– Activation de la bêta FSD sur l’autoroute. Cela unifie la vision et la pile de planification sur et hors route et remplace la pile d’autoroutes héritées, qui a plus de quatre ans. La pile d’autoroutes héritée repose toujours sur plusieurs réseaux à caméra unique et à cadre unique, et a été configurée pour gérer des manœuvres simples spécifiques à une voie. Les réseaux vidéo multi-caméras et le planificateur de nouvelle génération de FSD Beta, qui permettent des interactions d’agents plus complexes avec moins de dépendance aux voies, ouvrent la voie à l’ajout de comportements plus intelligents, d’un contrôle plus fluide et d’une meilleure prise de décision.
– Ajout de notes de commande vocale. Après une intervention, vous pouvez désormais envoyer à Tesla un message vocal anonyme décrivant votre expérience pour aider à améliorer Autopilot.
– Freinage d’urgence automatique (AEB) étendu pour gérer les véhicules qui croisent le chemin de l’ego. Cela inclut les cas où d’autres véhicules grillent leur feu rouge ou tournent sur le chemin de l’ego, volant le droit de passage. La relecture des collisions précédentes de ce type suggère que 49 % des événements seraient atténués par le nouveau comportement. Cette amélioration est désormais active à la fois en conduite manuelle et en pilotage automatique.
– Amélioration du temps de réaction du pilote automatique aux coureurs de feux rouges et aux coureurs de panneaux d’arrêt de 500 ms, en s’appuyant davantage sur la cinématique instantanée de l’objet ainsi que sur les estimations de trajectoire.
– Ajout d’un réseau de voies d’autoroute à longue portée pour permettre une réponse plus rapide aux voies bloquées et aux courbures élevées.
– Réduction de 40 % de l’erreur de prédiction de la pose de l’objectif pour le réseau de neurones de trajectoire candidat et réduction de la durée d’exécution de 3 X. Ceci a été réalisé en améliorant l’ensemble de données à l’aide d’une optimisation hors ligne plus lourde et plus robuste, en augmentant la taille de cet ensemble de données amélioré de 4X et en mettant en œuvre une meilleure architecture et un meilleur espace de fonctionnalités.
– Amélioration des détections de réseau d’occupation par suréchantillonnage sur des vidéos difficiles de 180 000, y compris les reflets de la pluie, les débris de la route et la courbure élevée.
– Amélioration de 20 % du rappel des cas de coupures rapprochées en ajoutant 40 000 clips de flotte étiquetés automatiquement de ce scénario à l’ensemble de données. Amélioration également de la gestion des cas de découpe en améliorant la modélisation de leur mouvement dans la voie de l’ego, en tirant parti de la même chose pour un contrôle latéral et longitudinal plus fluide des objets de découpe.
– Ajout du “module de guidage de voie et perte de perception au réseau Road Edges and Lines, améliorant le rappel absolu des lignes de 6 % et le rappel absolu des bords de route de 7 %.
– Amélioration de la géométrie globale et de la stabilité des prédictions de voie en mettant à jour la représentation du module “guidage de voie” avec des informations pertinentes pour prédire les voies de croisement et venant en sens inverse.
– Amélioration de la maniabilité grâce à des scénarios à grande vitesse et à forte courbure en se décalant vers les lignes de voies intérieures.
– Changements de voie améliorés, y compris : détection et gestion plus précoces des changements de voie simultanés, meilleure sélection des écarts à l’approche des échéances, meilleure intégration entre les décisions de changement de voie basées sur la vitesse et sur la navigation et plus de différenciation entre les profils de conduite FSD en ce qui concerne les changements de voie de vitesse .
– Amélioration de la douceur de la réponse du contrôle longitudinal lors du suivi des véhicules de tête en modélisant mieux l’effet possible des feux de freinage des véhicules de tête sur leurs futurs profils de vitesse.
– Amélioration de la détection des objets rares de 18 % et réduction de l’erreur de profondeur des gros camions de 9 %, principalement grâce à la migration vers des ensembles de données auto-étiquetés plus densément supervisés.
– Amélioration des détections sémantiques pour les bus scolaires de 12 % et les véhicules passant de l’arrêt à la conduite de 15 %. Ceci a été réalisé en améliorant la précision des étiquettes des ensembles de données et en augmentant la taille des ensembles de données de 5 %.
– Amélioration de la prise de décision aux passages pour piétons en tirant parti de l’estimation de la trajectoire de l’ego basée sur le réseau neuronal à la place des modèles cinématiques approximatifs.
– Amélioration de la fiabilité et de la fluidité du contrôle de fusion, en dépréciant les tâches de région de fusion héritées au profit de topologies de fusion dérivées de voies vectorielles.
– Déblocage de clips de télémétrie de flotte plus longs (jusqu’à 26 %) en équilibrant les tampons IPC compressés et la planification d’écriture optimisée sur les deux SOC.
