在以上呈現的一共13條的Release note當中，Tesla的FSD beta團隊展現了一種獨特的量化風格——其中的5條共提供了7處精準的性能改善百分比數字。這里面既包含感知部分的性能提升，也包含規劃和控制部分的性能進步。如果再往前追溯FSD beta在v10以來一共十幾個子版本（小編：似乎FSD beta在v10這個大版本階段已經停留很久了，前所未有）中，涉及精準的性能改善百分比數字更是琳瑯滿目覆蓋自動駕駛體系的方方面面。我們不禁要問why and how，Tesla提供如此具體的性能改善指標？

前段時間知乎上曾經有一個廣泛受到關注的問題，大意是問“對于自動駕駛行業來說，具備哪種核心的技術能力最為關鍵？”各種回答幾乎覆蓋了所有自動駕駛的技術環節，從數據規模到訓練方法，再到感知、規劃和控制模塊，以及各種琳瑯滿目的傳感器和車載計算機、道路覆蓋車用網絡…… 每一個細分的技術賽道上都有為數眾多的擁躉。但似乎沒人關注的是這樣一個事實，不論哪一種技術細節，都是建立在“體系”的基礎之上的，只有選擇確立自動駕駛系統的“體系”在先，后續發展的各種模塊技術才能在體系下協調發展。所以小編的觀點是：單一評論哪一種細分技術在自動駕駛系統中的重要性沒有具體的實際意義，“體系”建設和技術風格的確立，對于長期競爭力的培育才是最重要的。

回到Tesla FSD beta v10.11.2的Release note這個主題上，我們確實看到Tesla依然在堅定地走在：廣泛的量產車型+單純的視覺感知+豐厚的仿真和訓練平臺=通暢且封閉的數據平臺基礎之上的。我們在兩三年前第一次Tesla AI Day 2019上看到的這個“老掉牙”的Data Engine數據架構，依然是Tesla自動駕駛體系發展的核心框架。

圖一【Tesla FSD beta v9-43.png】

在過去的兩年時間里，通過越來越多的信息披露，我們對于Tesla的Data Engine有了更多較為具體的理解。比如從龐大的存量車隊中如何激發Inaccuracy狀態數據上報的機制；Boost倍增后的海量相似場景如何實現自動標注；以及Tesla逐漸曝光的訓練平臺Dojo等等。但Tesla一直維持著關鍵的技術節點屬性不變（小編：堅持純視覺傳感器路線不變，甚至取消了典型的車載雷達），而僅僅做部件規格和性能上的提升，就可以堅持在自己的Data Engine平臺上逼近L4。

可能有很多從業同行已經厭倦了大嘴巴的Elon Musk激進風格，不著邊際的承諾一次又一次落空。但與此同時我們也應該注意到，在領先的自動駕駛技術公司中，Tesla是唯一的技術路線上堅定、市場策略上一貫，客觀上也能同時在量產產品和FSD beta測試范圍內保持不停頓的技術迭代的技術實體……從這個角度看，毫不夸張地說，堪稱碩果僅存。所以，產業內外與其把關注的焦點放在Elon Musk又吹了多少次牛皮、承諾的升級節點遲遲不能兌現上，不如把注意力集中在如何看待Tesla在發展過程中，呈現出來越來越多浮出水面的技術線索上。

圖二【Tesla FSD beta v9-41.png】

上圖2為例，這是一年前當Tesla決定在FSD beta版本上完全放棄Radar之后所做出的技術說明。我們在當期公眾號文章《聯結主義AI技術在Tesla Vision技術體系中的地位和未來》有相對詳細的部分參數介紹，感興趣的讀者可以移步。這些具體的Triggers參數的重要性在于，它讓我們認識到Tesla是如何同時在規模龐大的保有車隊中（200萬輛規模）和活躍度頗高的FSD beta測試車隊中（2000輛規模）抓取關鍵數據的，而非泛泛的所謂“陰影模式”。

從搜集人類駕駛員關鍵駕駛行為和策略的shadow mode，到當研發團隊決定對雷達傳感器做減法時，可以定制和搜集的各種對于視覺傳感器的“校準數據”Trigger。這種不變應萬變的數據閉環能力，恰恰是以機器學習為主的AI的核心要義：只要保證數據搜集的渠道暢通、數據質量足夠好，Tesla就會一直前進。

TeslaFSD beta v10.11.2實測表現亮點

空口無憑，我們在本期文章里還是以FSD beta v10.11.2的實際道路測試觀測為主要內容。在我們能能找到的公開道路測試結果中，去逐一“視覺驗證”v10.11.2的release note是否真的涉及如此眾多的技術改善，以及改善效果？我們選擇了畫面質量和記錄視角一貫是最好水平的@Frenchie，請跟著小編一起觀察FSD beta進化證據的關鍵細節。

1 Creeping profile with higher jerk：

視頻中，當車輛抵近丁字路口并觀察到合適的并入機會時，以往FSD beta中的保守creep動作（小編：creeping，是一種緩慢地、保守地遞進觀察和進入路口區域的低速行駛行為）被取代為更激進和快提速Jerk的左轉進入行為。小編相信這個變化是因為對歷史上FSD beta各版本的行為數據觀察之后得到的修正，也更符合人類駕駛習慣。在城市道路環境下（小編：視頻的實測地點是芝加哥鬧市區），猶猶豫豫將會造成局部的交通擁堵和事實上的不安全境地。

這種creeping行為的明顯改善，或者說果斷，符合FSD beta v10.11.2的release note中的第六條：-6 ?Improved creeping profile withhigher jerk when creeping starts and ends.//小編：改善了車輛進入路口時的creeping profile，增加了更快提速的選項；

2 Improved right-of-way understanding：

視頻中，當車輛行駛在芝加哥較為常見的城市軌道交通支架下行線時，遭受著視覺和電磁信號的雙重惡劣駕駛環境。視覺干擾來自穿透鐵軌投射在路面上的點線陽光耀斑，和路面白色道路分割虛線類似，對于FSD的視覺系統構成非常的考驗；電磁信號的惡劣環境同樣是由于鐵軌系統造成的，巨大的鋼結構和道路兩側的高大建筑物是GPS信號的致命破壞，這是“城市峽谷”+“鋼結構屏蔽效應”的疊加。實際上車主Frenchie在路測中也抱怨Tesla Model 3的GPS系統在芝加哥的鬧市區經常出錯，由于不可忽視的定位誤差，有時會導致Waypoint路徑點之間的線路受到錯誤定位的影響而進入重新路徑計算。

實際上我們在視頻4中也可以看到，當Model 3車輛穿越十字路口時，由于需要即時判別新進路段的道路結構，尤其是在光線的干擾下，Model 3的FSD beta選擇了降速，并明顯有變道行為來修正之前的識別誤差。

這種right-of-way的對于外部環境的理解能力，我們很早就在Tesla FSD beta的路測中觀察到了，隨著證據越來越多也進一步得到證實。Tesla的自動駕駛策略是堅持單車能力，盡可能降低對外界條件的依賴。這個能力體現，符合FSD beta v10.11.2的release note中的第三條：-3 Improved right-of-way understanding if the map is inaccurate or thecar cannot follow the navigation. ?Inparticular，modeling intersection extents is now entirely based on networkpredictions， and no longer uses map-based heuristics.//小編：改善主車對于道路結構識別的即時性，在高精地圖數據失效而無法利用時，以主車識別結果為準。在道路路口場景下，完全依賴主車的即時識別結果；

3 Improved the precision of VRU detections：

視頻5的開始階段，在道路左側的行人先后被轉彎車輛和鐵軌支柱遮擋，但車輛中控屏幕的UI顯示始終沒有丟掉對于這個行人的識別和跟蹤，雖然有時會出現對于目標前進方向預測的失誤，也是短暫的。這個符合去年Tesla AI DAY上的官方展示：即通過Transformer構造的BEV空間信息流中，將每一幀feature通過Feature Queue隊列機制在時間軸上構成連續時間流尺度（小編：也許是10-15s范圍內），對外界事物進行描述；與此同時還需要利用車體姿態的慣性傳感器（INS）輸出，來在上述時間流尺度范圍內，利用Video Queue隊列繼續構造地理上的連續空間尺度（小編：當然這里還有個目標物追蹤的問題需要處理）。如此，在指定的時間+空間范疇內，感知信息將會得到類似上下文context的銜接處理，從而為后端的預測、規劃和控制模塊提供更好的數據輸入。

參照下圖6，感知系統在盡可能模仿人類的視覺+腦能力，不僅僅是看到，并辨識出物體的位置、尺寸、速度和語義信息，還需要在這個基礎上，記住關鍵的、有時效性的外界道路參與者尤其弱勢群體VRU的局部歷史信息，這對于提升系統安全性善莫大焉。Elon Musk在很多場合都會舉這個例子：當你駕駛車輛看到路旁一個小朋友消失在一輛停泊在路邊的公共汽車尾部的時候，你就會特別小心駕駛車輛駛過這部公共汽車的頭部。因為你會擔心這個在視覺上“消失的”小朋友可能會在公共汽車車頭突然出現而來不及剎車，提前降速是一個明智的選擇，也是人類的智慧體現。

圖六【Tesla FSD beta v101102-4.png】

圖6黃色框內所體現的網絡結構，就是構建在BEV俯視圖基礎上的連續時間+空間識別feature，在此基礎之上進一步實現標準的各個識別子任務。還是舉那個小朋友消失在停泊在路邊的大型公共車輛背后的例子：如果Tesla的FSD或者全體車隊可以不斷反饋類似視覺場景（小編：各種孩子、人力車等VRU闖入道路空間并消失在某些障礙后部），那么后臺的Dojo就可以在類似數據標注完備的基礎上，用這種結構化的場景去訓練FSD的規劃模塊——Deep Reinforcement Learning的模塊會在訓練中被系統通過reward獎勵告知，當遇到明確的VRU目標在道路范圍內消失在遮擋物范圍后的場景下，主動降速進入保守狀態反而可以獲得更多的獎勵。如此往復，基于DRL的規劃模塊就會具備類人思考的能力。

回到視頻5，當車輛在路口等候紅燈時，我們也有一個較為全面的視角觀察車輛視覺系統對于外界行人等VRU目標的識別效果觀察，感官上確實做到比之前的版本更好、更流暢和更準確。這個變化符合FSD beta v10.11.2的release note中的第六條：-4 ?Improved the precision of VRUdetections by 44.9%，dramatically reducingspurious false positive pedestrians and bicycles (especially around tar seams， skid marks, and raindrops)。? This was accomplished byincreasing the data size of the next-gen auto-labeler， training networkparameters that were previously frozen, and modifying the network lossfunctions。? We find that this decreases theincidence of VRU-related false slowdowns.//小編：針對VRU-弱勢道路使用者的識別精度提升了44.9%！特別是在各種道路環境干擾條件下，可大幅度降低對于行人和自行車的假陽性錯誤識別結果。這個精準的百分比貢獻來自于下一代auto-labeler自動標注系統所提供大量有效的訓練數據，將之前版本的模型參數進一步改進；

4 More accurate predictions of vehicles：

以上視頻7中，FSD beta主車展示了一次“不同尋常”的變線超車行為。按照路線規劃，主車在直行通過當前路口之后，應該在下一個路口（小編：目測150米左右）執行右轉動作。如果此時主車的自身位置和地圖信息都是清晰和準確的，那么按照路線規劃慣例，在距離右轉路口150m的地方大概率應該保持右側車道行駛（小編：此時道路環境為單向雙車道），而避免主動變入左側車道后無法變回右轉車道。這種情況下，較為保守的跟車行為將會確保安全右轉，應該是執行概率更大的路徑規劃結果。

當主車觀察到本車道前方兩輛車輛實體都出現剎車燈點亮狀態，且前車（小編：兩車中的前車）出現明顯的偏移行為顯示其靠路邊臨時泊車的意圖時，主車開始選擇右側換道超車，并在完成超越之后，且右轉路口未到之前返回左側車道。總體來說，主車的這個行為在這個場景和這個時機下，是一個在效率和風險之間平衡較好的、較為合理的路徑規劃決策。我們在2021年度Tesla AI Day上曾經聽到較為完整的Planning and control module的介紹（by ashok），其中也提及過類似臨近路口如何做便道選擇的介紹。相比較來說，我們認為在視頻7中的換道超車選擇，更多是NN of Planning的選擇，而非傳統的路徑規劃輸出的結果（小編：因為傳統模式比如S-L路線規劃往往更為保守，不會選擇激進的但有可能錯過轉彎路口的規劃結果）。類似行為如果越來越多被觀察到，我們就可以越來越確信龐大fleet所貢獻的各種數據，在后臺Dojo的處理下，對于FSD beta的決策規劃系統訓練，產生了越來越正面的影響。

圖九【Tesla FSD beta v10-11.png】

請注意上圖9中的Neural Net Planner部分。Tesla FSD beta所展現的這種果斷的、類人的換道超車行為，歸功于此部分的決策輸出在很大程度上左右了最終的主車行為。當然，這個變化符合release note當中的第2條和第8條，如下：

-2 ?Use more accurate predictions of wherevehicles are turning， or merging to reduce unnecessary slowdowns for vehicles that will notcross our path.//小編：針對它車行為，提供更精準的掉頭和并線預測，減少主車的非必要剎車行為；

-8 ?Reduced vehicle “parked” attribute error rateby 17%，achieved byincreasing the dataset size by 14%.? Also improved brake lightaccuracy.//小編：將它車狀態標記為“停車狀態”的錯誤率改善了17%，同樣改善了對于它車剎車燈識別的準確率。這是通過不斷擴張的訓練數據庫（增加了14%的有效訓練數據）來達到的；

5 Understanding intersection extents based on network predictions：

以上視頻10，充分顯示了FSD beta決策規劃模塊高度依賴視覺系統即時感知確立道路結構，而非先驗的高精地圖信息。當主車右轉進入四車道道路結構的時候，由于視角和距離的問題，FSD視覺系統的即時感知并無法斷定關鍵的路口道路結構（小編：這里的路口指的是下一個路口）。而近在咫尺，最多目測也就100-150m的十字路口，只會給主車正常行駛提供非常短的預判斷時間。

在這個距離上，主車camera并無法立刻識別下一個路口的道路結構，如果不依賴HDmap的道路結構化信息，那么主車只能選擇直行，并通過camera不斷探查路口的道路結構。這上圖11這個具體的場景下，主車是要穿越路口直行，但他所在的目前這根車道在路口布局中是公共汽車專用車道（路口為紅色）。但顯然在這個距離上，主車并未意識到這一點，依然選擇直行。

在抵近路口的過程中，主車FSD beta開始觀察到紅色路面，訓練的結果令它意識到這是公共汽車專用道，但與此同時，左側的直行車道分割線進入實線狀態。這意味著向左的變道行為已經不被交通規則所支持，所以車輛的規劃模塊輸出開始搖擺指向右側車道。但同樣很快他發現地面的指示表示顯示右側車道是一根右轉車道。FSD beta開始輸出搖擺不定的路徑規劃結果……直到人類司機接管。

根據這個現象，我們可以推測，如果FSD beta仰仗HDmap先驗信息，那么我們不應該看到這個現象：隨著逐步接近路口，路徑規劃模塊開始搖擺不定。依賴HD map的好處很多，包括讓FSD beta在足夠安全的距離上就可以執行左側換道，正常通行。但依賴HDmap同樣會降低自動駕駛系統的整體魯棒性，在沒有HDmap的區域（或者HDmpa未及時更新的區域）行駛，則意味著自動化水平的嚴重降級。

所以有人選擇全力建設盡可能廣泛和即時的HDmap覆蓋，有人選擇干脆不依賴HDmap尤其在路口區域，執行即時測繪……這就看各家的系統設計思路了。

以上觀察也符合release note中的第三點：-3 ?Improved right-of-wayunderstanding if the map is inaccurate or the car cannot follow the navigation。? In particular， modelingintersection extents is now entirely based on network predictions and no longeruses map-based heuristics.//小編：改善主車對于道路結構識別的即時性，在高精地圖數據失效而無法利用時，以主車識別結果為準。在道路路口場景下，完全依賴主車的即時識別結果；

此處另一個值得關注的問題是圖11所顯示的芝加哥鬧市區，嚴重的城市峽谷可能會產生不穩定的GPS定位效果。這個必然會在路徑導航（注意，不是路徑規劃層面）上產生干擾。我們觀察到FSD beta也有這個問題，會在特定節點突然重啟路徑路由，大概率是因為GPS信號偏差嚴重所誘發。

對于FSDbeta v10.11.2一個公允的評價

FSD beta進入v10之后，大版本迭代的節奏慢了下來。V10階段已經推送了11個小版本，但Elon Musk所多次提到的v11仍未到來。我們等到的是3月份Karpathy的停職休假。雖然不太可能是離職前奏，但在關鍵時刻，作為感知系統總監，去休一個三四個月的長假……還是挺令人意外的。引發小編最大的思考還是這個問題，對于FSD beta來說，過于嚴苛的單一傳感器配置，是否在感知層面引發難以克服的技術瓶頸期？而Ashok又能在這個感知結果下，帶領規劃和控制團隊走多遠呢？

也許現階段，能讓人暫時保持信心的，就是FSD beta高度數字量化的release note了！Tesla落在實處的硅步，一直都還在。

審核編輯：劉清