Tesla lanzó la nueva actualización Full Self-Driving Beta

Tesla está comenzando a implementar una nueva actualización de software Beta de conducción autónoma completa (FSD) que incluye una serie de cambios de alto nivel que deberían tener un impacto positivo en el rendimiento.

FSD Beta permite que los vehículos Tesla conduzcan de manera autónoma a un destino ingresado en el sistema de navegación del vehículo, pero el conductor debe permanecer alerta y listo para tomar el control en todo momento.

Dado que la responsabilidad recae en el conductor y no en el sistema Tesla, todavía se considera un sistema de asistencia al conductor de nivel dos a pesar de su nombre. Es una especie de programa de “dos pasos adelante, un paso atrás”, ya que algunas actualizaciones han visto regresiones en términos de capacidades de conducción.

Tesla lanza con frecuencia nuevas actualizaciones de software para el programa FSD Beta y agrega más propietarios.

La compañía ahora tiene más de 100,000 personas en el programa FSD Beta y planea expandirlo a todos los compradores de acceso de América del Norte para fin de año con algunas actualizaciones de software más para perfeccionar el sistema.

Teniendo en cuenta que ya estamos en noviembre y que, por lo general, Tesla tarda al menos un mes en entregar una nueva actualización FSD Beta, esperamos que Tesla esté a una o dos actualizaciones del lanzamiento más amplio prometido.

Hoy, el fabricante de automóviles ha comenzado a enviar la nueva actualización FSD Beta (v10.69.3) a los empleados para realizar pruebas internas, lo que generalmente significa que pronto se implementará para los probadores beta en la flota del cliente.

De acuerdo con las notas de la versión a continuación, la actualización no incluye ninguna característica nueva, pero incluye varias actualizaciones de alto nivel para las redes neuronales de Tesla para mejorar el rendimiento general del sistema.

Notas de la versión beta de conducción autónoma completa de Tesla v10.69.3 Notas de la versión de Not a Tesla App:

– Se actualizó la red de detección de objetos para flujos de video de conteo de fotones y se volvieron a entrenar todos los parámetros utilizando los últimos conjuntos de datos etiquetados automáticamente (con especial énfasis en situaciones de baja visibilidad).

– Arquitectura mejorada para una mayor precisión y latencia, mayor recuperación de vehículos distantes, menor error de velocidad de los vehículos que se cruzan en un 20 % y precisión VRU mejorada en un 20 %.

– Convirtió la red VRU Velocity en una red de dos etapas, lo que redujo la latencia y mejoró el error de velocidad de cruce peatonal en un 6 %.

– Convirtió la red de atributos sin VRU en una red de dos etapas, lo que redujo la latencia, redujo la asignación incorrecta de carril de los vehículos que cruzan en un 45 % y redujo las predicciones erróneas de estacionamiento en un 15 %.

– Reformuló la gramática autorregresiva Vector Lanes para mejorar la precisión de los carriles en un 9,2 %, la recuperación de carriles en un 18,7 % y la recuperación de bifurcaciones en un 51,1 %. Incluye una actualización de red completa en la que todos los componentes se vuelven a entrenar con 3,8 veces la cantidad de datos.

– Se agregó un nuevo módulo de “marcas viales” a la red neuronal Vector Lanes que mejora el error de topología de carril en las intersecciones en un 38,9 %.

– Red de ocupación mejorada para alinearse con la superficie de la carretera en lugar de ego para una mejor estabilidad de detección y un mejor recuerdo de la cima de la colina.

– Reducción del tiempo de ejecución de generación de trayectorias candidatas en aproximadamente un 80 % y mejora de la fluidez al destilar un costoso método de optimización de trayectorias en una red neuronal de planificación liviana.

– Mejora de la toma de decisiones para cambios de carril con plazos breves alrededor de gores mediante un mejor modelado de la compensación entre la salida de la ruta y la trayectoria requerida para conducir a través de la región de gore.

– Se redujeron las desaceleraciones falsas para los peatones cerca de los cruces de peatones mediante el uso de un mejor modelo para la cinemática de los peatones.

– Control agregado para una geometría de objeto más precisa según lo determinado por la red de ocupación general.

– Control mejorado para los vehículos que salen de nuestro carril deseado mediante un mejor modelado de sus maniobras de giro/laterales para evitar una desaceleración no natural.

– Control longitudinal mejorado mientras se reducen los obstáculos estáticos al encontrar posibles perfiles de movimiento del vehículo.

– Suavidad de control longitudinal mejorada para vehículos en el carril durante escenarios de alta velocidad relativa al considerar también la aceleración relativa en la optimización de la trayectoria.

– En el mejor de los casos, se redujo la latencia del sistema de fotones a control de objetos en un 26 % a través de la programación del planificador adaptativo, la reestructuración de la selección de trayectorias y la paralelización del cálculo de percepción. Esto nos permite tomar decisiones más rápidas y mejorar el tiempo de reacción.

FTC: Utilizamos enlaces de afiliados automáticos que generan ingresos. Más.

Leave a Reply

Your email address will not be published. Required fields are marked *