Tesla начинает выпуск нового обновления программного обеспечения Full Self-Driving (FSD) Beta, которое включает множество изменений высокого уровня, положительно влияющих на производительность.
FSD Beta позволяет автомобилям Tesla автономно доезжать до места назначения, введенного в навигационную систему автомобиля, но водитель должен оставаться бдительным и готовым взять управление в любой момент.
Поскольку ответственность лежит на водителе, а не на системе Tesla, она по-прежнему считается системой помощи водителю второго уровня, несмотря на свое название. Это была своего рода программа «два шага вперед, один шаг назад», поскольку некоторые обновления приводили к регрессу в возможностях вождения.
Tesla часто выпускает новые обновления программного обеспечения для программы FSD Beta и включает в нее больше владельцев.
В настоящее время в программе FSD Beta участвует более 100 000 человек, и компания планирует расширить ее на всех, кто приобретет доступ в Северной Америке, к концу года посредством еще нескольких обновлений программного обеспечения для доработки системы.
Учитывая, что уже ноябрь, а Tesla обычно доставляет новое обновление FSD Beta как минимум за месяц, мы ожидаем, что Tesla находится в одном-двух обновлениях от обещанного более широкого выпуска.
Сегодня автопроизводитель начал отправлять новое обновление FSD Beta (v10.69.3) сотрудникам для внутреннего тестирования, что обычно означает, что оно скоро будет доступно для бета-тестеров в клиентском парке.
Согласно приведенным ниже заметкам о выпуске, обновление не включает никаких новых функций, но содержит множество высокоуровневых обновлений нейронных сетей Tesla для улучшения общей производительности системы.
Tesla Full Self-Driving Beta Release Notes v10.69.3 Release Notes через Not a Tesla App:
– Обновлена сеть обнаружения объектов до видеопотоков с подсчетом фотонов и переобучены все параметры с использованием новейших наборов данных с автоматической разметкой (с особым акцентом на сценарии с низкой видимостью).
– Улучшена архитектура для повышения точности и снижения задержки, увеличения охвата удаленных транспортных средств, снижения ошибки скорости пересекающих транспортных средств на 20% и повышения точности VRU на 20%.
– Сеть скорости VRU преобразована в двухэтапную сеть, что сократило задержку и уменьшило ошибку скорости пересекающих пешеходов на 6%.
– Сеть атрибутов не-VRU преобразована в двухэтапную сеть, что сократило задержку, уменьшило некорректное назначение полосы движения для пересекающих транспортных средств на 45% и уменьшило количество некорректных прогнозов припаркованных автомобилей на 15%.
– Переформулирована авторегрессионная грамматика Vector Lanes для повышения точности полос на 9,2%, охвата полос на 18,7% и охвата разветвлений на 51,1%. Включает полное обновление сети, где все компоненты были переобучены с использованием в 3,8 раза большего объема данных.
– Добавлен новый модуль «разметки дорог» в нейронную сеть Vector Lanes, который улучшает ошибку топологии полос на перекрестках на 38,9%.
– Обновлена сеть Occupancy Network для выравнивания с поверхностью дороги, а не с эго, для повышения стабильности обнаружения и улучшения охвата на гребнях холмов.
– Время выполнения генерации траекторий кандидатов сокращено примерно на 80%, а плавность улучшена за счет дистилляции дорогостоящей процедуры оптимизации траектории в легкую планировочную нейронную сеть.
– Улучшено принятие решений для перестроений при коротких дедлайнах вокруг направляющих островков за счет более полного моделирования компромисса между отклонением от маршрута и траекторией, необходимой для проезда через область островка.
– Уменьшены ложные замедления для пешеходов возле пешеходных переходов за счет использования лучшей модели кинематики пешехода.
– Добавлено управление для более точной геометрии объектов, определяемой общей сетью Occupancy.
– Улучшено управление для транспортных средств, вырезающих нас из желаемой траектории, за счет лучшего моделирования их поворотов/боковых маневров, таким образом избегая неестественных замедлений.
– Улучшено продольное управление при смещении вокруг статических препятствий путем поиска по допустимым профилям движения транспортного средства.
– Улучшена плавность продольного управления для транспортных средств в полосе движения при сценариях с высокой относительной скоростью, также учитывая относительное ускорение при оптимизации траектории.
– Лучшее время отклика системы «фотоны до управления» сокращено на 26% за счет адаптивного планирования планировщика, реструктуризации выбора траектории и параллелизации вычислений восприятия. Это позволяет нам принимать более быстрые решения и улучшает время реакции.