特斯拉：用算法能解决的事儿，为什么还要加毫米波雷达？( 二 )

而且，视觉感知还可以分为多个功能模块，目标跟踪、目标测量、通行区域、车道检测等。但，这些实时的功能，都面临着不同的难点。而解决这些难点就离不开后端的深度学习、标记、整合，背后的处理是庞大的。对于纯计算视觉方案，特斯拉工程师要打造一个能深度学习的系统，除了处理深度、加速度和速度这些信息外，还要同时进行目标探测。而这又是监督学习的问题了，神经网络在对标记数据进行训练后，再学习目标探测和相关属性。
那么，为了训练深度学习架构，特斯拉需要大量的数据收集，然后标记其其中的目标和属性，车、人、障碍等信息。特斯拉的自动驾驶团队，现在已经累计了1.5PB的数据。然后，就是给这些数据打标签，巨大的工作量显然使用人工来完成会拉高成本，所以特斯拉用自动标记技术。
而且，这些离线数据会被神经网络重复观看、标记，然后它们的预测结果会与事实进行比较，再不断调整参数。离线标记还能让工程师们使用物体检测网络，这是没法部署在自动驾驶车辆上的，也不能实时应用。然后，他们还进一步验证神经网络的判断，最后提高标签网络的精度。
特斯拉没说自动标签系统有多少人来参与校正，但，只要有人工参与，自动标签系统的正确性肯定会有所提高。就这样，常规的日常驾驶和高速行驶，是通过大量的数据积累和不断校正的标签来支撑的。
整体来看，特斯拉使用的视觉感知系统，是从摄像头输入，然后图像预处理分给神经网络，细分到每个层级，包括车道线识别、红绿灯识别等信息，然后输出目标物体的类别、距离、速度和朝向信息。
毫米波雷达在自动驾驶车上的主要负责自适应巡航、紧急制动、前向碰撞预警等和车辆周围物体的检测功能。但特斯拉的视觉感知系统如果可以准确的逐帧分析比对，加上深度学习对车辆和移动物体加以标签，从而判断前方和周围物体是否移动、移动的物体类别，也能达到和毫米波雷达相同的功能。所以，特斯拉这波操作，去除的是硬件加的是算法，此消彼长。
以上，核心环节还是在神经网络的算法，精度信息、速度信息、红绿灯和通行空间的检测难度都非常大，每个环节做好都不容易。所以，特斯拉在推送FSDBetaV9.0的时候范围锁定在2000个用户，并且提示现在还在测试阶段，不要过于依赖自动驾驶功能。
总结
最后，从特斯拉的角度，他们现在的FSDBetaV9.0虽然在测试阶段，但已经可以实现多相机融合的自动驾驶功能。只是在稳定性和广泛推广上，还有所不足，现在他们的当务之急是收集更多的数据对自动驾驶技术不断的监督学习，提高稳定性。
【特斯拉：用算法能解决的事儿，为什么还要加毫米波雷达？】放弃毫米波雷达，简化了整个数据融合的过程，也减少了一部分困难。如果能通过最终的算法提升自动驾驶的安全性，纯视觉方案也可能是个合理的方案。但我还是会怀疑，当激光雷达成本不高的时候，特斯拉会不会用。