“释放”识别红绿灯/路标停车，特斯拉全自动驾驶还差最后一步

特斯拉的全自动驾驶(FSD)系统正在进行小范围新功能释放，现在一些车辆已经可以在红绿灯和停车标志前自动停车。

一位特斯拉车主最近在推特上上传了一段视频，显示Model 3可以检测到一组交通灯（会提前作出提示），并自动停车。相应的提示也显示在中控大屏。有趣的是，特斯拉CEO埃隆·马斯克转发了这张照片。

而要让汽车在停车标志前静止后继续前进，只需轻踩油门。这项新功能是实现全自动驾驶所需的一系列功能之一。

这套系统包括三个主要功能：停车场的低速自动泊车、街道的中速巡航（包括更改最快的路线导航、探测交通灯、停车标志、行人通道和环形路），以及高速公路的自动驾驶（包括变道和出入匝道）。

街道的中速巡航被视为特斯拉全自动驾驶的最后一块拼图。当然，如果要最终得到监管机构的认可，它还需要变得完美，或者尽可能接近完美。

目前还不清楚这项最新功能何时会正式官宣推出。

一、新的里程碑：3D自动标注

此前，马斯克估计FSD全自动驾驶功能将在2019年底完成全部功能测试，并于今年4月投入使用。考虑到，FSD的最后一步（城区道路自动驾驶）是特别复杂的系统，马斯克曾表示，大量的工作被投入到确保基础软件的安全运行。

今年2月，马斯克还邀请开发者申请加入特斯拉自动驾驶团队，进行一场“黑客马拉松”，寻求加快自动驾驶功能的全面测试。

除了上述功能，在底层的基础技术方面，特斯拉的3D标签工作是其全自动驾驶功能开发的重要组成部分。

埃隆·马斯克最近证实，正在完成Autopilot核心基础代码和3D标注的工作，基于其超过22亿英里的真实驾驶数据。

3D标注被作为特斯拉实现全自动驾驶的下一个里程碑技术。

“在标识方面，所有8个摄像头同时使用视频进行标识，比原有系统提升三个数量级的效率。“特斯拉的人工智能主管安德烈•卡帕西(Andrej Karpathy)表示，标注数据是一项成本极高的核心技术。

此前，大多数人工智能及自动驾驶公司采用人工处理方式，但特斯拉一直在尝试不同的机制来完善自动化标注平台。

比如，在预测其他车辆切入本车道场景，特斯拉利用其车队获取此类可能造成事故的数据。然后，这些信息被自动注释并用于训练神经网络，而神经网络又从可识别的模式中自我学习。

当涉及到对象检测时，根据Karpathy的说法，情况也是如此。特斯拉从其车队获取数据，以了解更多关于不同物体和道路上的异常情况。

有了自动3D标注技术，神经网络可以更有效地处理信息，甚至可以学习在路上遇到的最罕见的情况，通常被称为边缘案例。

众所周知，自动驾驶必须学会识别道路上的无数物体，从树枝、垃圾、动物到人。识别的下一步，是系统需要立即决定何时减速、转向或正常加速。

这对开发者来说是一个持续的挑战，在此前的自动驾驶路测中，很多的系统脱离都是因为在道路上检测到不明物体，自动驾驶的决策出现犹豫。

这个问题在2018年3月的一起致命事故中表现得很明显，事故涉及一辆由Uber运营的自动驾驶测试车。当时，感知设备和软件识别出了一名行人，但认为这是假阳性，未能及时转向。

此外，在如何帮助进行路径规划预测方面，基于从真实驾驶中收集的轨迹，神经网络可以改善其驾驶行为，比如在接近一个它看不到的角落时。

所有这些都是实现完全自动驾驶能力的一部分。在过去一年左右的时间里，特斯拉通过3D标注技术的改进，极大地改善了配备了FSD硬件的车辆驾驶视觉化，包括识别交通灯、垃圾桶和详细的道路标记等。

此外，有迹象显示，新的3D标注技术还将导入到特斯拉的导航地图（可能是高清地图），以类似众包的方式在现有地图上标注数据。

二、雷达点云+3D视觉

不过，和Waymo等自动驾驶公司使用激光雷达来进行3D标注（摄像头用于2D标注）不同，特斯拉仅仅基于摄像头来实现3D标注，这是和其他公司最大的差异。

Mobileye在今年初的CES展上证实了这种可行性。

当时，Mobileye播放了自动驾驶汽车在以色列耶路撒冷街道上行驶约20分钟的视频，仅搭载12个摄像头，没有其他传感器。

Mobileye公司负责人表示，他们的技术可以从2D相机图像创建3D模型，帮助自动驾驶系统更好地感知环境。功能实现基于两颗最新的自动驾驶EyeQ5芯片完成。

而特斯拉的做法，可能是利用依靠毫米波雷达来产生点云，并辅助摄像头进行定位。按照此前披露的一些信息，在使用和其他汽车制造商相同的雷达硬件基础上，特斯拉用软件的方式“解锁”了6倍的雷达目标，这样每个目标有更多的信息。

其次，特斯拉将这些每十分之一秒发生一次的雷达快照组装成一个环境的3D模型。由于很难从一帧图像中分辨出一个物体是运动的还是静止的，也很难分辨出虚假的反射。

特斯拉通过比较几个连续的帧与车辆的速度和路径，来判断障碍物是否是真实存在，并评估碰撞的可能性。

在此前的功能逻辑中，特斯拉基于雷达来做早期的轻度制动，即使相机没有注意到前方的物体。随着系统置信度的提高，当系统发生碰撞的可能性接近99.99%时，系统的制动力将逐渐增大到最大。

这可能不能完全避免碰撞，但碰撞速度将大幅降低到不太可能对车内人员造成严重伤害的程度。此前，特斯拉也可以接收从前一辆车下穿过的雷达信号，使用脉冲信号和ToF原理来区分信号。

不过，这项技术还需要磨练，毕竟从搭载雷达开始，特斯拉这几年还是出现了几次没有识别到横向行驶卡车的情况而造成事故。

三、软件迭代

根据特斯拉的Autopilot人工智能网站显示，通过对大数据吞吐量、延迟、正确性和确定性来优化代码，软件将与硬件紧密集成，并最大限度地发挥硬件的性能潜力，来处理高保真的环境数据。

而作为核心的软件部分，需要在感知、行为预测和路径规划方面实现关键作用。

感知是将所有传感器的信息融合后对目标进行分类。它使汽车能够区分行人、骑自行车的人、汽车和其他物体，并理解汽车需要在哪个车道上行驶(即使没有标志)，以及道路标志和交通灯。

感知包括估计物体的速度、距离和方向。而行为预测包括预测被感知对象下一步可能做什么。

例如，一个行人可能过马路，或者一辆汽车可能驶入同一车道。如果一个骑自行车的人用手势来表示转弯，汽车也需要作出判断。

路径规划则是根据感知和行为预测来决定下一步做什么。它告诉汽车是移动还是停止，以什么速度前进，去哪里。

为了完成这些任务，软件需要通过使用不同类型的道路、天气条件和边缘情况场景进行长时间的测试。

特斯拉的软件利用了道路上数十万辆私家乘用车的规模优势，通过捕捉它们在驾驶过程中产生的所有有价值的数据，并将深度神经网络算法通过不断训练应用到未来的实际决策中。

考虑到马斯克把自动驾驶视为特斯拉高利润的关键，“随着我们接近全自动驾驶，这将变得越来越有吸引力。”马斯克表示。

不过，全自动驾驶的最后一步将是最难的监管环节。

考虑到目前欧美疫情发展仍处于上升周期，特斯拉也为工厂的停产和裁员调整“焦头烂额”，恐怕延迟是早晚的事。