02
FSD依旧难去Beta
FSD的这一部分，没有太多惊喜。量产版FSD依旧遥遥无期，预想的Beta v11版本也没有到来。
不过从技术介绍来看，特斯拉已经开始专门针对长尾问题（Corner Case）下手了，自动驾驶团队详细解读了技术栈，好像在说，你看，自动驾驶这么难实现，也不能怪我总跳票。
通过这场AI Day分享可以看到，特斯拉已经搭建起了一个支撑FSD快速成长的自动驾驶技术栈。
2021年，有2000位特斯拉车主参与了FSD Beta测试，到2022年参与测试的车主已经达到了16万。
2022年对于特斯拉自动驾驶团队是非常卷的一年，全年进行了75778个神经网络模型训练，其中有281个模型对于FSD Beta进行了有效的性能改善。
这场分享，特斯拉主要围绕决策规划、神经网络训练（空间占用、车道＆物体检测），数据训练（自动标注、仿真、数据引擎）等方面的提升进行介绍。
每一个自动驾驶决策的背后，都是基于诸多因素的平衡。规划选择是激进，还是保守，涉及到车辆本身的情况，也涉及到其他交通参与要素，这其中包含了非常多的“关系”处理，不同的物体指标也存在非常多的不同状态，包括速度、加速度、静态等，需要大量的边缘计算支持。
而随着交通关系量的增加，计算量就会越来越大。一组交互关系过程中，要考虑到所有交互指标，计算出最可靠的方案，形成一个决策树。
目前，FSD已经能够将每个操作的运行时间缩短到100微秒，但特斯拉认为这远远不够，后续还要将乘坐舒适度的分析、外界干预度因素加入进来。
特斯拉坚持纯视觉路线，但并非视觉方案就完美，尽管特斯拉有8颗摄像头，在实际交通场景中，也总是会存在一定视野盲区。
因此，在FSD的神经网络系统中，引入了空间占用模型。它以几何语义为基础，通过摄像头校准、减少延迟，分析体积占用如何占用，并渲染到向量空间中，以完整的3D方式来表征现实世界。
此外，复杂的道路结构对于自动驾驶学习来讲也是一道障碍，人类驾驶员在现实世界的通行需要车道线做指导，自动驾驶也是一样。
现实世界道路结构复杂，且有非常多的联结，这大大的增加了数据处理的难度，特斯拉通过车道检测网络，将这些问题转化成计算机能识别的语义。
视觉感知方案往往会产生非常大的数据量，特斯拉开发的数据处理编译器，正在通过更高效的算力利用、引入加速器、引入CPU、减小宽带损耗等方式，进行视频模型训练，已经实现30％的训练速度提升。
在数据标注上，特斯拉表示数据质量和标注质量同样重要，目前正采用人工标注和自动标注结合的模式，实现更细致的标注方案。
在模拟仿真的场景建设上，特斯拉也有了大幅能力提升，模拟场景生成比以前提升1000倍，边缘的几何形状建模更加精细，且可以快速复制现实环境，充分考虑不同的驾驶场景。
