Il semble qu’après plusieurs itérations et ajustements, FSD Beta 10.69 est prêt à être déployé dans le programme FSD Beta plus large. Elon Musk a mentionné la mise à jour sur Twitter, le PDG déclarant que la v10.69.2.2. devrait s’étendre à 160 000 propriétaires aux États-Unis et au Canada.
Semblable à ses autres annonces sur le programme FSD Beta, les commentaires de Musk ont été publiés sur Twitter. « FSD Beta 10.69.2.1 a l’air bien, s’étendant à 160 000 propriétaires aux États-Unis et au Canada », a écrit Musk avant de se corriger et de préciser qu’il parlait de FSD Beta 10.69.2.2, et non de la v10.69.2.1.
Bien qu’Elon Musk ait une tendance connue à être extrêmement optimiste quant aux déclarations liées à la bêta de FSD, ses commentaires sur la version 10.69.2.2 reflètent les observations de certains membres de longue date du programme. Bêta-testeur FSD vétéran @WholeMarsBlog, qui n’hésite pas à critiquer le système s’il ne fonctionne pas bien, a noté que ses prises de contrôle avec la v10.69.2.2 ont été marginales. Fellow bêta-testeur FSD @GailAlfarATX rapporté des observations similaires.
Tesla semble définitivement pousser pour libérer le FSD dans sa flotte. Les commentaires récents du directeur principal des relations avec les investisseurs de Tesla, Martin Viecha, lors d’une conférence technique Goldman Sachs sur invitation uniquement, ont laissé entendre que le constructeur de véhicules électriques est sur la bonne voie pour publier un FSD « supervisé » vers la fin de l’année. C’est à peu près au même moment que l’estimation d’Elon Musk pour la diffusion à grande échelle de FSD.
Il convient de noter, bien sûr, que même si Tesla parvient à diffuser le FSD «supervisé» aux consommateurs d’ici la fin de l’année, la version du système avancé d’aide à la conduite obligerait toujours les conducteurs à faire attention à la route et à suivre les bonnes pratiques de conduite. Avec un FSD « supervisé » complet, cependant, Teslas serait capable de naviguer par lui-même, qu’il soit sur l’autoroute ou dans les rues du centre-ville. Et cela, en fin de compte, est une caractéristique qui sera extrêmement difficile à battre.
#fsdbeta 10.69.2.2 traite les piétons lors d’un virage à droite. Encore une fois, il gère clairement et en toute sécurité les piétons sans qu’il soit question de faire passer la personne en premier. Je suis impressionné par la progression de chaque mise à jour. @Elon Musk pic.twitter.com/6k7A2a1ImX
– Propriétaires de Tesla Silicon Valley (@teslaownersSV) 20 septembre 2022
Voici les notes de version de FSD Beta v10.69.2.2, telles que récupérées par NotaTeslaApp :
– Ajout d’un nouveau module de «guidage de voie profonde» au réseau neuronal Vector Lanes qui fusionne les caractéristiques extraites des flux vidéo avec des données cartographiques grossières, c’est-à-dire le nombre de voies et les connectivités des voies. Cette architecture permet d’obtenir un taux d’erreur inférieur de 44 % sur la topologie des voies par rapport au modèle précédent, permettant un contrôle plus fluide avant que les voies et leurs connectivités ne deviennent visuellement apparentes. Cela permet de faire en sorte que chaque pilote automatique conduise aussi bien que quelqu’un conduisant son propre trajet, mais d’une manière suffisamment générale qui s’adapte aux changements de route.
– Amélioration de la douceur de conduite globale, sans sacrifier la latence, grâce à une meilleure modélisation de la latence du système et de l’actionnement dans la planification de trajectoire. Le planificateur de trajectoire tient désormais compte indépendamment de la latence des commandes de direction à l’actionnement réel de la direction, ainsi que des commandes d’accélération et de freinage à l’actionnement. Il en résulte une trajectoire qui est un modèle plus précis de la façon dont le véhicule conduirait. Cela permet un meilleur suivi et une meilleure fluidité du contrôleur en aval tout en permettant une réponse plus précise lors de manœuvres difficiles.
– Amélioration des virages à gauche non protégés avec un profil de vitesse plus approprié à l’approche et à la sortie des régions de croisement médianes, en présence de circulation transversale à grande vitesse (virages à gauche non protégés de style « Chuck Cook »). Cela a été fait en permettant une secousse initiale optimisable, pour imiter la pression sur la pédale dure par un humain, lorsqu’il doit aller devant des objets à grande vitesse. Profil latéral également amélioré à l’approche de ces régions de sécurité pour permettre une meilleure pose qui s’aligne bien pour sortir de la région. Enfin, une meilleure interaction avec les objets qui entrent ou attendent à l’intérieur de la région de croisement médiane avec une meilleure modélisation de leur intention future.
– Ajout d’un contrôle pour les volumes de déplacement arbitraires à basse vitesse à partir du réseau d’occupation. Cela permet également un contrôle plus fin des formes d’objets plus précises qui ne peuvent pas être facilement représentées par une primitive cuboïde. Cela nécessitait de prédire la vitesse à chaque voxel 3D. Nous pouvons maintenant contrôler les ovnis lents.
– Mise à niveau du réseau d’occupation pour utiliser la vidéo au lieu des images à partir d’un seul pas de temps. Ce contexte temporel permet au réseau d’être robuste aux occlusions temporaires et permet de prédire le flux d’occupation. En outre, une vérité terrain améliorée avec un rejet des valeurs aberrantes basé sur la sémantique, une extraction d’exemples difficiles et une augmentation de la taille de l’ensemble de données de 2,4x.
– Mise à niveau vers une nouvelle architecture en deux étapes pour produire une cinématique d’objet (par exemple, vitesse, accélération, taux de lacet) où le calcul du réseau est alloué O (objets) au lieu de O (espace). Cela a amélioré de 20 % les estimations de vitesse pour les véhicules qui se croisent loin, tout en utilisant un dixième du calcul.
– Amélioration de la fluidité des virages à droite protégés en améliorant l’association des feux de circulation avec des voies de contournement par rapport aux panneaux de cession avec des voies de contournement. Cela réduit les faux ralentissements lorsqu’aucun objet pertinent n’est présent et améliore également la position de rendement lorsqu’ils sont présents.
– Réduction des faux ralentissements près des passages pour piétons. Cela a été fait avec une meilleure compréhension de l’intention des piétons et des cyclistes en fonction de leur mouvement.
– Amélioration de l’erreur de géométrie des voies pertinentes pour l’ego de 34 % et des voies de croisement de 21 % avec une mise à jour complète du réseau neuronal Vector Lanes. Les goulots d’étranglement d’information dans l’architecture du réseau ont été éliminés en augmentant la taille des extracteurs de fonctionnalités par caméra, des modules vidéo, des composants internes du décodeur autorégressif et en ajoutant un mécanisme d’attention stricte qui a considérablement amélioré la position précise des voies.
– Rendu le profil de vitesse plus confortable lors du rampage pour la visibilité, pour permettre des arrêts plus fluides lors de la protection des objets potentiellement occlus.
– Amélioration du rappel des animaux de 34 % en doublant la taille de l’ensemble d’entraînement auto-étiqueté.
– Activé rampant pour la visibilité à n’importe quelle intersection où les objets pourraient croiser le chemin de l’ego, indépendamment de la présence de contrôles de la circulation.
– Amélioration de la précision de la position d’arrêt dans les scénarios critiques avec croisement d’objets, en permettant à la résolution dynamique dans l’optimisation de la trajectoire de se concentrer davantage sur les zones où un contrôle plus fin est essentiel.
– Augmentation du rappel des voies de bifurcation de 36 % en faisant participer les jetons topologiques aux opérations d’attention du décodeur autorégressif et en augmentant la perte appliquée aux jetons de bifurcation pendant l’entraînement.
– Amélioration de l’erreur de vitesse pour les piétons et les cyclistes de 17 %, en particulier lorsque l’ego effectue un virage, en améliorant l’estimation de la trajectoire embarquée utilisée comme entrée du réseau de neurones.
– Amélioration du rappel de la détection d’objets, éliminant 26 % des détections manquantes pour les véhicules qui se croisent loin en ajustant la fonction de perte utilisée pendant la formation et en améliorant la qualité de l’étiquette.
– Amélioration de la prédiction de la trajectoire future de l’objet dans les scénarios avec un taux de lacet élevé en incorporant le taux de lacet et le mouvement latéral dans l’estimation de la vraisemblance. Cela aide les objets qui se tournent vers ou s’éloignent de la voie de l’ego, en particulier dans les intersections ou les scénarios de coupure.
– Vitesse améliorée lors de l’entrée sur l’autoroute grâce à une meilleure gestion des changements de vitesse de carte à venir, ce qui augmente la confiance de fusionner sur l’autoroute.
– Réduction de la latence lors du démarrage à partir d’un arrêt en tenant compte de la secousse du véhicule de tête.
– A permis une identification plus rapide des coureurs de feux rouges en évaluant leur état cinématique actuel par rapport à leur profil de freinage attendu.
Appuyez sur le bouton « Enregistrement vidéo » sur la barre supérieure de l’interface utilisateur pour partager vos commentaires. Lorsque vous appuyez dessus, les caméras externes de votre véhicule partagent un court instantané du pilote automatique associé au VIN avec l’équipe d’ingénierie de Tesla pour aider à apporter des améliorations au FSD. Vous ne pourrez pas visionner le clip.
Tesla FSD Beta 10.69.2.2 étendu à 160 000 propriétaires aux États-Unis et au Canada : Elon Musk
