Aujourd'hui, Tesla a publié la dernière version de son logiciel bêta Full Self Driving (FSD) pour les voitures inscrites au programme de test. Actuellement, environ 100 000 propriétaires testent activement le logiciel FSD de Tesla, et la dernière version comporte de nombreuses améliorations à gauche et à droite.
Tesla affirme que la mise à jour est basée sur plus de 250 000 clips de formation sur les mouvements de sa flotte, et c'est la première fois que l'entreprise rend public un tel nombre. Le nouveau logiciel bêta de FSD est la version 2022.12.3.10 et constitue l'une des mises à jour les plus complètes à ce jour.
Il existe plusieurs améliorations liées au niveau de confiance dans lequel le système agit, et trois réseaux neuronaux plus anciens ont été supprimés du système, ce qui, selon Tesla, permet une amélioration de 1,8 ips de la fréquence d'images du système.
Malgré ce que son nom pourrait laisser entendre, le FSD est toujours considéré comme un système d’aide à la conduite de niveau 2, car le conducteur doit rester vigilant et prêt à prendre le contrôle à tout moment. Un système de niveau 3 n’exigerait rien de tout cela, mais jusqu’à présent, cela reste une chimère.
Voici le journal des modifications complet :
• Cadre de prise de décision amélioré pour les virages à gauche non protégés avec une meilleure modélisation de la réponse des objets aux actions de l'ego en ajoutant davantage de fonctionnalités qui façonnent la décision d'aller ou non. Cela augmente la robustesse aux mesures bruyantes tout en étant plus fidèle aux décisions dans une marge de sécurité. Le cadre exploite également les régions médianes de sécurité lorsque cela est nécessaire pour manœuvrer dans de grands virages et accélérer plus fort lors des manœuvres lorsque cela est nécessaire pour sortir de l'intersection en toute sécurité.
• Amélioration de la visibilité grâce à une géométrie de voie plus précise et une détection d'occlusion à plus haute résolution.
• Réduction des cas de tentatives de virages inconfortables grâce à une meilleure intégration avec les prédictions futures des objets lors de la sélection de la voie.
• Planificateur amélioré pour s'appuyer moins sur les voies et permettre des manœuvres fluides hors d'un espace restreint.
• Sécurité accrue des virages traversant la circulation en améliorant l'architecture du réseau neuronal des voies, ce qui a considérablement amélioré le rappel et la précision géométrique des voies de croisement.
• Amélioration du rappel et de la précision géométrique de toutes les productions de voies en ajoutant 180 000 clips vidéo à l'ensemble de formation.
• Réduction des faux ralentissements liés au contrôle de la circulation grâce à une meilleure intégration avec la structure des voies et un comportement amélioré par rapport aux feux jaunes.
• Amélioration de la précision géométrique des prévisions de bord de route et de ligne en ajoutant une couche de mélange/couplage avec le réseau d'obstacles statiques généralisé.
• Amélioration de la précision géométrique et de la compréhension de la visibilité en recyclant le réseau d'obstacles statiques généralisé avec des données améliorées de l'étiqueteuse automatique et en ajoutant 30 000 clips vidéo supplémentaires.
• Amélioration du rappel des motos, réduction de l'erreur de vitesse des piétons et des cyclistes à proximité et réduction des erreurs de cap des piétons en ajoutant de nouvelles données de simulation et d'étiquetage automatique à l'ensemble de formation.
• Amélioration de la précision de l'attribut « est garé » sur les véhicules en ajoutant 41 000 clips à l'ensemble de formation. Résolution de 48 % des cas de panne capturés par notre télémétrie du 10.11.
• Amélioration du rappel de détection d'objets croisés lointains en régénérant l'ensemble de données avec des versions améliorées des réseaux neuronaux utilisés dans l'étiqueteur automatique, ce qui a augmenté la qualité des données.
• Comportement de compensation amélioré lors des manœuvres autour des voitures avec portes ouvertes.
• Amélioration de la vitesse angulaire et de la vitesse centrée sur la voie pour les objets non-VRU en les mettant à niveau vers des tâches prédites par le réseau.
• Confort amélioré lors des changements de voie derrière les véhicules avec décélération brutale grâce à une intégration plus étroite entre l'estimation du mouvement futur des véhicules de tête et le profil de changement de voie planifié.
• Le système applique désormais l'accélération prévue par le réseau à toutes les entités en mouvement, s'étendant au-delà de la limitation précédente aux seules cibles longitudinales.
• Les éléments visuels des véhicules environnants ont été actualisés pour inclure des indicateurs indiquant quand la porte d'une voiture est ouverte.
• Les performances du système ont été améliorées de 1,8 images par seconde grâce à l'élimination de trois réseaux neuronaux obsolètes.
