Skip to main content

Elon Musk hat kürzlich einige Updates zur breiten Einführung von FSD Beta 10.13 bereitgestellt. Die neueste Iteration des fortschrittlichen Fahrerassistenzsystems des Unternehmens begann Anfang dieses Monats mit seiner ersten Veröffentlichung, aber seine breite Veröffentlichung wurde noch nicht eingeleitet.

In einem kürzlich auf Twitter veröffentlichten Beitrag gab Elon Musk zu, dass Tesla zwar extrem hart an FSD Beta 10.13 arbeite, das System selbst aber noch nicht bereit für eine breite Veröffentlichung sei. Er schätzt, dass die breite Veröffentlichung von FSD Beta 10.13 wahrscheinlich noch etwa eine Woche entfernt sein wird, aber wenn dies der Fall ist, werden Fahrer außerhalb Kaliforniens einige sehr bemerkenswerte Verbesserungen erfahren.

Wie der CEO von Tesla feststellte, werden Benutzer „außerhalb von Kalifornien die Verbesserungen am meisten bemerken“. Dies ist ein interessanter Kommentar, insbesondere wenn man bedenkt, dass Musk in der Vergangenheit zugegeben hat, dass FSD Beta „in Kalifornien besser zu funktionieren scheint“ als in anderen Gebieten wie Rhode Island. Musk gab dies letztes Jahr zu und stellte fest, dass FSD Beta zu stark an die Bay Area angepasst wurde.

Wie in einem Benzinga-Bericht angemerkt, deutet eine Überanpassung in Statistiken darauf hin, dass sich ein Modell viel zu eng auf einen bestimmten Satz von Datenpunkten bezieht, was sich möglicherweise nicht gut mit verschiedenen Datenpunkten übersetzen lässt. Im Fall von FSD Beta könnte dies dazu führen, dass das fortschrittliche Fahrerassistenzsystem in Gebieten wie San Francisco sehr gut funktioniert, in anderen Gebieten der Vereinigten Staaten jedoch nicht so gut.

Versionshinweise von FSD Beta 10.13, die Anfang dieses Monats durchgesickert sind, haben gezeigt, dass das Update eine Reihe wichtiger Leistungsverbesserungen enthält.

Im Folgenden sind die teilweisen Versionshinweise von FSD Beta 10.13 aufgeführt, die bisher geteilt wurden:

Verbesserte Entscheidungsfindung für ungeschützte Linkskurven durch bessere Einschätzung der Interaktion des Egos mit anderen Objekten während des Manövers. Verbesserte Stopppose beim Nachgeben beim Überqueren von Objekten bei ungeschützten Linkskurven im „Chuck-Cook-Stil“ durch Nutzung der mittleren Sicherheitsbereiche. Das Geschwindigkeitsprofil wurde beim Kriechen für bessere Sichtbarkeit komfortabler gemacht, um sanftere Stopps beim Schutz vor möglicherweise verdeckten Objekten zu ermöglichen. Kriechen für die Sichtbarkeit an allen Kreuzungen aktiviert, an denen Objekte Egos Weg kreuzen könnten, unabhängig vom Vorhandensein von Verkehrskontrollen. Verbesserter Fahrspurpositionsfehler um 5 % und Fahrspurrückruf um 12 %… Verbesserter Fahrspurpositionsfehler beim Überqueren und Zusammenführen von Fahrspuren um 22 % durch Hinzufügen von Überspringverbindungen über große Entfernungen und eines leistungsfähigeren Trunks zur Netzwerkarchitektur. Verbesserter Geschwindigkeitsfehler von Fußgängern und Radfahrern um 17 %, insbesondere wenn das Ego abbiegt, durch Verbesserung der Onboard-Trajektorienschätzung, die als Eingabe für das neuronale Netzwerk verwendet wird. Verbesserte Wiedererkennung der Tiererkennung um 34 % und Verringerung der Fehlalarme um 8 % durch Verdoppelung der Größe des automatisch markierten Trainingssets. Verbesserter Erkennungsrückruf von weit entfernt kreuzenden Fahrzeugen um 4 % durch Optimierung der während des Trainings verwendeten Verlustfunktion und Verbesserung der Labelqualität. Verbesserung des Attributs „ist geparkt“ für Fahrzeuge um 5 % durch Hinzufügen von 20 % mehr Beispielen zum Trainingssatz. Das Belegungsnetzwerk wurde aktualisiert, um dynamische Objekte zu erkennen, und die Leistung wurde verbessert, indem ein Videomodul hinzugefügt, die Verlustfunktion optimiert und 37.000 neue Clips zum Trainingssatz hinzugefügt wurden. Reduzierte falsche Verlangsamung um Zebrastreifen herum durch bessere Klassifizierung von Fußgängern und Radfahrern, da sie nicht beabsichtigen, mit dem Ego zu interagieren. Reduzierte falsche Spurwechsel aufgrund von Kegeln oder Blockaden, indem gegebenenfalls ein sanfter Ausgleich innerhalb der Spur bevorzugt wird. Verbesserte Positionierung in der Fahrspur auf breiten Wohnstraßen. Verbesserte Vorhersage des zukünftigen Objektpfads in Szenarien mit hoher Gierrate. Verbesserte Genauigkeit der Geschwindigkeitsbegrenzungsschilder bei digitalen Geschwindigkeitsbegrenzungen um 29 %, bei Schildern mit schwieriger Relevanz um 23 %, bei dreistelligen Geschwindigkeiten um 39 % und bei Geschwindigkeitsbegrenzungs-Endschildern um 62 %. Das neuronale Netzwerk wurde mit 84 % mehr Beispielen im Trainingssatz und mit architektonischen Änderungen trainiert, die dem Netzwerkkopf mehr Rechenleistung zuwiesen.

Die Verbesserungen von Tesla FSD Beta 10.13 sind (besonders) offensichtlich für Nicht-CA-Benutzer

Leave a Reply