你对特斯拉了解多少？现在生活水平越来越好，越来越多的人可以开车。特斯拉是中高级人员最喜欢的汽车品牌，特斯拉实现自动驾驶只是一步之遥。对你不满意，小边很喜欢，下面会给你详细的！

视觉能力大的视觉能力？

特斯拉正在一步一步地给出自己的答案。最近，特斯拉DeepScale提交新的专利申请，朝向Autopilot重写自动驾驶软件又迈进了一步。

去年10月，总部位于旧金山DeepScale为了帮助开发自动驾驶技术，被特斯拉收购。此前，这家初创公司的主导产品是一款名为Carver21的自动驾驶AI软件。

这一次，特斯拉的专利申请被称为使用增强数据培训机器模型的系统和方法Autopilot该软件使用其8个摄像头来识别环境，也被称为3D标签”。

感知，水很深

在典型的机器学习应用中，训练计算机模型的图像集可能代表在许多不同的环境中捕获的具有不同传感器特性的对象。

这些传感器也可能在不同的外部参数上有所不同，感器的位置和方向与拍摄图像时的环境相比。这些不同类型的传感器特性使得正确训练计算机模型更加困难。

换句话说，这意味着自动驾驶系统可以通过编程识别特定对象的特征，但这些特征可能并不总是与相机在特定环境或情况下记录的特征相匹配，从而使传统系统混乱。

特斯拉申请的专利列出了焦距、透镜类型、预处理或后处理、不同的软件环境和传感器阵列硬件。

根据专利申请，特斯拉和DeepSpace解决方案是在软件中引入预增强成像，以显示物体在不同环境中的性能。

这样做的目的是希望软件能够准确地纠正不同的环境本身。后续的训练是基于图像和图像增强的集合。

这意味着特斯拉的新软件将能够收集车辆环境信息，计算条件如何影响成像传感器捕获对象，增加捕获图像，并相应更新软件参数以识别对象。

这个软件和对Autopilot和3D标签技术的升级可能意味着特斯拉在开发自动驾驶汽车方面迈出了关键一步。

此前，特斯拉已经开始在所有新车上自主研发FSD专全自动驾驶而设计的芯片取代了之前的英伟达芯片。

显著提高性能是该芯片的一个主要特点。除了改善特斯拉现有的自动辅助功能外，更重要的是迈出完全自动驾驶的关键一步。

在这一点上，Waymo应该说和特斯拉走到了一起。

为了充分利用边缘场景，进一步提高自动驾驶系统的感知，Waymo与谷歌大脑的团队合作，扩展自动数据增强研究，并在数据集上进行测试。

扩展数据背后的原理很简单：假设你有一张狗的照片。照片可以通过旋转、剪切、镜像、颜色变换等各种图像进行变形和变换，但这并不能改变狗的图像的事实。

在2019年，Waymo基于图像的分类和检测任务开始应用自动数据增强技术，包括如何改进激光雷达3D检测能力。

提高数据效率尤为重要，因为这意味着Waymo加快训练过程，改进第五代Waymo Drive感知系统。

二、数据+神经网络驱动

然而，特斯拉显然没有使用新的计算能力。2018年10月，特斯拉人工智能高级总监安德烈·卡帕西(Andrej Karpathy)表达了他用这个FSD芯片的欲望。

卡帕西说：我们训练大型神经网络运行良好，但由于计算限制，我们无法将其部署到团队中。所有这些都将随着下一次硬件迭代而改变。

但到目前为止，在FSD神经网络和软件上的运行似乎与旧英伟达硬件上的运行几乎相同。

一些业内人士质疑，特斯拉软件和神经网络的发展落后于新硬件的部署。特斯拉很快就解释了这一点CEO埃隆·马斯克的证实。

我们的自动驾驶系统有一个非常重要的基本代码重写，它真正结合了规划、感知、图像识别等。马斯克透露，新的神经网络正在吸收越来越多的问题。

例如，马斯克提到的3D标签技术，又称下一个里程碑技术，比以前的技术提高了两到三个数量级的标记效率同时从车身上携带的八个外部摄像头进行)。

很快，马斯克在去年第四季度财务报告会议上表示，核心自动驾驶软件和人工智能团队非常强大，并取得了巨大进展。

我们刚刚开始充分利用它FSD在计算能力方面，消费者看到的表面进步似乎，但实际上真正发生的是基础软件非常强大。

因此，特斯拉正在基本改进其神经网络架构，以及如何实时推理（这在过去是不可想象的），包括如何自动标记数据来训练这些神经网络。

用户可能看不到他们在整个重写过程中使用它们Autopilot软件有任何进展。特斯拉相关负责人表示，从重写到95%的批量生产部署都准备好了，没有什么可以提前交付给用户。只有当软件开发人员跨越最后一英里时，才能看到明显的进展。

目前，特斯拉仍然拥有世界上最大的数据采集团队，这是其最大的领先优势。包括30多万辆车FSD配备英伟达硬件的芯片新车和40多万辆车队。

相比之下，自动驾驶的领导者Waymo只有1000多辆测试车。这为特斯拉的神经网络奠定了巨大的数据优势。

这意味着特斯拉可以使用各种自动化技术来捕捉罕见或令人困惑的视频数据。

此外，特斯拉的影子模式也借用了司机的手动标记工具。例如，当司机遇到神经网络无法检测到的障碍物时，该动作将被视为标签。

事实上，许多司机的行为给他们周围的现实世界贴上了标签。特斯拉拥有超过70万名免费司机，远远超过任何手动标记外包团队。

视频数据神经网络训练的一项新技术是自我监督学习。自我监督意味着不需要手动标签学习，比如从过去的视频帧中预测未来的视频帧。

或者，更准确地说，预测未来视频帧的多个可能序列，每个序列指定一个概率。这使得神经网络对现实世界有了更丰富、更强烈的理解。

长期以来，感知决策的另一个瓶颈是预测。预测未来各种可能的行为，并为每种行为分配一个概率。只要观察到未预测或低概率的行为，考虑到团队可以实现实时操作预测并随时触发上传。

最典型的案例是DeepMind的AlphaGo和AlphaStar，通过模仿顶级玩家的技能，可以超越人类的能力。

特斯拉也可以做类似的事情。通过模仿真人驾驶，可以加强模仿。在这种情况下，学习是通过反复测试一些既定目标来实现的。

特斯拉所做的就是把所有的问题都变成学习问题，收集大量的数据。用卡帕西的话说，他的工作是使用深度学习和神经网络(他称之为软件2.尽可能多地取代特斯拉传统的软件1.0”。

这意味着重写基本代码的主要驱动力是使特斯拉的自动驾驶系统采用更多的数据驱动和神经网络驱动。

三、全力以赴

另一个积极的迹象是，特斯拉在自动驾驶方面的研发支出没有受到太多的资金限制。在这一点上，许多传统汽车制造商已经开始做出让步。

根据去年第四季度的数据，特斯拉的现金和现金等价值为63亿美元，2019年的自由现金流为11亿美元。

管理层的指导方针是，公司将在未来季度和年度的基础上基本实现GAAP净利润和自由现金流为正。马斯克一再强调，他正在寻求在对业绩增长构成重大约束的领域投入更多资金。

全自动驾驶是未来利润贡献最大的支撑点之一。

从估值的角度来看，自动驾驶软件最明显的好处是帮助特斯拉尽快推出Robotaxi服务。若能商业化，将在公司财务中发挥重要作用。

一些机构甚至预测特斯拉将如何按照原计划推出Robotaxi预计到2024年，该公司将获得数千亿美元的额外收入。

一位特斯拉工程师最近说：我们可以肯定，我们正在尽最大努力FSD梦想成真。我们不断加班，尽我们所能，技术本身也在发展。

他透露，新的自动驾驶系统基本上消除了特斯拉过去在驾驶员辅助系统中犯的所有小错误。该软件重写帮助特斯拉将其汽车的8个摄像头视频输入合并成3个D模型使数据处理更容易。

他还用图像隐喻来描述这一进步：人类的眼睛通常处理数据片段并将其发送给大脑，然后将所有信息整合在一起，使人类能够看到整个图片。

特斯拉将能够处理来自所有8个摄像头的信息，并将它们拼接在一起，形成一个真实的360度图像。有了360度的视图，地图可以完全绘制——在以前的旧系统中无法实现。

重写是从3D标记开始，提高了每帧标记的准确性。视频回放以检查标签的准确性。.0硬件版本在整个代码重写中起着关键作用，而1.0或2.0版本无法处理这么多数据。

今年2月，马斯克是个人twitter邀请有能力的人加入特斯拉的人工智能团队。目前，该公司正专注于2020年发布的全部精力FSD承诺所有功能。

毕竟，FSD对马斯克和特斯拉来说，这将是他们总体目标的一步之遥。

以上并不是关于特斯拉实现自动驾驶只有一步之遥的全部介绍，希望以上介绍能对您有所帮助！