Илон Маск недавно предоставил некоторые обновления о широком развертывании FSD Beta 10.13. Последняя итерация усовершенствованной системы помощи водителю компании начала свой первоначальный выпуск в начале этого месяца, но ее широкое распространение еще не началось.
В недавнем посте в Твиттере Илон Маск признал, что, хотя Tesla очень усердно работает над FSD Beta 10.13, сама система еще не готова к широкому выпуску. Он подсчитал, что массовый выпуск FSD Beta 10.13, скорее всего, состоится через неделю или около того, но когда это произойдет, водители за пределами Калифорнии получат некоторые очень заметные улучшения.
Как отметил генеральный директор Tesla, пользователи «за пределами Калифорнии больше всего заметят улучшения». Это интересный комментарий, особенно если учесть, что Маск в прошлом признавал, что бета-версия FSD «похоже, работает лучше в Калифорнии», чем в других регионах, таких как Род-Айленд. Маск признал это в прошлом году, отметив, что FSD Beta была адаптирована для района залива.
10.13, вероятно, через неделю или около того, но да. Больше всего улучшений заметят люди за пределами Калифорнии.
— Илон Маск (@elonmusk) 29 июля 2022 г.
Как отмечается в отчете Benzinga, переобучение в статистике предполагает, что модель слишком тесно связана с конкретным набором точек данных, что может плохо соответствовать другим точкам данных. В случае FSD Beta это может привести к тому, что усовершенствованная система помощи водителю будет работать очень хорошо в таких районах, как Сан-Франциско, но не так хорошо в других регионах Соединенных Штатов.
Примечания к выпуску FSD Beta 10.13, просочившиеся ранее в этом месяце, показали, что обновление включает в себя ряд ключевых улучшений производительности.
Ниже приведены частичные примечания к выпуску FSD Beta 10.13, которые были опубликованы до сих пор:
Улучшено принятие решений для незащищенных левых поворотов за счет лучшей оценки взаимодействия эго с другими объектами во время маневра. Улучшена поза остановки при уступке для пересечения объектов при незащищенных левых поворотах в стиле Чака Кука за счет использования средних зон безопасности. Сделан профиль скорости более удобным при подкрадывании для видимости, чтобы обеспечить более плавные остановки при защите от потенциально закрытых объектов. Включено сползание для видимости на любом перекрестке, где объекты могут пересекать путь эго, независимо от наличия средств управления движением. Улучшена ошибка определения полосы движения на 5 % и отзыв полосы движения на 12 %… Улучшена ошибка определения положения полосы движения при пересечении и слиянии полос движения на 22 % за счет добавления в сетевую архитектуру соединений с пропуском дальнего действия и более мощной магистрали. Улучшена ошибка скорости пешехода и велосипедиста на 17%, особенно когда эго совершает поворот, за счет улучшения бортовой оценки траектории, используемой в качестве входных данных для нейронной сети. Улучшение отзыва при обнаружении животных на 34 % и снижение ложных срабатываний на 8 % за счет удвоения размера обучающей выборки с автоматической маркировкой. На 4 % улучшено воспроизведение при обнаружении далеко пересекающих транспортных средств за счет настройки функции потерь, используемой во время обучения, и улучшения качества меток. Улучшен атрибут «припарковано» для транспортных средств на 5 % за счет добавления на 20 % дополнительных примеров в обучающий набор. Модернизирована сеть занятости для обнаружения динамических объектов и повышения производительности за счет добавления видеомодуля, настройки функции потерь и добавления 37 тыс. новых клипов в обучающий набор. Сокращение ложных замедлений вокруг пешеходных переходов за счет лучшей классификации пешеходов и велосипедистов как не намеревающихся взаимодействовать с эго. Сокращение числа ложных смен полосы движения из-за конусов или заторов за счет плавного смещения полосы движения, где это уместно. Улучшено позиционирование в полосе на широких жилых дорогах. Улучшено предсказание будущего пути объекта в сценариях с высокой скоростью рыскания. Улучшена точность знаков ограничения скорости на цифровых ограничениях скорости на 29%, на знаках с трудной релевантностью на 23%, на трехзначных знаках скорости на 39% и на конечных знаках ограничения скорости на 62%. Нейронная сеть была обучена на 84 % больше примеров в обучающем наборе и с архитектурными изменениями, которые позволили выделить больше вычислительных ресурсов в головной части сети.
Улучшения Tesla FSD Beta 10.13 будут (особенно) очевидны для пользователей, не входящих в CA
