特斯拉自动驾驶的底层逻辑(6)

但很快，随着7月底FSD推送新版本V9.1，CC发现升级后的FSD表现出乎他的意料。他又在相同道路进行了七次自动驾驶测试，结果显示，7次中4次都较为顺利完成自动驾驶，但在转弯速度上有些“磨蹭”，没有展现老司机应有的果断，但在综合得分上，新版本Autopilot优于旧版本。
8月16日，特斯拉FSD又升级至新版本V9.2，CC同样抢先测试并上传视频，还是一个路段，不过测试时间改为夜间，他公开表示，此次最明显的改进是Autopilot的加速表现，在转弯时能像人类驾驶员一样果断加速。
前后一个月的时间，纯视觉Autopilot在同一条道路的表现进步迅速，身后正是人工神经网络强悍自学能力的体现。马斯克表示，FSD beta V9.3、9.4都已在筹备中，会根据车主使用情况不断进行细节优化，改善用户体验，并预备在V10版本做出现重大的变化。
03
Dojo上马，模拟极限
需要注意的是，大家惊艳特斯拉纯视觉Autopilot各种老司机操作时，也不能忘记这些路测大部分发生在北美地区，而在非英语地区，比如人口稠密的亚洲地区，其城市道路交通复杂度与地广人稀的北美迥异，而如何让神经网络学会应对各种路况交通，更值得思考。
收集实地数据是方法之一，但前提是你有大量车队在该地区驾驶，另一种解决方法则是对自动驾驶进行仿真测试。仿真，简单讲就是利用现实数据，将真实世界的实时动态景象，在计算机系统实现重新构建和重现。
除了能模拟不同城市的交通路况，而且仿真测试还能模拟一些极限场景，比如各种突发交通事件或者极为罕见的交通路况。在AI DAY上，特斯拉工程师举了具体例子，包括有行人在高速路上奔跑、行人数量庞大、或者非常狭窄的驾驶道路。
这些案例往往非常极端，在日常驾驶场景中出现的概率也微乎其微，但正因为此，通过仿真来训练神经网络才有真正价值，而只有通过训练，神经网络才能学会正确应对。
为了能真正起到训练作用，这些仿真测试必须充分还原现实场景，包括道路上各种行人、车辆、绿化林、路障、信号灯等等，几乎包含你在路上见到的所有交通要素。目前特斯拉已创建了3.71亿张车内网络训练的图像，以及4.8亿个标签，并且数据规模还在快速扩张中。