并成功
2018年4月，测试并改进芯片
2018年7月，获得量产合格
2018年12月，设备装车并测试成功
2019年3月，Model S和Model X生产线安装FSD芯片
2019年4月，Model 3生产线安装FSD芯片
相较于HW2.5，FSD电脑将算力提升至了144TOPS，每秒处理的图片速度提升至2300帧。
算力的大幅提升，目的在于处理海量的图像信息，特斯拉的自动驾驶辅助系统之所以能够快速迭代和提升体验，就在于通过各类不常见但仍可能存在的“边角案例”情况，再通过（神经网络）深度学习让系统能够处理越来越多的驾驶场景。
深度学习，简单来说就是通过硬件模拟人类大脑神经网络系统学习机制的一种学习方式，类似于人们对于外界事物逐渐熟悉和学习的过程。特斯拉通过不断输入数据，人工或自动标注出正确“答案”，令其不断自我“进化”，从而快速提供识别率，进而不断覆盖所有的驾驶场景。
每当车辆在遇到各类“边角案例”时，也就是遇到一些比较“棘手”的驾驶场景，或驾驶员的操作与系统“预想”操作不一致时，车辆都会脱敏匿名将实际情况上传给特斯拉云端服务器，通过庞大的集中算力进行深度学习以优化系统。当然，系统也为用户提供了不上传数据的选项，所有上传至云端的数据均为脱敏、匿名处理后的数据。
相比更加依赖车队测试的企业，特斯拉FSD学习过程的优势在于绝大部分数据是由真正行驶在路上的车辆收集的，只有小部分来自测试车队，更加贴近车主日常驾驶场景，而这个数据正在呈指数级增长。
早在2020年4月，特斯拉启用Autopilot的行驶里程就已经突破48亿公里。专家预测，这个数字将在2021年超过80亿公里。有机构粗略计算，如果用户平均每天驾驶约一个小时（每辆车8个摄像头），车队每月大约会产生1.968 亿个小时的视频，这样庞大且高质量的数据量，是全球任何车企都无法比拟的。
为了处理巨量驾驶数据，特斯拉将把针对自监督学习技术的研发提高到绝对优先级。特斯拉启动了一个代号为Dojo 的重大项目，它是一台超强的训练计算机，处理的数据不再停留在图片层面，而是针对视频类的数据，能够以较低的成本实现算法性能的指数级提升。
感知系统新思路：比雷达还要灵敏的视觉方案
自动驾驶系统，传感器得到的数据是一切的基础，不过不同的传感器各有不同优劣势。对于特斯拉而言，其实取缔毫米波雷达是早晚的事。因为早在2019年的“自动驾驶大会”上，特斯拉就已经公布了一些细节。
毫米波雷达（Radar）的优势在于对距离、速度等信息的判断，不过通过算法的优化，特斯拉已经能够通过摄像头实现该目的。
但特斯拉并没有急于取消Radar，而是在此之前，通过Radar来判断我们的视觉方案是否能够准确得知距离、速度等信息。
能够替代Radar给出距离、速度等信息还只是其中一个理由，另一个更关键的理由在于，虽然越多的传感器经过融合算法后，能够提供相对越全面的环境信息，但问题是当不同传感器给出的信息对决策来说是互相矛盾时，就会出现各类问题。
特斯拉经过实际测试和对比，通过纯视觉方案不仅能够提供与Radar一样的信息，并且还将体验优化提升了很多。
在前车紧急制动的场景下，纯视觉方案没有出现Radar那种信息中断和误判的情况，非常线性，从而能够提供线性的制动决策，带来更佳的使用体验。
注：黄色线条代表毫米波雷达感知的距离、速度、加速度图像；蓝色线条代表纯视觉传感器的数据结果。
而在通过立交桥下的场景中，由于Radar的垂直分辨率很低，所以容易导致系统误判空中的物体为障碍物；而纯视觉方案则完全不会出现该问题。
还有一种比较常见的情况就是对静止物体的判断。对于毫米波雷达来说，前方车辆停靠在路边，导致识别较晚，在距离车辆110米时才感知到前方停有卡车。而纯视觉方案在距离车辆180米的时候就已经识别了该车辆。
在经过技术推论、实际验证等多个环节后，特斯拉纯视觉方案的可行性已经得到了证明。对于特斯拉而言，无论是产品还是自动驾驶系统，规模化都是核心要素之一，在各类自动驾驶方案中，纯视觉方案的适应性和潜在覆盖驾驶场景都是最全面的。
今后，特斯拉会加快Dojo的建立，通过海量的算力和人工智能自动标注技术，将处理数据的速度和能力再度提升一个台阶；HW4.0硬件也正在研发筹备中，未来，特斯拉的自动驾驶系统的能力，仍在高速进化。
（李显杰 ）
加载中,请稍侯......