聊一个我一直想说的角度:脱困。
辅助驾驶现在各家都在卷接管里程,但我觉得真正该看的是另一个能力:卡住了能不能自己出来。
今年7月FSD v14.3.5推送后有个案例,系统驶入窄巷遇对向来车,切倒挡退出让路,倒退过程中判断出来车其实在靠边停车,于是重新驶入巷子继续前进。
不是 倒退、等待、前进 的固定程序,是实时判断、动态切换。
这个案例的关键不在"会倒车",在于系统在倒车的同时还在持续感知环境并调整决策。
脱困的本质是一整套 发现问题 理解空间 规划路径 执行 实时调整 的认知链路。
底层支撑是全向占用网络。
8个摄像头的画面统一投射到共享3D空间,判断周围每个位置是否被占据。
v14引入连续SDF方案,分辨率到10厘米级,能描绘路缘曲线和墙面曲面。
倒车时系统对后方空间的理解不是"倒车影像加超声波雷达",而是跟前方同等精细的3D环境模型。
再往上是端到端统一模型。
v14把泊车召唤、道路驾驶和Robotaxi打通到同一个神经网络。
停车场里倒车避障寻路的能力,现在和道路驾驶融合在一起。
档位自主切换也打破了"只能前进"的约束,"走不通就退一步"变成了正常驾驶行为而非异常处理。
但这里有个关键瓶颈:前向感知和后向感知的差距。
几乎所有辅助驾驶系统的感知能力都围绕前向设计,前方摄像头最多、分辨率最高、训练数据最丰富。
一旦需要倒车脱困,"后方"变成"前方",后向感知能力远弱于前向。
特斯拉8个摄像头里前方3颗覆盖广角和长焦,后方只有1颗。虽然占用网络融合所有摄像头,但单摄的覆盖范围和深度感知精度天然弱于多摄前向。
更关键的是训练数据偏置。
端到端模型从真实驾驶视频学习,绝大多数视频是"往前开"的,倒车场景占比极小。
模型在处理"需要倒车"的场景时可参考的经验远少于前向。
实测已经暴露了这个问题。
6月一项安全测试中,FSD检测到障碍停车后切倒挡,但因为非Juniper改款Model Y没有前保险杠摄像头,倒车后障碍物进入感知盲区,系统差点撞上之前检测到的东西。
7月韩国实测中FSD v14 Lite夜间U-turn没及时发现后方快速接近的车辆,安全员被迫介入,这是运动中需要感知后方来车,后向感知在动态场景失效了。
国内多数系统解决脱困靠"循迹倒车",记录前进轨迹,需要时原路反向回放。
简单可靠,但假设倒回去的路上没变化,停车后有车或人进入那个空间,循迹倒车处理不了。
特斯拉的思路不一样。
v14的倒车不是回放轨迹,是端到端模型根据实时感知自主规划的驾驶行为。系统可以在倒车过程中动态决策,窄巷案例里"发现来车其实在停车于是重新前进",循迹倒车做不到这种判断。
但代价是对后向实时感知的精度要求高得多,需要像前向驾驶一样理解后方空间的完整3D结构。
截至7月,FSD在北美脱困已经比较成熟,但在中国还不支持三点掉头和倒车脱困。
数据本地化训练需要时间,中国复杂路况对后向感知精度要求也更高。
衡量辅助驾驶成熟度,最终不是看它能走多远,而是看它走不动的时候,能不能自己走出来。 http://t.cn/AXCam4Z9
发布于 上海
