12月10日，特斯拉在北京舉辦了以“自動駕駛的‘仿生大腦’”為主題的“T-talk”線下分享討論會。特斯拉主要講解了目前AI技術的最新進展，包括特斯拉如何以純視覺方案實現精準的自動駕駛能力，帶來比雷達+視覺的融合方案更加安全可靠的體驗，以及獨特的智能算法等獨家內容，帶領參與者們深入了解了特斯拉在自動駕駛領域的探索。

堅持視覺感知 用AI神經網絡技術提升輔助駕駛能力

如圖1所示，Andrej說：“我們希望能夠打造一個類似動物視覺皮層的神經網絡連接，模擬大腦信息輸入和輸出的過程。就像光線進入到視網膜當中，我們希望通過攝像頭來模擬這個過程?！?/span>

攝像頭模擬人類圖像處理流程示意

多任務學習神經網絡架構HydraNets，通過一個主干網絡處理8個攝像頭傳入進來的原始數據，利用RegNet殘差網絡和BiFPN算法模型統一處理，得出不同精度下的各類型圖像特征，供給不同需求類型的神經網絡任務所用。

多任務學習神經網絡架構HydraNets

不過由于該結構處理的是單個攝像頭的單幀圖片畫面，在實際應用時候遇到很多瓶頸；于是在次結構之上加入了Transformer神經網絡結構，使得原本提取的二維的圖像特征，變為了多個攝像頭拼合起來的三維向量空間的特征，從而大大提升了識別率和精準度。

還沒完，由于仍是單幀的畫面，所以還需要時間維度和空間維度，以讓車輛擁有特征“記憶”功能，用于應對“遮擋”、“路牌”等多種場景，最終實現以視頻流的形式，將行駛環境的特征提取出來，形成向量空間，讓車輛能夠精準、低延遲地判斷周圍環境，形成4D向量空間，這些視頻形式特征的數據庫為訓練自動駕駛所用。

視頻化4D向量空間的神經網絡架構

不過由于城市自動駕駛與高速自動駕駛不同，車輛規劃模塊有兩大難題，其一是行車方案不一定有最優解，其局部最優解會很多，也就意味著同樣的駕駛環境，自動駕駛可以選擇很多種可能的解決方案，并且都是好的方案；其二是維度較高，車輛不僅需要做出當下的反應，還需要為接下來的一段時間做好規劃，估算出位置空間、速度、加速度等諸多信息。

所以特斯拉選擇兩個途徑解決規劃模塊這兩大難題，一個是用離散搜索方式解決局部最優解的“答案”，以每1.5毫秒2500次搜索的超高效率執行；另一個是用連續函數優化來解決高維度問題。通過離散搜索方式先得出一個全局最優解，然后利用連續函數優化來平衡多個維度的訴求，例如舒適型、平順性等，得出最終的規劃路徑。

此外，除了要為自己做規劃，還要“估算”和猜測其他物體的規劃，即用同樣的方式，基于對其他物體的識別以及基礎的速度、加速度等參數，然后替其他車輛規劃路徑，并以此應對。

不過全球各地的道路狀況千變萬化，非常復雜，如果采用離散搜索的方式會消耗大量資源，并且使得決策時間過長，所以選擇了深度神經網絡結合蒙地卡羅搜索樹的方式，大大提高的決策效率，幾乎是數量級的差距。

不同方式下的效率

最終規劃模塊的整體架構如圖5，先基于純視覺方案的架構將數據處理為4D向量空間，然后基于之前得到的物體識別以及共享的特征數據，再利用深度神經網絡尋找全局最優解，最終規劃結果交給執行機構執行。

視覺識別+規劃、執行整體架構

當然，再好的神經網絡架構和處理辦法，都離不開一個有效且龐大的數據庫。在數據從2D向3D、4D轉換過程中，約1000多人的人工標注團隊也在與時俱進在4D空間上進行標注，并且僅需在向量空間中標注后，會自動映射入不同攝像頭的具體單個畫面中，大大增加的數據標注量，但這些還遠遠不夠，人工標注的數據量遠遠喂不飽自動駕駛所需的訓練量。

4D向量空間中人工標注的演示

由于人更擅長語義識別，而計算機更加擅長與幾何、三角化、跟蹤、重建等，所以特斯拉想要創造一個人和計算機“和諧分工”共同標注的模式。

特斯拉搭建了一個龐大的自動標注流水線，用45秒-1分的視頻，包括大量傳感器數據，交給神經網絡離線學習，然后利用大量機器和人工智能算法生成可以用于訓練網絡的標注數據集。

視頻片段自動標注處理流程

對與可行駛區域例如道路、道線、十字路口等的識別，特斯拉使用了NeRF“神經輻射場”，即一種2D向3D轉化的圖像處理算法，給出既定的XY坐標點數據，讓神經網絡預測地面的高度，由此生成無數的XYZ坐標點，以及各種語義，例如路邊、車道線、路面等，形成大量的信息點，并反向投射到攝像頭畫面中；然后將其道路數據和之前神經網絡識別出來的畫面分割結果進行比較，并整體優化所有攝像頭的圖像；同時結合時間維度和空間維度，創建出較為完善的重建場景。

重建道路的演示

利用此技術將不同車輛經過同一地點所重建的道路信息，進行交叉比對，他們必須在所有位置點信息一致對的上，才為預測正確，這樣共同作用下，形成了一種有效的道路表面的標注方法。

多視頻數據標注重疊互相校驗

這與高精地圖完全不一樣，所有的視頻片段所產生的標注信息只要越來越精確精準，標注信息和視頻里實際道路情況相符，就不必再維護這些數據。

同時利用這些技術，還可以對靜態的物體進行識別和重建，并且有紋理、沒紋理都可以根據這些3D信息點做出標注；這些標注點對于攝像頭識別任意障礙物都非常有用。

靜態物體的3D信息點重建

采用離線處理這些數據和標注的另一個好處是，單車網絡每次只能對其他運動事物進行預測，而離線由于數據既定行，可以通曉過去和未來，就能依照確定的數據，忽視遮擋與否，對所有的物體的速度、加速度進行預測和校準優化，并標注，訓練網絡后來更準確判斷其他運動事物，便于規劃模塊進行規劃。

離線對車輛、行人的速度、加速度校對和標注

然后將這些結合起來，就形成了對視頻數據中，所有道路相關、靜動態物體的識別、預判和重建，并對其動力學數據標注。

視頻片段對周圍環境的重建和標注

這樣的視頻數據標注將成為訓練自動駕駛神經網絡的核心部分。其中一個項目就是在3個月內，利用這些數據訓練網絡，成功實現了毫米波雷達所有功能并且更加準確，所以去掉了毫米波雷達。

攝像頭幾乎無法看到情況下，對速度和距離的判斷依然精準

驗證了這種方式的高度有效，那么就需要海量的視頻數據來訓練。所以同時，特斯拉還開發了“仿真場景技術”，可以模擬現實中不太常見的“邊緣場景”用于自動駕駛培訓。如圖4所示，在仿真場景中，特斯拉工程師可以提供不同的環境以及其他參數（障礙物、碰撞、舒適度等），極大提升了訓練效率。

仿真場景

特斯拉利用仿真模式訓練網絡，已經用了3億張圖像和50億個標注來訓練網絡，接下來還會利用該模式繼續解決更多的難題。

仿真模式帶來的提升和未來幾個月預期

綜上，如果要更快速提升自動駕駛網絡的能力，需要處理海量的視頻片段以及運算。舉個簡單的例子，為了拿掉毫米波雷達，就處理了250萬個視頻片段，生成了超過100億個標注；而這些，讓硬件越來越成為發展速度的瓶頸。

之前特斯拉使用的是一組約3000塊GPU、稍低于20000個CPU的訓練硬件，并為了仿真還加入了2000多臺FSD計算機；后來發展到10000塊GPU組成的世界排名第五的超級計算機，但是即便如此，還是遠遠不夠。

目前在使用的超級計算機參數和變化

所以特斯拉決定自己研制超級計算機。

“工程學的創舉”——D1芯片與Dojo超級計算機

當下，隨著所需處理的數據開始指數級增長，特斯拉也在提高訓練神經網絡的算力，因此，便有了特斯拉Dojo超級計算機。

特斯拉的目標是實現人工智能訓練的超高算力，處理大型復雜的神經網絡模式、同時還要擴展帶寬、減少延遲、節省成本。這就要求Dojo超級計算機的布局，要實現空間和時間的最佳平衡。

如圖所示，組成Dojo超級計算機的關鍵單元是特斯拉自主研發的神經網絡訓練芯片——D1芯片。D1芯片采用分布式結構和7納米工藝，搭載500億個晶體管、354個訓練節點，僅內部的電路就長達17.7公里，實現了超強算力和超高帶寬。

D1芯片技術參數

D1芯片現場展示

如圖所示，Dojo超級計算機的單個訓練模塊由25個D1芯片組成。由于每個D1芯片之間都是無縫連接在一起，相鄰芯片之間的延遲極低，訓練模塊最大程度上實現了帶寬的保留，配合特斯拉自創的高帶寬、低延遲的連接器；在不到1立方英尺的體積下，算力高達9PFLOPs（9千萬億次），I/O帶寬高達36TB/s。

D1芯片組成的訓練模塊

訓練模塊現場展示

得益于訓練模塊的獨立運行能力和無限鏈接能力，由其組成的Dojo超級計算機的性能拓展在理論上無上限，是個不折不扣的“性能野獸”。如圖9所示，實際應用中，特斯拉將以120個訓練模塊組裝成ExaPOD，它是世界上首屈一指的人工智能訓練計算機。與業內其他產品相比，同成本下它的性能提升4倍，同能耗下性能提高1.3倍，占用空間節省5倍。

訓練模塊組合成ExaPOD

與強大硬件相匹配的，是特斯拉針對性開發的分布式系統——DPU（Dojo Processing Unit）。DPU是一個可視化交互軟件，可以隨時根據要求調整規模，高效地處理和計算，進行數據建模、存儲分配、優化布局、分區拓展等任務。

不久后，特斯拉即將開始Dojo超級計算機的首批組裝，并從整個超級計算機到芯片、系統，進行更進一步的完善。對于人工智能技術，馬斯克顯然還有更遠大的追求。這種追求，寄托在他開場白中“我們遭遇了一點技術問題，希望以后可以用AI來解決”的調侃，更在于活動結尾時他許下的“我們會進一步在整個人類世界里暢游”的承諾。

返回第一電動網首頁 >