特斯拉是一個典型的AI公司，過去一年訓練了75000個神經(jīng)網(wǎng)絡(luò)，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。

01 感知 Occupancy Network

特斯拉今年在感知方面的一個重點技術(shù)是Occupancy Network (占據(jù)網(wǎng)絡(luò))。研究機器人技術(shù)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(jù)，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(chǎn)生重要影響。例如：1.可變形的障礙物，如兩節(jié)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(tài)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(jù)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(xiàn)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(shè)，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(jié)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(jié)已經(jīng)開始運動，而第二節(jié)還處于靜止狀態(tài)。

對正在啟動的兩節(jié)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(jié)構(gòu)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(jié)構(gòu)跟去年的AI day分享的網(wǎng)絡(luò)結(jié)構(gòu)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(xiàn)3D spatial query和2D特征圖之間的聯(lián)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(jù)每個相機的內(nèi)外參將3D spatial query投影到2D特征圖上，提取對應(yīng)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(nèi)外參、像素坐標等，然后讓模型自己學習2D到3D特征的對應(yīng)關(guān)系。再接下來模型進行時序融合，實現(xiàn)的方法是根據(jù)已知的自車位置和姿態(tài)變化，將3D特征空間進行拼接。

Occupancy Network結(jié)構(gòu)

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(fā)布會中強調(diào)，由于這個網(wǎng)絡(luò)的輸出是稠密（dense）的，輸出的分辨率會受到內(nèi)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(jīng)隱式表示（neural implicit representation）的啟發(fā)，模型的最后額外設(shè)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(shè)計上的一個亮點。

02 規(guī)劃 Interactive Planning

規(guī)劃是自動駕駛的另一個重要模塊，特斯拉這次主要強調(diào)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(guī)劃模塊要在線進行多種自車和他車交互的預(yù)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(guī)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(jīng)網(wǎng)絡(luò)軌跡規(guī)劃和軌跡打分。

1、樹搜索是軌跡規(guī)劃常用的算法，可以有效地發(fā)現(xiàn)各種交互情形找到最優(yōu)解，但用搜索的方法來解決軌跡規(guī)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(guān)，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(jīng)網(wǎng)絡(luò)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(yōu)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(tǒng)的規(guī)劃方法往往使用優(yōu)化來解決該問題，解優(yōu)化并不難，每次優(yōu)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(jīng)網(wǎng)絡(luò)來進行軌跡規(guī)劃，從而對多個候選目標實現(xiàn)高度并行規(guī)劃。訓練這個神經(jīng)網(wǎng)絡(luò)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(yōu)方案中的一種，因此第二種來源是通過離線優(yōu)化算法產(chǎn)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(yōu)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(jīng)網(wǎng)絡(luò)的打分器。

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

Interaction Search規(guī)劃模型結(jié)構(gòu)

03 矢量地圖 Lanes Network

個人覺得本次AI Day上另一大技術(shù)亮點是在線矢量地圖構(gòu)建模型Lanes Network。有關(guān)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(guī)劃，我們還需要得到車道線的拓撲結(jié)構(gòu)，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(guān)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(xiàn)了他們的連接關(guān)系。

矢量地圖，圓點為車道線關(guān)鍵點，藍色為車道中心線

Lanes Network在模型結(jié)構(gòu)上，是感知網(wǎng)絡(luò)backbone基礎(chǔ)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(guān)系的車道線更為困難，因為輸出的數(shù)量不固定，此外輸出量之間還有邏輯關(guān)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(jié)果。具體實現(xiàn)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(yù)測。如圖所示，網(wǎng)絡(luò)會先預(yù)測一個節(jié)點的粗略位置的（index:18），精確位置（index:31），然后預(yù)測該節(jié)點的語義（"Start"，即車道線的起點），最后預(yù)測連接特性，如分叉/并道/曲率參數(shù)等。網(wǎng)絡(luò)會以這樣自回歸的方式將所有的車道線節(jié)點進行生成。

Lanes Network網(wǎng)絡(luò)結(jié)構(gòu)

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(guān)論文，HDMapGen[7]和VectorMapNet[8]。HDMapGen采用帶注意力的圖神經(jīng)網(wǎng)絡(luò)（GAT）自回歸地生成矢量地圖的關(guān)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(yù)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(jié)果

VectorMapNet矢量地圖生成結(jié)果

04 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(shù)，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(chǎn)生500000條駕駛旅程（trip），利用好這些駕駛數(shù)據(jù)能夠更好地幫助進行車道線的預(yù)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(shù)，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(guān)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(shù)點包括地圖間的幾何匹配和結(jié)果聯(lián)合優(yōu)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(jié)果后，當有新的旅程發(fā)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(yōu)于人工標注。

Lanes Network自動標注

05 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(tǒng)建模渲染的方案需要設(shè)計師2周的時間。而特斯拉通過AI化的方案，現(xiàn)在只需要5分鐘。

視覺仿真重建的路口

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(jù)路沿進行路面的填充，包括路面坡度、材料等細節(jié)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(yīng)。

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(guān)系。

5、加入車輛和行人等動態(tài)元素。

06 基礎(chǔ)設(shè)施 Infrastructure

最后，我們簡單說說特斯拉這一系列軟件技術(shù)的基礎(chǔ)，就是強大的基礎(chǔ)設(shè)施。特斯拉的超算中心擁有14000個GPU，共30PB的數(shù)據(jù)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(shù)據(jù)額，特斯拉專門開發(fā)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

07 總結(jié)

隨著近兩年特斯拉AI Day的內(nèi)容發(fā)布，我們慢慢看清了特斯拉在自動（輔助）駕駛方向上的技術(shù)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(shù)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(shù)據(jù)帶來的泛化性。這不就是深度學習時代的三大支柱嗎？