天又黑又下雨，加上交通有時比較擁擠。 特斯拉車主和受歡迎的YouTube影響者安迪·斯利帶我們一起乘坐他的特斯拉模型3在他通常的通勤。 他的目標是向我們展示特斯拉自動駕駛儀的表現。 此外，他還測試了該系統的最新特性。 看到技術在行動中是非常迷人的，而Slye通過敘述來幫助。 特斯拉自動駕駛儀正在不斷改進。

這是因為特斯拉監控了它所有的車輛，然后使用空中軟件更新來推動其車隊的改進。 對于任何軟件，有時更新會導致問題，但這些問題可以通過隨后的更新來解決。 查看更多特斯拉自動駕駛儀內容： ? 特斯拉自動駕駛儀紅綠燈和停車標志控制 ? 在大流行的中期測試特斯拉3型自動駕駛儀 ? 在自動駕駛儀上觀看Tesla Model3，避免與錯誤駕駛發生碰撞 在2020年的第一季度，特斯拉自動駕駛儀的事故率最低 雖然特斯拉自動駕駛還沒有接近完全自主，而且特斯拉的完全自主駕駛能力不是功能完全，但這項技術能夠幫助完成許多典型的駕駛任務。 就在最近，特斯拉更新了系統，有能力停止交通燈和停車標志。 該功能現在需要驅動程序確認，因為它通過經驗和數據收集來學習。 看看Slye的特斯拉自動駕駛通勤車。 他開車需要45分鐘，但他加快了視頻的速度，使它更短。 正如你所看到的，駕駛在黑暗中，在雨中，在相對繁忙的交通中。 然后，讓我們知道你在下面的評論部分的想法。 我們也想聽聽你的自動駕駛經驗。 視頻描述通過安迪Slye在你管： 特斯拉自動駕駛儀在2020年在我的45分鐘通勤上駕駛自己 我的特斯拉Model3(HW3) 在2020年，在我每天上下班的路上，在黑暗和雨中駕駛增強型自動駕駛儀和全自駕駛)。 我們還查看了最新的特斯拉軟件更新，該軟件添加了自動停止在停止燈和停止標志，以了解它在現實生活中的表現。 特斯拉在規模上發展和部署自主，他們認為，一種基于先進人工智能的視覺和規劃方法，在推理硬件的有效使用的支持下，是實現全面自動駕駛的通用解決方案的唯一途徑。 硬件 構建硅芯片，從地面上為我們的全自動駕駛軟件提供動力，考慮到每一個小型建筑和微型建筑的改進，同時努力擠壓每瓦最大的硅性能。 對設計進行樓層規劃、時間和功率分析。 編寫健壯的、隨機的測試和評分板，以驗證功能和性能。實現編譯器和驅動程序與芯片編程和通信，重點是性能優化和功率節省。 最后，對硅片進行了驗證，并將其推向了大規模生產。 神經網絡 應用前沿研究對從感知到控制的問題進行深度神經網絡訓練.. 我們的每個攝像機網絡分析原始圖像以執行語義分割、目標檢測和單目深度估計.. 我們的鳥瞰網絡從所有攝像機拍攝視頻輸出

道路布局、靜態基礎設施和三維物體直接在自上而下的視圖中.. 我們的網絡學習世界上最復雜和多樣化的場景，迭代來源于我們的車隊近1M車輛實時。 一個完整的自動駕駛神經網絡包括48個網絡，需要7萬GPU小時的訓練。 它們一起在每個時間步驟輸出1000個不同的張量（預測）。 自主算法 開發核心算法，通過創建一個高保真的世界表示和規劃軌跡在該空間。 為了訓練神經網絡來預測這種表示，通過將來自汽車傳感器的信息跨空間和時間組合起來，算法地創建準確和大規模的地面真相數據。 使用最先進的技術來建立一個強大的規劃和決策系統，在復雜的現實世界中在不確定的情況下運行。 評估你的算法在整個特斯拉艦隊的規模。 密碼基金會 吞吐量、延遲、正確性和確定性是我們優化代碼的主要指標。 從堆棧的最低級別構建Autopilot軟件基礎，并與我們的自定義硬件緊密集成。 實現超級可靠的引導加載器，支持空中更新，并帶來定制的Linux內核。 編寫快速、高效內存的低級別代碼，從我們的傳感器捕獲高頻、高容量的數據，并與多個消費進程共享它-而不影響中央內存訪問延遲或從CPU周期饑餓關鍵功能代碼。 擠壓和管道計算跨越各種硬件處理單元，分布在多個系統上芯片。 評價基礎設施 在規模上構建開環和閉環，硬件在環的評估工具和基礎設施，以加快創新步伐，跟蹤性能改進，防止回歸.. 從我們的艦隊中利用匿名的特征片段，并將它們集成到大型測試用例套件中。 編寫模擬我們真實環境的代碼，生成高度真實的圖形和其他傳感器數據，為我們的自動駕駛軟件提供實時調試或自動測試。