从Autopilot到FSD，特斯拉自动驾驶如何进化？

美国当地时间7月10日，特斯拉正式向约2000名美国用户推送了“完全自动驾驶”FSD Beta V9版本。该版本的吸睛之处在于其抛弃毫米波雷达，采用纯视觉的自动驾驶解决方案，这与其它厂商使用激光雷达、摄像头等多种感知硬件的做法背道而驰。

特立独行背后，特斯拉自动驾驶到底有一套怎样的发展逻辑？它为什么能成长如此之快？未来又会成长为什么样子？7月22日，特斯拉在一场以智能化驾驶为主题的T-talk线下交流会中分享了答案。

安全是底线

特斯拉的愿景是“加速世界向可持续能源的转变”，通过造好车、卖好车，形成可持续的商业模式，将盈利用于研发创新，带动更多厂商研发制造高品质的纯电动智能汽车，形成产业创新，最终让可持续能源的世界加速到来。

而调查显示，全球每天有3万余人死于交通事故。因此对于“好车”的概念，特斯拉认为首先是必须建立在安全的基础之上。

除了车身结构带来的被动安全方面的优势，特斯拉在事故预防方面全系标配主动安全配置。每辆特斯拉车型，均有侧撞预警、盲点碰撞警报、前撞预警、速度限制警报、障碍物感应限速、自动紧急制动、车道偏离防避等功能。

在此基础上，特斯拉还提供主动巡航控制、辅助转向、自动变道、辅助驾驶导航等功能，车辆预知风险、预判后，系统能够自主实施转向、制动等决策，尽量避免事故的发生。以Model 3为例，当在并入的临近车道中探测到车辆时，Autopilot便会触发侧撞预防功能（转向干预），并保障车辆自动转向行驶到一个更安全的位置。

NHTSA公布的最新数据显示，在美国每行车674万公里，平均会发生8.66次事故。而这个数据，在使用了Autopilot的特斯拉车主中仅为1次；没有使用Autopilot但有主动安全功能参与的驾驶中，事故约为2次。也就是说，特斯拉的Autopilot让行车安全水平达到平均水平的8.66倍。

每天全世界有500多万个小时被浪费在交通堵塞上，有1700平方公里的土地面积，因为人们用不到而被停泊的车辆白白占用。

因此，除了安全的底线，特斯拉方面介绍，研发FSD不仅希望让交通事故将不复存在，也希望可以更高效地使用交通资源，极大地缓解拥堵和土地占用问题。

FSD的高速成长秘诀

特斯拉正在通过接近量产、最现实、最能大范围适配的自动驾驶技术，推动一个没有交通事故和拥堵的世界变为现实。

特斯拉的Autopilot在不断进化，其芯片已经经过3次迭代。最早的1.0数据处理单元包括1颗英伟达Tegra和1颗Mobileye Q3；Autopilot2.0抛弃了Mobileye芯片，采用1颗英伟达Tegra Parker芯片和1颗Pascal架构GPU；2.5版本则多了1颗英伟达Tegra Parker芯片；特斯拉最新的Full Self-Driving Computer上搭载了两颗自主研发的加速芯片，它就是Autopilot3.0硬件，将逐步取代现款车型上装配的Autopilot2.5硬件。

 特斯拉为什么要放弃第三方芯片，选择自研芯片？中信证券在研报中分析指出，2016年7月，由于安全事故，特斯拉停止与Mobileye合作，车辆采用英伟达自动驾驶芯片。主要原因为一方面不满于Mobileye进程缓慢，另一方面不满于Mobileye利用特斯拉车主驾驶数据来改善芯片算法。2017年12月，马斯克向外界透露特斯拉正在研发自动驾驶芯片，主要原因为英伟达自动驾驶芯片解决方案主要依靠GPU，功耗较大。

据介绍，特斯拉Autopilot 3.0硬件，性能比2.5版本芯片强大21倍。算力的大幅提升，目的在于处理海量的图像信息，特斯拉的自动驾驶辅助系统之所以能够快速迭代和提升体验，就在于通过各类不常见但仍可能存在的“边角案例”情况，再通过（神经网络）深度学习让系统能够处理越来越多的驾驶场景。

深度学习简单来说就是通过硬件模拟人类大脑神经网络系统学习机制的一种学习方式，类似于人们对于外界事物逐渐熟悉和学习的过程。特斯拉通过不断输入数据，人工或自动标注出正确“答案”，令其不断自我“进化”，从而快速提供识别率，进而不断覆盖所有的驾驶场景。

每当车辆在遇到各类“边角案例”时，也就是遇到一些比较“棘手”的驾驶场景，或驾驶员的操作与系统“预想”操作不一致时，车辆都会脱敏匿名将实际情况上传给特斯拉云端服务器，通过庞大的集中算力进行深度学习以优化系统。当然，系统也为用户提供了不上传数据的选项，所有上传至云端的数据均为脱敏、匿名处理后的数据。

相比更加依赖车队测试的企业，特斯拉FSD学习过程的优势在于绝大部分数据是由真正行驶在路上的车辆收集的，只有小部分来自测试车队，更加贴近车主日常驾驶场景，而这个数据正在呈指数级增长。

早在2020年4月，特斯拉启用Autopilot的行驶里程就已经突破48亿公里。专家预测，这个数字将在2021年超过80亿公里。有机构粗略计算，如果用户平均每天驾驶约一个小时（每辆车8个摄像头），车队每月大约会产生1.968 亿个小时的视频，这样庞大且高质量的数据量，是全球任何车企都无法比拟的。

为了处理巨量驾驶数据，特斯拉将把针对自监督学习技术的研发提高到绝对优先级。特斯拉启动了一个代号为Dojo 的重大项目，它是一台超强的训练计算机，处理的数据不再停留在图片层面，而是针对视频类的数据，能够以较低的成本实现算法性能的指数级提升。

特立独行的纯视觉路线

自动驾驶系统，传感器得到的数据是一切的基础，不过不同的传感器各有不同优劣势。对于特斯拉而言，其实取缔毫米波雷达是早晚的事。因为早在2019年的“自动驾驶大会”上，特斯拉就已经公布了一些细节。

毫米波雷达（Radar）的优势在于对距离、速度等信息的判断，不过通过算法的优化，特斯拉已经能够通过摄像头实现该目的。但特斯拉并没有急于取消Radar，而是在此之前通过Radar来判视觉方案是否能够准确得知距离、速度等信息。

能够替代Radar给出距离、速度等信息还只是其中一个理由，另一个更关键的理由在于，虽然越多的传感器经过融合算法后，能够提供相对越全面的环境信息，但问题是当不同传感器给出的信息对决策来说是互相矛盾时，就会出现各类问题。

特斯拉经过实际测试和对比，通过纯视觉方案不仅能够提供与Radar一样的信息，并且还将体验优化提升了很多。马斯克曾发推表示，当雷达和摄像头不一致时，视觉的精度要高得多，所以比多传感器融合更加可靠。

在前车紧急制动的场景下，纯视觉方案没有出现Radar那种信息中断和误判的情况，非常线性，从而能够提供线性的制动决策，带来更佳的使用体验。

而在通过立交桥下的场景中，由于Radar的垂直分辨率很低，所以容易导致系统误判空中的物体为障碍物；而纯视觉方案则完全不会出现该问题。

还有一种比较常见的情况就是对静止物体的判断。对于毫米波雷达来说，前方车辆停靠在路边，导致识别较晚，在距离车辆110米时才感知到前方停有卡车。而纯视觉方案在距离车辆180米的时候就已经识别了该车辆。

在经过技术推论、实际验证等多个环节后，特斯拉方面认为，纯视觉方案的可行性已经得到了证明。对于特斯拉而言，无论是产品还是自动驾驶系统，规模化都是核心要素之一，在各类自动驾驶方案中，纯视觉方案的适应性和潜在覆盖驾驶场景都是最全面的。

车云小结

特斯拉方面表示，今后会加快Dojo的建立，通过海量的算力和人工智能自动标注技术，将处理数据的速度和能力再度提升一个台阶。而且HW4.0硬件也正在研发筹备中。所以，特斯拉的自动驾驶系统的能力，仍在高速进化，朝着完全自动驾驶的方向迈进。

特斯拉之所以没有像其它厂商一样选择激光雷达的融合方案，一方面是因为高昂的硬件成本，而且短期内还无法缓解，这跟特斯拉想要尽快实现规模化的想法相悖；而另一方面，特斯拉通过不断丰富产品矩阵，降低消费者门槛，路上已经跑了上百万辆汽车，这些车辆产生的源源不断的数据可以进一步帮助完善智能驾驶系统，而这是其它许多车企暂时无法做到的。因此，特斯拉走出了一条独特的自动驾驶发展路径，不断迭代的FSD还有待更多的检验。