Modellazione dell’architettura delle corsie migliorata da un raster denso (“bag of points”) a un decoder autoregressivo che prevede e collega direttamente corsie point-to-point dello “spazio vettoriale” utilizzando una rete neurale di interruttori. Ciò ci consente di prevedere le corsie incrociate, consente un’elaborazione successiva dal punto di vista computazionale meno costosa e meno soggetta a errori e apre la strada alla previsione di molti altri segnali e delle loro relazioni congiuntamente e end-to-end.
– Utilizza previsioni più accurate su dove i veicoli gireranno o si uniranno per ridurre la decelerazione non necessaria per i veicoli che non attraverseranno il nostro percorso.
– Migliore comprensione del diritto di precedenza se la mappa è imprecisa o il veicolo non può seguire la navigazione. In particolare, la modellazione degli intervalli di intersezione è ora interamente basata su previsioni di rete e non utilizza più metodi di inferenza basati su mappe.
– L’accuratezza dei rilevamenti VRU è migliorata del 44,9%, riducendo significativamente i falsi positivi di pedoni e biciclette (soprattutto intorno a strati di catrame, segni di scivolamento e gocce di pioggia). Ciò è stato ottenuto aumentando il volume di dati della prossima generazione di auto-tagging, addestrando parametri di rete precedentemente congelati e modificando le funzioni di perdita di rete. Troviamo che questo riduce l’incidenza della pseudoisteresi correlata a VRU.
Ridurre del 63,6% l’errore di velocità previsto di motocicli, scooter, sedie a rotelle e pedoni troppo vicini. Per fare ciò, abbiamo presentato un nuovo set di dati per simulare le interazioni VRU ad alta velocità di un antagonista. Questo aggiornamento migliora il controllo dell’autopilota intorno ai VRU in rapido movimento e taglio.
– Migliorato il profilo del crawler con jerk maggiore all’inizio e alla fine della scansione.
– Controllo migliorato degli ostacoli vicini prevedendo la distanza continua della geometria statica con la rete generale di ostacoli statici.
Riducendo del 17% il tasso di errore della funzione “fermata” del veicolo, aumentando la dimensione del set di dati del 14%. Anche la precisione della luce freno è stata migliorata.
– È stato migliorato l’errore di velocità dello scenario “clear-to-go” del 5% e l’errore di velocità dello scenario autostradale del 10%, che si ottiene regolando la funzione di perdita mirata al miglioramento delle prestazioni in scenari difficili.
– Rilevamento e controllo migliorati delle portiere delle auto aperte.
– Maggiore scorrevolezza in curva utilizzando un approccio basato sull’ottimizzazione per identificare le linee stradali non correlate al controllo a causa dell’accelerazione laterale e longitudinale e dei limiti di vibrazione, nonché della cinematica del veicolo.
Migliorata la stabilità delle visualizzazioni FSD Ul migliorando del 15% la pipeline di trasmissione dati Ethernet.
– Miglioramento del richiamo dei veicoli proprio dietro l’ego e migliore precisione della rete di rilevamento dei veicoli.
“Creatore. Piantagrane. Amante dell’alcol hardcore. Evangelista del web. Praticante di cultura pop estrema. Studioso zombi devoto. Introverso accanito.”
