La nueva actualización de la beta FSD (10.69.3) incluye muchas mejoras

Tesla está desplegando una nueva actualización de la beta Full Self-Driving y viene cargada de novedades y mejoras

Tesla sigue trabajando en hacer su sistema de conducción autónoma (FSD) mejor, y al estar en una fase beta, es habitual que cada poco tiempo la compañía lance nuevas actualizaciones que hace que el sistema en un principio sea mejor.

En ocasiones nos encontramos que las actualizaciones corrigen pequeños problemas o incluyen alguna que otra novedad mientras que en otras ocasiones, como es la versión 10.69.3, contempla un revisado completo de las funcionalidades ya existentes.

La compañía de Elon Musk quiere dar un fuerte impulso a la beta del Full Self-Driving y pretende que un gran número de usuarios tengan esta funcionalidad en sus vehículos antes de que acabe el año.

Y es que por cada coche Tesla dotado de la beta del FSD es una fuente más de información para la compañía y de esta forma hacer que su IA y red neuronal que gestiona la toma de las decisiones del Full Self-Driving sea mucho mejor.

Lo que incluye la versión 10.69.3 de la beta Full Self-Driving

A continuación os facilitamos lo que podemos leer en las notas de esta versión, donde se indica los cambios aplicados y mejoras que se encuentran en la actualización 10.69.3 de la beta FSD.

 – Se actualizó la red de detección de objetos para flujos de video de conteo de fotones y se volvieron a entrenar todos los parámetros con los últimos conjuntos de datos etiquetados automáticamente (con un énfasis especial en escenarios de baja visibilidad).

– Se mejoró la arquitectura para una mayor precisión y latencia, mayor recuperación de vehículos lejanos, menor error de velocidad de los vehículos que cruzan en un 20 % y mejor precisión de VRU en un 20 %.

– Convirtió la red VRU Velocity en una red de dos etapas, lo que redujo la latencia y mejoró el error de velocidad de cruce peatonal en un 6 %.

– Convirtió la red de atributos sin VRU en una red de dos etapas, lo que redujo la latencia, redujo la asignación incorrecta de carriles de los vehículos que cruzan en un 45 % y redujo las predicciones incorrectas de estacionamiento en un 15 %.

– Reformuló la gramática autorregresiva Vector Lanes para mejorar la precisión de los carriles en un 9,2 %, la recuperación de carriles en un 18,7 % y la recuperación de bifurcaciones en un 51,1 %. Incluye una actualización de red completa en la que todos los componentes se volvieron a entrenar con 3,8 veces la cantidad de datos.

– Se agregó un nuevo módulo de “marcas viales” a la red neuronal Vector Lanes que mejora el error de topología de carril en las intersecciones en un 38,9%.

– Se actualizó la red de ocupación para alinearse con la superficie de la carretera en lugar de ego para mejorar la estabilidad de detección y mejorar la recuperación en la cima de la colina.

– Reducción del tiempo de ejecución de la generación de trayectorias candidatas en aproximadamente un 80 % y mejora de la fluidez al destilar un costoso procedimiento de optimización de trayectorias en una red neuronal de planificación liviana.

– Mejora de la toma de decisiones para cambios de carril con plazos cortos alrededor de gores mediante un modelado más completo de la compensación entre salirse de la ruta y la trayectoria requerida para conducir a través de la región de gore.

– Reducción de las desaceleraciones falsas para los peatones cerca de los cruces peatonales mediante el uso de un mejor modelo para la cinemática del peatón.

– Control agregado para una geometría de objeto más precisa según lo detectado por la red de ocupación general.

– Control mejorado para los vehículos que se salen de nuestro camino deseado mediante un mejor modelado de sus maniobras de giro/laterales, evitando así desaceleraciones no naturales.

– Control longitudinal mejorado mientras se desplaza alrededor de obstáculos estáticos mediante la búsqueda de perfiles de movimiento de vehículos factibles.

– Suavidad de control longitudinal mejorada para vehículos en el carril durante escenarios de alta velocidad relativa al considerar también la aceleración relativa en la optimización de la trayectoria.

– En el mejor de los casos, se redujo la latencia del sistema de fotones a control de objetos en un 26 % a través de la programación del planificador adaptativo, la reestructuración de la selección de trayectorias y la paralelización del cálculo de percepción. Esto nos permite tomar decisiones más rápidas y mejora el tiempo de reacción.

Como habéis podido leer, todo el esfuerzo de esta versión está focalizado en hacer el sistema más seguro, más preciso y con menos errores.