2022.4.5.21 Notes de version officielles de Tesla – Mises à jour logicielles
– Modélisation améliorée de la géométrie des voies à partir de rasters denses (« sac de points ») vers un décodeur autorégressif qui prédit et connecte directement les voies « de l’espace vectoriel » point par point à l’aide d’un réseau neuronal transformateur. Cela nous permet de prédire les voies de croisement, permet un post-traitement moins coûteux et moins sujet aux erreurs, et ouvre la voie à la prédiction de nombreux autres signaux et de leurs relations conjointement et de bout en bout.
– Utilisez des prédictions plus précises de l’endroit où les véhicules tournent ou fusionnent pour réduire les ralentissements inutiles pour les véhicules qui ne croiseront pas notre chemin.
– Meilleure compréhension de l’emprise si la carte est inexacte ou si la voiture ne peut pas suivre la navigation. En particulier, la modélisation de l’étendue des intersections est désormais entièrement basée sur des prédictions de réseau et n’utilise plus d’heuristiques basées sur des cartes.
– Amélioration de la précision des détections VRU de 44,9 %, réduisant considérablement les faux positifs pour les piétons et les vélos (en particulier autour des coutures de goudron, des traces de dérapage et des gouttes de pluie). Cela a été accompli en augmentant la taille des données de l’étiqueteuse automatique de nouvelle génération, en formant des paramètres de réseau qui étaient auparavant gelés et en modifiant les fonctions de perte de réseau. Nous constatons que cela diminue l’incidence des faux ralentissements liés au VRU.
– Réduction de 63,6 % de l’erreur de vitesse prévue des motos, scooters, fauteuils roulants et piétons très proches. Pour ce faire, nous avons introduit un nouvel ensemble de données d’interactions simulées de VRU contradictoires à grande vitesse. Cette mise à jour améliore le contrôle du pilote automatique autour des VRU qui se déplacent rapidement et qui s’activent.
– Profil rampant amélioré avec un jerk plus élevé au début et à la fin du rampant.
– Contrôle amélioré des obstacles à proximité en prédisant la distance continue à la géométrie statique avec le réseau général d’obstacles statiques.
– Réduction du taux d’erreur d’attribut de véhicule « stationné » de 17 %, obtenu en augmentant la taille de l’ensemble de données de 14 %. Amélioration également de la précision des feux de freinage.
– Amélioration de 5 % de l’erreur de vitesse du scénario prêt à l’emploi et de 10 % de l’erreur de vitesse du scénario d’autoroute, obtenue en ajustant la fonction de perte visant à améliorer les performances dans les scénarios difficiles.
– Amélioration de la détection et du contrôle des portes de voiture ouvertes.
– Amélioration de la fluidité dans les virages en utilisant une approche basée sur l’optimisation pour décider quelles lignes de route ne sont pas pertinentes pour le contrôle compte tenu des limites d’accélération latérale et longitudinale et d’à-coups ainsi que de la cinématique du véhicule.
– Amélioration de la stabilité des visualisations FSD Ul en optimisant le pipeline de transfert de données Ethernet de 15 %.
– Rappel amélioré pour les véhicules directement derrière l’ego et précision améliorée pour le réseau de détection de véhicules.
Premier aperçu des voies vectorielles