很多朋友对驾驶员培训网，中国驾驶员学习网站还不了解，今天小绿就为大家解答一下。
【TechWeb】7月22日，特斯拉在北京南四环特斯拉体验中心举办“T-talk”线下分享研讨会。本次“T-talk”以FSD为主题展开。演讲者向与会者透露了特斯拉在自动驾驶领域的努力，以及如何“加速世界向可持续能源的转变”。
“T-talk”是特斯拉发起的线下活动。官方定期邀请媒体和各界人士，共同探讨行业现状和技术发展，共同推动行业进步。特斯拉还搭建了与媒体和公众沟通的桥梁。通过此次活动，参与者深入了解特斯拉对全自动驾驶的探索，共同期待全自动驾驶时代更美好的出行生活。
安全是底线：以杜绝交通事故为目标。
通过造好车，卖好车，形成可持续的商业模式，利润用于R&D和创新；然后以创新成果点燃整个行业的热情，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；最后，可持续能源的世界将加速为人们创造更美好的生活。
据调查，全球每天有3万多人死于交通事故。“好车”的概念可能每个人略有不同，但必须建立在同一个基础上，那就是安全。
在被动安全方面，特斯拉车型具有车身结构带来的先天安全优势。由于没有发动机，特斯拉车型在前方有自己的吸能塌陷区，可以在事故中有效保护乘员；铝合金混合轻量化车身，强劲的底盘防护，大量高强度钢和超高强度钢的应用，打造出一道固若金汤的安全防护。
在最新的美国国家公路交通安全管理局(NHTSA)碰撞测试中，所有特斯拉车型都获得了五星碰撞安全评级。其中，Model 3不仅获得了NHTSA全五星安全评级、ENCAP全五星评级，还获得了IIHS SAFETY PICK顶级安全奖。在美国政府的“新车评估项目”中，Model 3的受伤概率比它测试的任何车辆都低。
在事故预防方面，全系标配有主动安全配置卫士。每一款特斯拉车型都有侧面碰撞预警、盲点碰撞预警、正面碰撞预警、限速预警、障碍物感应限速、自动紧急制动、车道偏离规避等功能。在此基础上，特斯拉还提供了主动巡航控制、辅助转向、自动变道、辅助驾驶导航等功能。车辆预见风险、预判后，系统可以独立执行转向、刹车等决策，尽量避免事故发生。以模型3为例。当在合并的相邻车道中检测到车辆时，Autopilot将触发侧面碰撞预防功能(转向干预)，并确保车辆自动转向更安全的位置。
自动驾驶，主动安全系统，带来即时的安全改进。根据NHTSA发布的最新数据，美国每行驶674万公里，平均会发生8.66起事故。而这个数据在使用Autopilot的特斯拉车主中只有一次；在没有自动驾驶仪但有主动安全功能的驾驶中，大约有2起事故。换句话说，特斯拉的Autopilot使驾驶安全水平达到平均水平的8.66倍。
特斯拉2021年第一季度车辆安全报告
当然，安全只是底线。对于交通，我们还需要解决很多问题，其中最迫切的问题就是“浪费”。全世界每天有500多万小时浪费在堵车上，国土面积1700平方公里。停车的车辆因为人用不了，白白被占了。
所以特斯拉研发FSD，不仅仅是希望交通事故不复存在，更希望我们能够更高效的利用交通资源，大大缓解拥堵和占地。
FSD成长的秘密：硬件和软件数据
一个没有交通事故和拥堵的世界听起来不太现实。而特斯拉目前最接近量产、最现实、适应范围最广的自动驾驶技术，让这种想象逐渐落地。
特斯拉的芯片经历了三次迭代。目前最新的全自动驾驶计算机配备了两个由特斯拉自主研发的芯片，即Autopilot3.0硬件，比2.5版本芯片强大21倍。
不同的芯片根据环境有不同的指令算法特点，总之各有特长。AI芯片在图像识别等领域有着独特的优势。它的计算方法是矩阵或向量的乘加，有除法、指数等一些算法。CPU适用于不同领域的复杂算法，比如计算机服务器。GPU虽然也是图像渲染的算法，但其特性并不符合神经网络。
在Tesla开发的FSD芯片中，存在用于AI算法的NNA(NPU)处理器。
注意：
2017年8月完成FSD芯片设计。
2017年12月，芯片首次测试成功。
2018年4月，对芯片进行了测试和改进。
2018年7月获得量产资格。
2018年12月，设备加载测试成功。
2019年3月，在Model S和Model X生产线上安装了FSD芯片。
2019年4月，FSD芯片安装在Model 3生产线上。
与HW2.5相比，FSD计算机的计算能力提升至144TOPS，每秒图像处理速度提升至2300帧。
功率大幅提升，目的是处理海量图像信息。特斯拉的自动驾驶辅助系统之所以能够快速迭代，提升体验，是因为它能够通过各种不常见但仍有可能发生的“拐角案例”，再通过(神经网络)深度学习，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脑神经网络系统的学习机制的一种学习方法，类似于人对外界事物逐渐熟悉和学习的过程。特斯拉不断输入数据，手动或自动标记正确的“答案”，让它不断“进化”自己，从而快速提供识别率，持续覆盖所有驾驶场景。
每当车辆遇到各种“拐角情况”，也就是一些“棘手”的驾驶场景，或者驾驶员的操作与系统的“预期”运行不一致时，车辆就会脱敏，将实际情况匿名上传到特斯拉云服务器，通过巨大的集中计算能力进行深度学习，优化系统。当然，系统也为用户提供了不上传数据的选项。所有上传到云端的数据都是脱敏和匿名的数据。
相比更依赖车队测试的公司，特斯拉的FSD学习过程的优势在于，大部分数据是由实际上路行驶的车辆采集的，只有一小部分来自测试车队，更贴近车主的日常驾驶场景，而且这个数据是指数级增长的。
早在2020年4月，特斯拉自动驾驶的行驶里程已经超过48亿公里。专家预测，2021年这一数字将超过80亿公里。根据一些机构的粗略计算，如果用户平均每天驾驶约1小时(每辆车8个摄像头)，车队每月将产生约1.968亿小时的视频。如此庞大且高质量的数据量，是世界上任何一家车企都无法比拟的。
为了处理海量的驾驶数据，特斯拉将把自主监督学习技术的研发提升到绝对优先的地位。特斯拉开始了一个代号为Dojo的重大项目，这是一台超级训练计算机。处理的数据不再停留在图片层面，而是针对视频数据，能够以较低的成本实现算法性能的指数级提升。
系统感知新理念：比雷达更灵敏的视觉方案
自动驾驶系统，传感器获得的数据是一切的基础，但是不同的传感器有不同的优缺点。对于特斯拉来说，毫米波雷达被禁其实是迟早的事。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，但通过算法的优化，特斯拉已经可以通过摄像头达到这个目的。
但特斯拉并没有急着取消雷达，而是在此之前，用雷达来判断我们的视觉方案是否能准确知道距离、速度等信息。
能够代替雷达给出距离、速度等信息只是原因之一。另一个更关键的原因是，虽然融合算法后更多的传感器可以提供相对更全面的环境信息，但问题是当不同传感器给出的信息相互矛盾进行决策时，各种问题就会出现。
经过实际测试对比，特斯拉不仅可以提供和雷达一样的信息，而且在体验优化上也有所提升。
在前车紧急制动的场景下，纯视觉方案没有雷达那样的信息中断和误判，非常线性，可以提供线性制动决策，带来更好的体验。
注：黄线代表毫米波雷达感知的距离、速度和加速度图像；蓝线代表纯视觉传感器的数据结果。
但在立交桥下的场景中，由于雷达的垂直分辨率较低，系统很容易将空中的物体误判为障碍物；而纯视觉方案则完全不会有这个问题。
另一种常见的情况是对静止物体的判断。对于毫米波雷达，前方车辆停在路边，导致识别较晚。距离车辆110米时，货车才停在前面。当车辆在180米之外时，纯视觉方案已经识别了车辆。
经过技术推断和实际验证，证明了特斯拉纯视觉方案的可行性。对于特斯拉来说，规模是产品和自动驾驶系统的核心要素之一。在各种自动驾驶方案中，纯视觉方案的适应性和驾驶场景的潜在覆盖范围是最全面的。
未来，特斯拉将加快建立Dojo，通过海量计算能力和人工智能自动标注技术，将数据处理的速度和能力再次提升一个层次；HW4.0硬件也在准备研发中。未来，特斯拉自动驾驶系统的能力仍在高速进化。
以上问题已解答完毕，如果想要了解更多内容，请关注本站