Elon Musk最近宣布，特斯拉正全力攻克自動駕駛技術的最后難關：車輛控制。他再次預言，特斯拉將在今年年底前實現完全自動駕駛。

作為這一計劃的一部分，特斯拉正在轉向更多地依賴神經網絡來控制車輛，以減少C++控制代碼的使用。雖然特斯拉正在積極訓練這些神經網絡，但訓練計算仍然是一個限制因素。

自動駕駛的規劃控制框架和方法，主要包括以下方面：

◎車輛超車規劃與跟蹤

超車是一個涉及車輛側向和縱向運動的復雜任務。超車操作包括換道到超車道、通過前車、換道回原車道等，并需要避免與其他車輛的碰撞。超車規劃涉及車輛動力學和環境約束，以及對周圍障礙物的精確知識。

◎規劃控制整體架構

自動駕駛的規劃控制可分為三個主要層次：任務規劃、行為規劃和運動規劃。任務規劃涉及確定車輛的長期目標和路線，行為規劃涉及制定車輛與其他交通參與者的交互行為模型，運動規劃涉及確定車輛的具體軌跡和動作。

◎規劃方法

常用的規劃方法包括基于圖搜索的算法（如Dijkstra和A*）、采樣點搜索算法（如RRT和PRM）、模型預測控制（MPC）等。其中，MPC是一種基于模型的優化控制方法，可以顯式處理約束條件，并具有較好的控制效果和魯棒性。軌跡產生分為基于傳感器和基于動力學兩類方法，跟蹤則采用幾何法和模型法。幾何法包括Pure Pursuit和Stanley方法，而模型法則是基于MPC的不同方法。

特斯拉希望整個過程能實現端到端（E2E）的控制，這目標頗具野心。近期，特斯拉開始部署超級計算機Dojo，這可能有助于加快訓練支持全自動駕駛（FSD）的神經網絡的速度。Dojo計劃和系統改進速度的加快可能給這一目標帶來一線希望。

不過，只有時間能告訴我們，特斯拉是否能實現其設置的期限并克服自動駕駛的最后一道難題。