全球快讯:特斯拉推出FSD Beta 10.69

盖世汽车讯 据外媒报道，特斯拉周末已向第一轮测试人员发布了其高级驾驶辅助系统FSD Beta 10.69，具体发布说明如下：

车道保持

新版本向Vector Lanes神经网络添加了一个新的“深度车道引导”模块，将从视频流中提取的特征与粗略的地图数据（即车道数和车道连接体）融合在一起。与之前的模型相比，这种架构将车道拓扑上的错误率降低了44%，从而在车道及其连接变得明显之前实现更平滑的控制。该方法可以使Autopilot的每一次驾驶都与真实驾驶员一样，但以一种足够日常的方式适应道路变化。

(资料图片)

致力实现平稳驾驶

通过在轨迹规划中更好地建模系统和驱动延迟，新版本可在不牺牲延迟的情况下提高整体驾驶平稳性。轨迹规划器现在可独立考虑从转向命令到实际转向致动的延迟，以及从加速和制动命令到致动的延迟，从而使车辆驾驶的模型更加准确。这允许更好的下游控制器跟踪和平滑度，同时还允许在苛刻的操作过程中实现更准确的响应。

通过改善交通信号灯与滑移车道间的关联，以及让行标志与滑移车道间的关联，新版本可提高受保护的右转的平稳性。当没有相关物体存在时，关联改善可减少错误的减速，并且当物体存在时改善让行位置。

通过基于行人和骑自行车者的运动来更好地理解意图，减少人行横道附近的虚假减速。

在物体可能穿过自我路径的所有十字路口启用慢速行驶以提高可见性，无论是否存在交通管制。

通过允许轨迹优化中的动态分辨率，以更多地关注需要更精细控制的区域，提高了在具有交叉物体的关键场景中停止位置的准确性。

通过考虑前车的颠簸，减少从停止到开始的延迟。

Chuck的左转

在存在高速十字路口交通（“Chuck Cook风格”，即无保护左转）的情况下，车辆在接近和离开中间十字路口区域时改进了无保护左转，并具有更合适的速度曲线。这是通过允许优化的初始加速度来完成的，以在需要在高速物体前面行驶时模仿人类的踏板压力。此外，新版本还改进了接近此类安全区域的横向轮廓，以允许更好的姿势，从而很好地对齐以离开该区域。最后，新版本改进了与正在进入或等待在中间十字路口区域内的对象的交互，更好地建模了它们的未来意图。

安全第一

新版本添加了对来自Occupancy Network的任意低速移动量的控制，从而可以更精确地控制长方体图元无法轻易表示的更精确的对象形状。这需要预测每个3D体素的速度。目前已可以控制缓慢移动的不明飞行物。

在慢速行驶以提高能见度时使速度曲线更加舒适，以便在保护可能被遮挡的物体时更顺畅地停止。

通过更好地处理前方地图速度变化来提高进入高速公路时的速度，从而增加并入高速公路的信心。

通过根据预期制动曲线评估其当前运动状态，更快地识别闯红灯者。

特斯拉FSD“大脑”改进

升级Occupancy Network以使用视频而不是单个时间步的图像。这种时间背景允许网络对临时遮挡具有鲁棒性，并能够预测占用流量。此外，通过语义驱动的异常值拒绝、困难示例挖掘以及将数据集大小增加2.4倍来改进基本事实。

升级到新的两阶段架构以产生对象运动学（例如速度、加速度、偏航率），其中网络计算被分配O（对象）而不是O（空间）。这将远处十字路口车辆的速度估计提高了20%，同时仅使用十分之一的计算量。

通过完整的矢量车道神经网络更新，将自我相关车道的几何误差降低了34%，将十字路口车道的几何误差降低了21%。通过增加每个摄像头的特征提取器、视频模块、自回归解码器的内部结构的大小，以及改善车道精细位置的硬注意力机制，消除了网络架构中的信息瓶颈。

通过将自动标记的训练集的大小增加一倍，动物找回率提高了34%。

通过让拓扑标记参与自回归解码器的注意力操作，以及增加训练期间应用于分叉标记的损失，将分叉车道的召回率提高了36%。

通过改进用作神经网络输入的车载轨迹估计，将行人和骑自行车者的速度误差降低了17%，尤其是在自我转弯时。

改进了对象检测的召回率，通过调整训练期间使用的损失函数和提高标签质量，消除了26%的远处交叉车辆的漏检。

通过将偏航率和横向运动纳入似然估计（likelihood estimation），改进了高偏航率场景中的对象未来路径预测。这有助于物体进入或远离自我车道，尤其是在十字路口或切入场景中。

特斯拉将分阶段推出FSD Beta v.10.69。上周末约有1,000名测试人员参与，但未来还会有更多人参与到测试中，届时特斯拉将上调FSD Beta的价格。