Neues Tesla-Software-Update bringt massive Verbesserungen für FSD-Autopiloten

von Moritz Kopp | 19. Mai 2022 | Tesla-Software, Rund um Tesla

Tesla hat damit begonnen, ein neues Software-Update für die FSD-Beta zu veröffentlichen. Es enthält zahlreiche Verbesserungen auf der Grundlage von über 250.000 Videos aus seiner Betaflotte. Die Versionshinweise zeigen ebenfalls, dass es sich um ein großes Update handelt.

Über 100.000 Menschen in Teslas FSD-Beta

Die FSD-Beta ermöglicht es Tesla-Fahrzeugen, autonom zu einem im Navigationssystem des Fahrzeugs eingegebenen Ziel zu fahren. Der Fahrer muss jedoch jederzeit wachsam und bereit sein, die Kontrolle zu übernehmen.

Tesla hat seit der Einführung des Beta-Programms regelmäßig neue Software-Updates herausgegeben und weitere Besitzer in das Programm aufgenommen.

Derzeit befinden sich etwa 100.000 Fahrer in der Beta-Phase. Je mehr Menschen daran teilnehmen, desto mehr Daten können gesammelt werden, um die neuronalen Netze zu trainieren.

Großes FSD-Beta-Update

Mit dem neuen FSD-Beta-Software-Update (2022.12.3.10) bringt der Autohersteller nun eines der bisher umfangreichsten Updates, berichtet Electrek.

Interessanterweise gibt Tesla zum ersten Mal die genaue Anzahl der Videoclips an, die aus der Flotte gezogen und zum Trainieren bestimmter neuer Verhaltensweisen verwendet werden. Tesla spricht von insgesamt über 250.000 Aufnahmen, die für dieses Update verwendet wurden.

Tesla gab außerdem an, drei ältere neuronale Netze aus dem System entfernt zu haben. Dadurch konnte die Bildrate des Systems um 1,8 Bilder pro Sekunde verbessert werden.

In den Versionshinweisen werden noch viele weitere Verbesserungen erwähnt. Einige davon beziehen sich auf den Grad der Zuverlässigkeit, mit dem das System Maßnahmen ergreift. In der Vergangenheit sorgten nicht nachvollziehbare Aktionen des FSD-Autopiloten häufig für Frustration bei den Fahrern.

Weitere Informationen zu allen Verbesserungen liefern die Versionshinweise (aus dem Englischen übersetzt):

Verbesserter Entscheidungsfindungsrahmen für ungeschütztes Linksabbiegen mit besserer Modellierung der Reaktion von Objekten auf die Aktionen des Ego durch Hinzufügen weiterer Merkmale, die die Entscheidung „Ja“ oder „Nein“ beeinflussen. Dadurch wird die Robustheit gegenüber verrauschten Messungen erhöht, während gleichzeitig Entscheidungen innerhalb einer Sicherheitsmarge besser getroffen werden können. Der Rahmen nutzt auch sichere Mittelbereiche, wenn dies zum Manövrieren in großen Kurven erforderlich ist, und beschleunigt stärker durch Manöver, wenn dies zum sicheren Verlassen der Kreuzung erforderlich ist.
Verbessertes Kriechen für die Sichtbarkeit durch genauere Fahrbahngeometrie und höher aufgelöste Verdeckungserkennung.
Weniger unangenehme Abbiegeversuche durch bessere Integration von Objektvorhersagen bei der Fahrspurauswahl.
Verbesserter Planer, der sich weniger auf Fahrspuren verlässt, um ein reibungsloses Manövrieren aus engen Räumen zu ermöglichen.
Erhöhte Sicherheit beim Abbiegen bei kreuzendem Verkehr durch Verbesserung der Architektur des neuronalen Netzes für die Fahrspuren, wodurch die Wiedererkennung und die geometrische Genauigkeit der kreuzenden Fahrspuren erheblich gesteigert wurden.
Verbesserung der Wiedererkennbarkeit und geometrischen Genauigkeit aller Fahrspurproduktionen durch Hinzufügen von 180.000 Videoclips zum Trainingssatz.
Verringerung verkehrssteuerungsbedingter falscher Verlangsamungen durch bessere Integration in die Fahrbahnstruktur und verbessertes Verhalten bei gelben Ampeln.
Verbesserung der geometrischen Genauigkeit von Straßenrand- und Linienvorhersagen durch Hinzufügen einer Misch-/Kopplungsschicht mit dem verallgemeinerten statischen Hindernisnetz.
Verbesserung der geometrischen Genauigkeit und des Verständnisses der Sichtbarkeit durch erneutes Training des verallgemeinerten statischen Hindernisnetzes mit verbesserten Daten aus dem Auto-Labeler und durch Hinzufügen von 30.000 weiteren Videoclips.
Verbesserte Wiedererkennung von Motorrädern, verringerter Geschwindigkeitsfehler von nahen Fußgängern und Radfahrern und verringerter Richtungsfehler von Fußgängern durch Hinzufügen neuer simulierter und automatisch beschrifteter Daten zum Trainingssatz.
Verbesserte Genauigkeit des Attributs „ist geparkt“ bei Fahrzeugen durch Hinzufügen von 41.000 Clips zum Trainingssatz. Lösung von 48 % der Fehlerfälle, die durch unsere Telemetrie von 10.11 erfasst wurden.
Verbesserung der Erkennungsgenauigkeit von weit entfernten, sich kreuzenden Objekten durch Regeneration des Datensatzes mit verbesserten Versionen der im Auto-Labeler verwendeten neuronalen Netze, wodurch die Datenqualität erhöht wurde.
Verbessertes Versatzverhalten beim Manövrieren um Autos mit offenen Türen.
Verbesserte Winkelgeschwindigkeit und spurenzentrierte Geschwindigkeit für Nicht-VRU-Objekte durch Aufwertung in Netzwerkvorhersageaufgaben.
Verbesserter Komfort beim Spurwechsel hinter Fahrzeugen mit starker Abbremsung durch engere Integration zwischen der zukünftigen Bewegungsschätzung des Führungsfahrzeugs und dem geplanten Spurwechselprofil.
Erhöhte Verlässlichkeit der vom Netzwerk vorhergesagten Beschleunigung für alle sich bewegenden Objekte, bisher nur für längsgerichtete Objekte.
Aktualisierte Darstellung von Fahrzeugen in der Nähe, die anzeigt, wenn ein Fahrzeug eine Tür geöffnet hat.
Verbesserung der Bildrate des Systems um 1,8 Bilder pro Sekunde durch die Entfernung von drei alten neuronalen Netzwerken.