特斯拉是一個典型的AI公司，過去一年訓練了75000個神經網絡，意味著每8分鐘就要出一個新的模型，共有281個模型用到了特斯拉的車上。接下來我們分幾個方面來解讀特斯拉FSD的算法和模型進展。

感知 Occupancy Network

特斯拉今年在感知方面的一個重點技術是Occupancy Network (占據網絡)。研究機器人技術的同學肯定對occupancy grid不會陌生，occupancy表示空間中每個3D體素（voxel）是否被占據，可以是0/1二元表示，也可以是[0, 1]之間的一個概率值。

為什么估計occupancy對自動駕駛感知很重要呢？因為在行駛中，除了常見障礙物如車輛、行人，我們可以通過3D物體檢測的方式來估計他們的位置和大小，還有更多長尾的障礙物也會對行駛產生重要影響。例如：1.可變形的障礙物，如兩節的掛車，不適合用3D bounding box來表示；2.異形障礙物，如翻倒的車輛，3D姿態估計會失效；3.不在已知類別中的障礙物，如路上的石子、垃圾等，無法進行分類。因此，我們希望能找到一種更好的表達來描述這些長尾障礙物，完整估計3D空間中每一個位置的占據情況（occupancy），甚至是語義（semantics）和運動情況（flow）。

特斯拉用下圖的具體例子來展現Occupancy Network的強大。不同于3D的框，occupancy這種表征對物體沒有過多的幾何假設，因此可以建模任意形狀的物體和任意形式的物體運動。圖中展示了一個兩節的公交車正在啟動的場景，藍色表示運動的體素，紅色表示靜止的體素，Occupancy Network精確地估計出了公交車的第一節已經開始運動，而第二節還處于靜止狀態。

對正在啟動的兩節公交車的occupancy估計，藍色表示運動的體素，紅色表示靜止的體素

Occupancy Network的模型結構如下圖所示。首先模型利用RegNet和BiFPN從多相機獲取特征，這個結構跟去年的AI day分享的網絡結構一致，說明backbone變化不大。然后模型通過帶3D空間位置的spatial query對2D圖像特征進行基于attention的多相機融合。如何實現3D spatial query和2D特征圖之間的聯系呢？具體融合的方式圖中沒有細講，但有很多公開的論文可以參考。我認為最有可能采取的是兩種方案之一，第一種叫做3D-to-2D query，即根據每個相機的內外參將3D spatial query投影到2D特征圖上，提取對應位置的特征。該方法在DETR3D中提出，BEVFormer和PolarFormer也采取了該思想。第二種是利用positional embedding來進行隱式的映射，即將2D特征圖的每個位置加上合理的positional embedding，如相機內外參、像素坐標等，然后讓模型自己學習2D到3D特征的對應關系。再接下來模型進行時序融合，實現的方法是根據已知的自車位置和姿態變化，將3D特征空間進行拼接。

Occupancy Network結構

特征融合后，一個基于deconvolution的解碼器會解碼出每個3D空間位置的occupancy，semantics以及flow。發布會中強調，由于這個網絡的輸出是稠密（dense）的，輸出的分辨率會受到內存的限制。我相信這也是所有做圖像分割的同學們遇到的一大頭疼的問題，更何況這里做的是3D分割，但自動駕駛對于分辨率度的要求卻很高（~10cm）。因此，受到神經隱式表示（neural implicit representation）的啟發，模型的最后額外設計了一個隱式queryable MLP decoder，輸入任意坐標值(x,y,z)，可解碼出該空間位置的信息，即occupancy，semantics，flow。該方法打破了模型分辨率的限制，我認為是設計上的一個亮點。

規劃 Interactive Planning

規劃是自動駕駛的另一個重要模塊，特斯拉這次主要強調了在復雜路口對交互（interaction）進行建模。為什么交互建模如此重要呢？因為其他車輛、行人的未來行為都有一定的不確定性，一個聰明的規劃模塊要在線進行多種自車和他車交互的預測，并且對每一種交互帶來的風險進行評估，并最終決定采取何種策略。

特斯拉把他們采用的規劃模型叫做交互搜索（Interaction Search），它主要由三個主要步驟組成：樹搜索，神經網絡軌跡規劃和軌跡打分。

1、樹搜索是軌跡規劃常用的算法，可以有效地發現各種交互情形找到最優解，但用搜索的方法來解決軌跡規劃問題遇到的最大困難是搜索空間過大。例如，在一個復雜路口可能有20輛與自車相關，可以組合成超過100種交互方式，而每種交互方式都可能有幾十種時空軌跡作為候選。因此特斯拉并沒有采用軌跡搜索的方法，而是用神經網絡來給一段時間后可能到達的目標位置（goal）進行打分，得到少量較優的目標。

2、在確定目標以后，我們需要確定一條到達目標的軌跡。傳統的規劃方法往往使用優化來解決該問題，解優化并不難，每次優化大約花費1到5毫秒，但是當前面步驟樹搜索的給出的候選目標比較多的時候，時間成本我們也無法負擔。因此特斯拉提出使用另一個神經網絡來進行軌跡規劃，從而對多個候選目標實現高度并行規劃。訓練這個神經網絡的軌跡標簽有兩種來源：第一種是人類真實開車的軌跡，但是我們知道人開的軌跡可能只是多種較優方案中的一種，因此第二種來源是通過離線優化算法產生的其他的軌跡解。

3、在得到一系列可行軌跡后，我們要選擇一個最優方案。這里采取的方案是對得到的軌跡進行打分，打分的方案集合了人為制定的風險指標，舒適指標，還包括了一個神經網絡的打分器。

通過以上三個步驟的解耦，特斯拉實現了一個高效的且考慮了交互的軌跡規劃模塊。基于神經網絡的軌跡規劃可以參考的論文并不多，我有發表過一篇與該方法比較相關的論文TNT[5]，同樣地將軌跡預測問題分解為以上三個步驟進行解決：目標打分，軌跡規劃，軌跡打分。感興趣的讀者可以前往查閱細節。此外，我們課題組也在一直探究行為交互和規劃相關的問題，也歡迎大家關注我們最新的工作InterSim[6]。

Interaction Search規劃模型結構

矢量地圖 Lanes Network

個人覺得本次AI Day上另一大技術亮點是在線矢量地圖構建模型Lanes Network。有關注去年AI Day的同學們可能記得，特斯拉在BEV空間中對地圖進行了完整的在線分割和識別。那么為什么還要做Lanes Network呢？因為分割得到的像素級別的車道不足夠用于軌跡規劃，我們還需要得到車道線的拓撲結構，才能知道我們的車可以從一條車道變換到另一條車道。

我們先來看看什么是矢量地圖，如圖所示，特斯拉的矢量地圖由一系列藍色的車道中心線centerline和一些關鍵點（連接點connection，分叉點fork， 并道點merge）組成，并且通過graph的形式表現了他們的連接關系。

矢量地圖，圓點為車道線關鍵點，藍色為車道中心線

Lanes Network在模型結構上，是感知網絡backbone基礎上的一個decoder。相比解碼出每個體素的occupancy和語義，解碼出一系列稀疏的、帶連接關系的車道線更為困難，因為輸出的數量不固定，此外輸出量之間還有邏輯關系。

特斯拉參考了自然語言模型中的Transformer decoder，以序列的方式自回歸地輸出結果。具體實現上來說，我們首先要選取一個生成順序（如從左到右，從上到下），對空間進行離散化（tokenization）。然后我們就可以用Lanes Network進行一系列離散token的預測。如圖所示，網絡會先預測一個節點的粗略位置的（index:18），精確位置（index:31），然后預測該節點的語義（"Start"，即車道線的起點），最后預測連接特性，如分叉/并道/曲率參數等。網絡會以這樣自回歸的方式將所有的車道線節點進行生成。

Lanes Network網絡結構

我們要注意到，自回歸的序列生成并不是語言Transformer模型的專利。我們課題組在過去幾年中也有兩篇生成矢量地圖的相關論文，HDMapGen[7]和VectorMapNet[8]。HDMapGen采用帶注意力的圖神經網絡（GAT）自回歸地生成矢量地圖的關鍵點，和特斯拉的方案有異曲同工之妙。而VectorMapNet采用了Detection Transformer（DETR）來解決該問題，即用集合預測（set prediction）的方案來更快速地生成矢量地圖。

HDMapGen矢量地圖生成結果

VectorMapNet矢量地圖生成結果

自動標注 Autolabeling

自動標注也是特斯拉在去年AI Day就講解過的一種技術，今年的自動標注著重講解了Lanes Network的自動標注。特斯拉的車每天就能產生500000條駕駛旅程（trip），利用好這些駕駛數據能夠更好地幫助進行車道線的預測。

特斯拉的自動車道線標注有三個步驟：

1、通過視覺慣性里程計（visual inertial odometry）技術，對所有的旅程進行高精度軌跡估計。

2、多車多旅程的地圖重建，是該方案中的最關鍵步驟。該步驟的基本動機是，不同的車輛對同一個地點可能有不同空間角度和時間的觀測，因此將這些信息進行聚合能更好地進行地圖重建。該步驟的技術點包括地圖間的幾何匹配和結果聯合優化。

3、對新旅程進行車道自動標注。當我們有了高精度的離線地圖重建結果后，當有新的旅程發生時，我們就可以進行一個簡單的幾何匹配，得到新旅程車道線的偽真值（pseudolabel）。這種獲取偽真值的方式有時候（在夜晚、雨霧天中）甚至會優于人工標注。

Lanes Network自動標注

仿真 Simulation

視覺圖像的仿真是近年來計算機視覺方面的熱門方向。在自動駕駛中，視覺仿真的主要目的，是有針對性地生成一些少見場景，從而免掉到真實路測中去碰運氣的必要。例如，特斯拉常年頭疼的路中央橫著大卡車的場景。但是視覺仿真并不是一個簡單的問題，對于一個復雜的路口（舊金山的Market Street），利用傳統建模渲染的方案需要設計師2周的時間。而特斯拉通過AI化的方案，現在只需要5分鐘。

具體來說，視覺仿真的先決條件是要準備自動標注的真實世界道路信息 ，和豐富的圖形素材庫。然后依次進行以下步驟：

1、路面生成：根據路沿進行路面的填充，包括路面坡度、材料等細節信息。

2、車道線生成：將車道線信息在路面上進行繪制。

3、植物和樓房生成：在路間和路旁隨機生成和渲染植物和房屋。生成植物和樓房的目的不僅僅是為了視覺的美觀，它也同時仿真了真實世界中這些物體引起的遮擋效應。

4、其他道路元素生成：如信號燈，路牌，并且導入車道和連接關系。

5、加入車輛和行人等動態元素。

基礎設施 Infrastructure

最后，我們簡單說說特斯拉這一系列軟件技術的基礎，就是強大的基礎設施。特斯拉的超算中心擁有14000個GPU，共30PB的數據緩存，每天都有500000個新的視頻流入這些超級計算機。為了更高效地處理這些數據額，特斯拉專門開發了加速的視頻解碼庫，以及加速讀寫中間特征的文件格式.smol file format。此外，特斯拉還自研了超算中心的芯片Dojo，我們在這里不做講解。

視頻模型訓練的超算中心

總結

隨著近兩年特斯拉AI Day的內容發布，我們慢慢看清了特斯拉在自動（輔助）駕駛方向上的技術版圖，同時我們也看到特斯拉自己也在不停地自我迭代，例如從2D感知，BEV感知，到Occupancy Network。自動駕駛是一個萬里長征，是什么在支撐特斯拉技術的演進呢？我想是三點：視覺算法帶來的全場景理解能力，強大算力支持的模型迭代速度，海量數據帶來的泛化性。這不就是深度學習時代的三大支柱嗎？

編輯：黃飛

?