汽车整车行业深度：特斯拉FSD自动驾驶方案深度解析

0特斯拉FSD自动驾驶方案深度解析证券分析师姓名：俞能飞资格编号：S0120522120003邮箱：yunf＠tebon.com.cn证券研究报告 | 行业深度汽车整车2023年11月7日1请务必阅读正文之后的信息披露及法律声明。01020304概要特斯拉FSD架构详解FSD V12展望目 录CONTENTS投资建议2请务必阅读正文之后的信息披露及法律声明。01概要3请务必阅读正文之后的信息披露及法律声明。ABSTRACT 概要FSD为一套包含感知/规控/执行的全链路自动驾驶软硬件架构Planning—我该怎么走Neural Networks——为什么要这么走Training Data——这么走是正确的吗规划感知数据Occupancy——我周围有什么？如何分布Lanes & Objects——周围的物体下一步去哪里Auto Labeling——数据标注Simulation——仿真模拟Data Engine——数据引擎Training Infra——拿什么运算AI Compiler & Inference——如何在计算机上运行神经网络硬件平台软硬耦合资料来源：TESLA 2022 AI day， youtube ，德邦研究所4请务必阅读正文之后的信息披露及法律声明。02特斯拉FSD架构详解5请务必阅读正文之后的信息披露及法律声明。FSD为一套包含感知/规控/执行的全链路自动驾驶软硬件架构 FSD架构：在数据、算法、算力等各个层面打造了一套包含感知、规控、执行在内的全链路自动驾驶软硬件架构 规划（Planning）:本质是解决多物体关联路径规划问题，处理自我和所有对象的行进轨迹，指导汽车完成相应的执行动作 神经网络（Neural Networks）：通过分析视频流等信息，输出完整的运动学状态（位置/速度/加速度/颠簸）控制车辆 训练数据（Training Data）：通过最新的4D自动标注技术、升级模拟仿真及云端计算资源，形成数据闭环 训练基础设施 （Training Infra）：包括CPU、GPU、神经网络加速器单元（Neural Network Accelerator）、AI编译器等，其中AI编译器能够支持神经网络所需的新操作，将它们映射到最佳的底层硬件资源上 AI编译与推理（AI Compiler & Inference）：即如何在计算机上运行神经网络。当前的推理引擎能够将单个神经网络的执行分配到两个独立的芯片系统上执行，可以理解为有两台独立的计算机在同一台自动驾驶计算机内相互连接图表：特斯拉FSD架构资料来源：TESLA 2022 AI day，youtube，德邦研究所6请务必阅读正文之后的信息披露及法律声明。2.1自动驾驶规划（Planning）——我该怎么走？7请务必阅读正文之后的信息披露及法律声明。采用混合规划系统，提供最优规控解决方案图表：十字路口三种不同方案的选择资料来源：TESLA 2022 AI day，youtube，德邦研究所×方案一：抢在行人前面通过× 方案二：在行人和右面来车之间通过方案三：找到合适的间隙，在不干扰其他车辆的情况下通过√自动驾驶规控的目标：基于感知网络输出的结果，通过规划汽车行为和行车路径使得汽车达到指定目的地，同时尽可能确保行车安全性、效率性和舒适性特斯拉FSD解决方案：将传统规划控制与神经网络算法相结合，构建一套【混合规划系统】，依靠“互动搜索（Interaction Search）”的框架，以任务分解的方式对一堆可能的运动轨迹进行并行研究图表：FSD最终规划路线选择资料来源：TESLA 2022 AI day，youtube，德邦研究所图表：特斯拉视觉规控解决方案资料来源：TESLA 2021AI day，youtube，德邦研究所三维向量空间基于既定目标进行初步搜索凸优化持续微调优化全局最优解8请务必阅读正文之后的信息披露及法律声明。基于Vector Space的FSD路径规划，能够快速产生最优解具体解决路径：从一组视觉测量开始，包括车道、占用率、移动物体等（这些都表现为稀疏的抽象和潜在特征），感知得到的Vector Space， 通过Vector Space规划出后续潜在目标状态，进一步考虑细分互动，得到决策规划的路径图表：FSD互动搜索框架资料来源：TESLA 2022 AI day，youtube，德邦研究所整理决策树生成•最初用经典的优化方法来创建规划路径，随着约束条件增加，每个动作都需要1-5ms的时间•最终建立了轻量级可查询网络。【Tesla车队中人类驾驶员驾驶数据】VS【宽松时间约束的离线条件下系统规划的全局最优路径】，两者不断进行对比训练。能够在100us内生成一个候选规划路径决策树剪枝/评分•采用混合规划系统，将传统方法与数据驱动相结合，通过四个方法进行候选路径评估完成剪枝9请务必阅读正文之后的信息披露及法律声明。基于Vector Space的FSD路径规划，能够快速产生最优解对于未知及不确定性（corner case）的决策——通过Occupancy Network对可视区域进行建模用来处理未知不可见场景•需要根据这些假想的参与者做相应的保护性驾驶，将控制反应与存在可能性函数相协调，得到非常类似人的行为图表：通过Occupancy Network对可视区域进行建模用来处理未知不可见场景资料来源：TESLA 2022AI day，youtube，德邦研究所整理至此，特斯拉FSD最终架构浮出水面：•首先，通过视觉感知网络生成三维向量空间，对于仅有唯一解的问题，可直接生成明确的规控方案，而对于有多个可选方案的复杂问题，使用向量空间和感知网络提取的中间层特征，训练神经网络规划器，得到轨迹分布•其次，融入成本函数、人工干预数据或其他仿真模拟数据，获得最优的规控方案•最终生成转向、加速等控制指令，由执行模块接受控制指令实现自动驾驶图表：特斯拉FSD感知-规划-控制整体架构资料来源：TESLA 2021 AI day，youtube，德邦研究所10请务必阅读正文之后的信息披露及法律声明。2.2神经网络（Neural Networks）——为什么要这么走？11请务必阅读正文之后的信息披露及法律声明。算法经历多次迭代，BEV+Transformer+Occupancy为当前架构图表：特斯拉FSD算法迭代历程资料来源：汽车之心微信公众号，德邦研究所12请务必阅读正文之后的信息披露及法律声明。2.2.1占用网络（Occupancy Network）——我周围有什么？如何分布13请务必阅读正文之后的信息披露及法律声明。升级至Occupancy能够有效优化障碍物识别问题图表：Occupancy有效解决了一般障碍物识别问题资料来源：THINK AUTONOMOUS官网，德邦研究所14请务必阅读正文之后的信息披露及法律声明。HydraNets（九头蛇网络）为视觉感知网络的基础结构进行多任务训练并输出感知结果在BEV空间内进行特征层融合，并融入时序信息输入原始数据，通过backbone进行特征提取图表：特斯拉HydraNets（九头蛇网络）架构示意图资料来源：TESLA 2021 AI day，youtube，德邦研究所整