特斯拉FSD的发展历程——化繁为简

FSD是特斯拉辅助驾驶方案中功能最完整的产品

特斯拉的自动驾驶方案包括基础版自动辅助驾驶（AP）、增强版自动辅助驾驶（EAP）、以及完全自动驾驶（FSD）；其中，FSD全称 Full Self-Driving（完全自动驾驶），是特斯拉辅助驾驶Autopilot产品组合中功能最完整的产品。

功能上来看，特斯拉FSD除基础的主动巡航及车道维持居中外，还可以实现：1）自动辅助导航驾驶，包括自动驶入和驶出高速公路匝道或立交桥岔路口，超过行驶缓慢的车辆；2）自动辅助变道，包括高速公路上自动辅助变换车道；3）自动泊车，包括平行泊车与垂直泊车；4）智能召唤则是在合适的场景下，停在车位的车辆会响应召唤、驶出车位并前往车主所在位置；5）交通灯、标志识别；6）市区自动辅助转向，检测车道、车辆和障碍物，并操作车辆进行转向；7）自动速度偏移调整，可根据不同的环境和场景，自主调整车辆的行驶速度。

特斯拉作为纯视觉方案引领者，摄像头是FSD智驾的核心

不同于大部分国内厂商多传感器融合方案，特斯拉FSD自动驾驶是以摄像头为核心的纯视觉解决方案。纯视觉方案的最初设计灵感来自对人类视觉的研究；即人眼睛搜集的信息到达视网膜后，经过大脑皮层的多个区域、神经层，最终形成生物视觉，并在脑中生成图像。特斯拉的目标就是通过算法、软件及硬件来设计汽车的视觉皮层，建立像人脑一样的、基于视觉的计算机神经网络系统。 首先，在特斯拉汽车行驶过程中，车辆通过摄像头收集环境图像信息；特斯拉HW2.0/2.5/3.0版本硬件都配备了8颗监测不同方位的摄像头，分别为三颗前置摄像头（其中1颗主摄像头、1颗广角摄像头、1颗窄视长焦摄像头）、2颗前侧摄像头、2颗后侧摄像头、以及1颗后置摄像头。

算法端迭代

自动驾驶的算法模块通常分为 “感知” 、 “决策规划” 、 “运动控制” 。其中，“感知”模块是自动驾驶的核心，大部分的技术升级都集中在感知模块，其目的是让车辆对驾驶环境的 “感知”达到人类感知的级别；而“决策规划”则是基于“感知”模块输出的结果，通过规划汽车行为和行车路径，使得汽车达到指定目的地，且尽可能确保行车安全性、效率性和舒适性。

感知层面，特斯拉经历了由“特征提取网络RegNet”向“BEV+Transfomer ” 、再向“BEV+Transfomer+Occupancy Network”转变，决策规划层面则自2021年由“Rule-based”向“Machine learning-based”逐步倾斜；直至2024年1月，特斯拉通过推出FSD V12 Beta，成为全球首个“端到端”神经网络量产上车的企业，实现了感知、决策、规划相融合。

算法4.0：Occupancy Network的应用降低计算复杂性，时序信息的引入则将图像识别推向4D

决策层面：2021年，特斯拉开始在路径规划层面部分加入神经网络的元素，推出“蒙特卡罗树搜索算法”，通过路径选择概率和局面评估来输出决策；但该阶段仅少部分使用神经网络，大部分依然是人工规则代码。2022年，新推出的“交互搜索网络”将蒙特卡罗算法结合应用到Occupancy网络中，计算出的每个轨迹都会有一个成本函数来优化树搜索给出候选目标较多等问题，该函数取决于碰撞概率、舒适度、干预可能性和人类操作相似性这四大因素；交互搜索网络成功将计算耗时从1到5毫秒降低到100微秒；但函数部分仍然是基于规则的代码。

软件方面：2021年马斯克宣布FSD Beta编号从V8.1开始。从大版本号升级来看，基本维持一年一更新的节奏；更新频率来看，则呈现较为明显的加速迭代，由期初的两月一更，逐步演变为每月两到三更、甚至每月四更。伴随着测试范围的扩大及驾驶数据的增加，V9/V10/V11版本主要聚焦在功能的优化上，不断加深智能驾驶的拟人化程度。

HW3.0→HW4.0: 摄像头数量新增50%，毫米波雷达以高精度4D版本回归

此前弃用毫米波雷达的原因（1）一方面系传统毫米波雷达低分辨率造成融合感知性能下降；特斯拉人工智能总监曾表示，对于低分辨率雷达来说，通过类似立交桥这样的场景时，由于雷达的仰角分辨率很低，很难分辨出立交桥和下面停着的车辆，极易导致碰撞。（2）另一方面则系毫米波雷达信道数量限制了其感知能力的提升；相较而言，摄像头能够产生大量数据，软件的改进可以使这些数据得到最大限度的利用。

而对于毫米波雷达的回归，主要系（1）高精度4D毫米波雷达的分辨率大幅提升；2021年起，NXP、TI等雷达芯片方案商，以及大陆集团采埃孚、博世等雷达系统供应商都在加快推动4D成像毫米波雷达的量产落地；新的4D毫米波雷达分辨率性能大幅提升，具备点云输出（与视觉或激光雷达更好的融合，以及可能的分类识别能力）以及全天候等性能，成为了高阶方案的选择项之一。（2）能够弥补纯视觉方案的风险；特斯拉被大众诟病的“幽灵刹车”问题（毫无征兆地刹车），主要系传感器的感知缺陷造成的，由于夜间或大雾或大雨等恶劣天气条件下、摄像头的性能较差；同时，摄像头反应时间通常也较毫米波雷达长，往往需要几帧来识别物体的速度变化。而相对的，毫米波雷达根据发射频率和接收频率的差值测量距离、相对速度和方向，在夜间、逆光、雾、雨、雪环境下也能使用。

解析特斯拉FSD

受益于数据量、算力、硬件适配度方面的领先，特斯拉FSD的技术竞争力较强

（1）数据量：AI模型的效果取决于输入数据的数量及质量，输入的优秀行驶数据越多，AI模型便能做出更适合、更优异的行驶决策。FSD自2020年10月开始北美地区内测，随着FSD推送地区及推送用户的增多，特斯拉拥有的行驶数据会呈指数级上涨；在数据量上，国内厂商的追赶难度较高。2024年4月，特斯拉宣布其全自动驾驶(FSD)技术助力下的汽车已经行驶了超过10亿英里、相当于16.1亿公里，而国内厂商方面，暂无达到该里程数的企业。

2）庞大的算力中心：AI模型接受数据训练，是建立在算力平台上的，其计算能力及算力投入都是关键指标。 1）算力方面，小鹏基于阿里云打造的“扶摇”智能计算平台，算力可达600PFLOPS（每秒浮点运算60亿亿次），而2022年特斯拉算力中心的算力已经达到了 2 EFLOPS（每秒浮点运算200亿亿次）。未来，特斯拉自研超级算力平台Dojo投入使用后，其算力还将上升一个台阶；根据特斯拉2023年6月发布的算力发展规划，Dojo将在2024年10月达到100 EFlops算力。 2）算力投入方面，2022年特斯拉AI DAY上，马斯克表示目前特斯拉拥有超过14000颗GPU的超级算力中心；2023年8月，特斯拉启动了10000颗H100 GPU的新训练集群，H100 GPU的运算效能是前一代A100的五倍快，价格昂贵、单颗将近40000美元。与此同时，算力平台的后期维护成本还要远高于硬件成本；马斯克曾公开表示，2023年特斯拉花在扩大训练运算算力的预算就超过20亿美元，并表示2024年会采取同样的行动；相较而言，国内厂商的算力投入与特斯拉仍存在较大差异。

（3）适配度高的自研硬件解决方案：特斯拉从2016年2月组建芯片团队，到2019年4月成功推出FSD芯片，历时三年之久推出HW硬件解决方案。自研的HW3.0是第一款完全出自车企的自动驾驶硬件解决方案，同时也是量产车型上目前深度学习理论性能最强的方案；而目前，HW已经进化到了4.0时代。 自研硬件的优势，首先是性价比高、利用率高，大幅降低FSD的硬件成本；其次是开发自由度高，更能支持特斯拉的创新性算法及其他相关技术方案。相较来看，大部分国内厂商采用外购芯片方案，在适配度及利用率上，都与特斯拉自研硬件解决方案存在一定的差距