特斯拉自动驾驶的底层逻辑(4)

不过，这仅仅是学习一个静态的信号，在汽车驾驶过程中会涌现无数静态和动态的信号，静态如路边大树、路障、电线杆等，动态的有行人、车辆等，而这些信号由摄像机捕捉到后交由神经网络训练、学习。目前特斯拉的自动驾驶神经网络已发展出九大主干神经（HydraNet）和48个神经网络，识别超过1000种目标。
然而，仅仅让自动驾驶AI学会开车还不够，还得让它开得像人类老司机一般驾轻就熟、安全又平稳。
02
摆脱拐杖，Autopilot初长成
任何一位经验老道的司机，都能在不同路况下，轻易判断出前方车辆与我们的距离，从而为保障行车安全而留出一定车距。
但对传感器而言，要想判断物体远近必须要理解物体的深度，不然在他们眼中，距离我们10米和5米的两辆完全一样的车，就会被认为是一大一小的关系。
对此，有些车厂选择激光雷达路线来探测深度，而特斯拉则选择了纯视觉算法，模仿人类视觉来感知深度，不过特斯拉先是打造了毫米波雷达 视觉传感融合路线，直到今年5月，才正式官宣，拿掉毫米波雷达，上线纯视觉版本Autopilot。
此事一出，社会各界一片哗然，很多人不能理解特斯拉为何要拿掉单价才300元、又能为行车安全增添保障的高性价比雷达。殊不知，在特斯拉早期多传感器融合路线中，毫米波雷达的存在就犹如小孩的学步车，只是帮助神经网络来学习训练深度标注（annotate）。
在2019年自动驾驶发布会上，卡帕西是这样介绍毫米波雷达的，他说：“要想让神经网络学会预测深度，最好的方式还是通过深度标注的数据集进行训练，不过相对于人工标注深度，毫米波雷达反馈的深度数据精准度更高”，因此，引入毫米波雷达，实质是用以训练和提高神经网络对深度的预测。
值得一提的是，在他讲解时的背景幻灯片右下角上，清晰地注明了带有毫米波雷达的自动驾驶算法是“Semi-Automonous Self Driving”，翻译过来是，半自动驾驶，明显彼时的特斯拉Autopilot只是个半成品。

直到特斯拉视觉算法在预测物体的深度、速度、加速度的表现，达到可替代毫米波雷达的水平，特斯拉的视觉算法才算真正独立。