智能汽车专题：汽车行业智能驾驶研究框架：（三）特斯拉专题

最新推荐文章于 2024-07-23 13:54:14 发布

人工智能学派

最新推荐文章于 2024-07-23 13:54:14 发布

阅读量808

点赞数 19

文章标签：汽车

本文链接：https://blog.csdn.net/GPT20236688/article/details/136271963

版权

今天分享的是智能汽车系列深度研究报告：《智能汽车专题：汽车行业智能驾驶研究框架：（三）特斯拉专题》。

（报告出品方：财通证券）

报告共计：32页

来源：人工智能学派

特斯拉:成立20年，主要车型包括四款

特斯拉2003年成立，目前主流车型包括高端车ModelS、ModelX，经济乘用车Model3、ModelY四款车型。此外还有皮卡Cybertruck、跑车Roadster、卡车Semi等车型在售。

根据Rho Motion，2023年全球纯电动车销量950万辆;特斯拉2023年全球交付量为181万辆，约占全球销量19%。截至2023年底，特斯拉全球员工超过14万人。

特斯拉有汽车和能源(包括储能)两个部门，主要业务包括:汽车销售:特斯拉乘用车及卡车等车型销售。

汽车租赁:特斯拉在北美、欧洲、亚洲等地提供租赁服务。
汽车监管信贷:业务运营中赚取的碳积分的销售。
储能:主要包括Powerwal、Megapack储能产品，以及SolarEnergy事业部的太阳能屋顶服务及其他收入:主要包括付费超级充电桩、汽车维修和保险等业务。

特斯拉的数据闭环:通过影子模式搜集数据，经过清洗、标注(自动标注+人工标注)，与仿真数据共同构建训练集。训练集也用于车载模型的训练，完成之后更新到车上;以此往复，完成数据流的闭环。

2020年起，特斯拉开始研发数据自动标注系统。
在车辆行驶过程中，摄像头收集的路面信息，打包上传到服务器的离线神经网络大模型，由大模型进行预测性标注，再反溃给车端各个传感器，当预测的标注结果在8个传感器均呈现一致时，则这一标注成功。

◆背景:传统自动驾驶目标检测采用通用网络结构，当时业内自动驾驶视觉神经网络只有一个head，在同时完成多项任务方面(如车道线检测，人物检测与追踪，信号灯检测等等视觉任务)存在效率低下的问题。

◆2018年，特斯拉做出对其自动驾驶算法的第一次革新，构建HydraNet，重构自动驾驶目标检测结构。

√ HydraNet 结构能够完成多头任务，减少重复的卷积计算，提升算法效率。

背景:传统SLAM+DL下，①融合不同传感器的采集数据，并实时输出下游所需的一系列任务结果是当时的核心挑战;②多采用后融合处理方式，每个传感器对应一个神经网络，计算量大、效率低。

2020年，特斯拉引入BEV+Transformer架构，后引入时序信息。

特斯拉认为采集后的2D图像需要升维才能实现自动驾驶，而升维的最佳表达方式是BEV(鸟瞰图)。因此引入大模型Transformer进行升维开发，实现将2D图像转换成BEV视角，形成车辆自身坐标系。
BEV 使得自动驾驶从后融合(或称「决策层融合」)向特征级融合(或称「中融合」)方向迈进，提升决策精准度且降低计算量。
特斯拉引入时空序列特征层，为自动驾驶增添短时记忆功能，从而具有推演能力，提升系统安全性。

背景:传统的自动驾驶方案数据处理模块多、步骤多可能出现级联误差(前级模型输出的结果有误差，会影响下一级模型的输出)

2024年1月，特斯拉FSDv12(FSDv12.1.2)开始正式向用户推送，将城市街道驾驶堆栈升级为端到端神经网络。

端到端技术方案基于深度神经网络，通过摄像头采集驾驶场景的信息，将其作为深度卷积神经网络模型的输入再不断对网络模型进行训练，得到学习好的网络参数从而对智能车方向盘转角进行预测。更加接近最真实的人类驾驶。
端到端的主要弊端是:①模型可解释性差，工作原理是黑盒。②模型很难引入先验知识，系统不了解人类动作背后的规则。