特斯拉自动驾驶仪如何处理一个典型的日常通勤

天又黑又下雨，加上交通有时比较拥挤。 特斯拉车主和受欢迎的YouTube影响者安迪·斯利带我们一起乘坐他的特斯拉模型3在他通常的通勤。 他的目标是向我们展示特斯拉自动驾驶仪的表现。 此外，他还测试了该系统的最新特性。 看到技术在行动中是非常迷人的，而Slye通过叙述来帮助。 特斯拉自动驾驶仪正在不断改进。

这是因为特斯拉监控了它所有的车辆，然后使用空中软件更新来推动其车队的改进。 对于任何软件，有时更新会导致问题，但这些问题可以通过随后的更新来解决。 查看更多特斯拉自动驾驶仪内容： ⠀ 特斯拉自动驾驶仪红绿灯和停车标志控制 ⠀ 在大流行的中期测试特斯拉3型自动驾驶仪 ⠀ 在自动驾驶仪上观看Tesla Model3，避免与错误驾驶发生碰撞 在2020年的第一季度，特斯拉自动驾驶仪的事故率最低 虽然特斯拉自动驾驶还没有接近完全自主，而且特斯拉的完全自主驾驶能力不是功能完全，但这项技术能够帮助完成许多典型的驾驶任务。 就在最近，特斯拉更新了系统，有能力停止交通灯和停车标志。 该功能现在需要驱动程序确认，因为它通过经验和数据收集来学习。 看看Slye的特斯拉自动驾驶通勤车。 他开车需要45分钟，但他加快了视频的速度，使它更短。 正如你所看到的，驾驶在黑暗中，在雨中，在相对繁忙的交通中。 然后，让我们知道你在下面的评论部分的想法。 我们也想听听你的自动驾驶经验。 视频描述通过安迪Slye在你管： 特斯拉自动驾驶仪在2020年在我的45分钟通勤上驾驶自己 我的特斯拉Model3(HW3) 在2020年，在我每天上下班的路上，在黑暗和雨中驾驶增强型自动驾驶仪和全自驾驶)。 我们还查看了最新的特斯拉软件更新，该软件添加了自动停止在停止灯和停止标志，以了解它在现实生活中的表现。 特斯拉在规模上发展和部署自主，他们认为，一种基于先进人工智能的视觉和规划方法，在推理硬件的有效使用的支持下，是实现全面自动驾驶的通用解决方案的唯一途径。 硬件 构建硅芯片，从地面上为我们的全自动驾驶软件提供动力，考虑到每一个小型建筑和微型建筑的改进，同时努力挤压每瓦最大的硅性能。 对设计进行楼层规划、时间和功率分析。 编写健壮的、随机的测试和评分板，以验证功能和性能。实现编译器和驱动程序与芯片编程和通信，重点是性能优化和功率节省。 最后，对硅片进行了验证，并将其推向了大规模生产。 神经网络 应用前沿研究对从感知到控制的问题进行深度神经网络训练.. 我们的每个摄像机网络分析原始图像以执行语义分割、目标检测和单目深度估计.. 我们的鸟瞰网络从所有摄像机拍摄视频输出

道路布局、静态基础设施和三维物体直接在自上而下的视图中.. 我们的网络学习世界上最复杂和多样化的场景，迭代来源于我们的车队近1M车辆实时。 一个完整的自动驾驶神经网络包括48个网络，需要7万GPU小时的训练。 它们一起在每个时间步骤输出1000个不同的张量（预测）。 自主算法 开发核心算法，通过创建一个高保真的世界表示和规划轨迹在该空间。 为了训练神经网络来预测这种表示，通过将来自汽车传感器的信息跨空间和时间组合起来，算法地创建准确和大规模的地面真相数据。 使用最先进的技术来建立一个强大的规划和决策系统，在复杂的现实世界中在不确定的情况下运行。 评估你的算法在整个特斯拉舰队的规模。 密码基金会 吞吐量、延迟、正确性和确定性是我们优化代码的主要指标。 从堆栈的最低级别构建Autopilot软件基础，并与我们的自定义硬件紧密集成。 实现超级可靠的引导加载器，支持空中更新，并带来定制的Linux内核。 编写快速、高效内存的低级别代码，从我们的传感器捕获高频、高容量的数据，并与多个消费进程共享它-而不影响中央内存访问延迟或从CPU周期饥饿关键功能代码。 挤压和管道计算跨越各种硬件处理单元，分布在多个系统上芯片。 评价基础设施 在规模上构建开环和闭环，硬件在环的评估工具和基础设施，以加快创新步伐，跟踪性能改进，防止回归.. 从我们的舰队中利用匿名的特征片段，并将它们集成到大型测试用例套件中。 编写模拟我们真实环境的代码，生成高度真实的图形和其他传感器数据，为我们的自动驾驶软件提供实时调试或自动测试。