Somos Eléctricos Software Tesla Nueva y gran actualización de la beta FSD (Versión 10.11) de Tesla

Nueva y gran actualización de la beta FSD (Versión 10.11) de Tesla

1

Tesla prevé aumentar el acceso a esta nueva versión de la beta del Full Self-Driving a más usuarios

Tesla ha empezado a desplegar una nueva versión de la beta del Full Self-Driving (FSD), la funcionalidad más avanzada de Tesla que pretende lograr la conducción autónoma total en sus coches Tesla.

Desde el lanzamiento de la beta del FSD en octubre de 2020, la mejoría que ha tenido este sistema es sustancial, y eso que las primeras versiones ya nos dejaron sorprendidos a todos de lo que era capaz de hacer el vehículo por si solo.

Además, Tesla quiere ir un paso más allá, y quiere lograr la conducción autónoma total (nivel 5) usando tan solo las imágenes de las diferentes cámaras que llevan sus vehículos, haciendo que el groso del trabajo lo haga el software al interpretar las imágenes y no tener que usar sensores o LiDar, una tecnología que a día de hoy es muy costosa.

En realidad, Tesla Vision, así es como se llama el sistema de Tesla que solo usa las cámaras, ya está siendo usada para el Autopilot y el Autopilot mejorado en gran cantidad de sus vehículos y cuyos resultados son más que satisfactorias.

Ahora Tesla ha lanzado una nueva versión de su beta FSD, la versión 10.11, la cual incluye gran cantidad de novedades y también podría abrir las puertas a que más usuarios pudieran tener acceso a esta funcionalidad avanzada, siempre y cuando las pruebas de esta nueva versión sean satisfactorias.

Al tratarse de una versión beta del software, es decir está en fase de pruebas, solo se está dando acceso a determinados usuarios que tienen una buena puntuación de conducción, un valor que Tesla obtiene de como los usuarios conducen sus coches Tesla.

TE PUEDE INTERESAR
Tesla expande la beta del Full Self-Driving a Canadá

Novedades en la beta FSD 10.11 de Tesla

A continuación os facilitamos todas las mejoras y novedades que incluye la versión 10.11 de la beta del Full Self-Driving (FSD) que Tesla ya está empezando a desplegar.

  • Modelado mejorado de la geometría de los carriles de rásteres densos («bolsa de puntos») a un decodificador autorregresivo que predice y conecta directamente los carriles de «espacio vectorial» punto por punto utilizando una red neuronal transformadora. Esto nos permite predecir carriles de cruce, permite un posprocesamiento computacionalmente más barato y menos propenso a errores, y allana el camino para predecir muchas otras señales y sus relaciones de forma conjunta y de extremo a extremo. Use predicciones más precisas de dónde giran o se incorporan los vehículos para reducir las ralentizaciones innecesarias de los vehículos que no se cruzarán en nuestro camino.
  • Comprensión mejorada del derecho de paso si el mapa no es preciso o si el automóvil no puede seguir la navegación. En particular, el modelado de extensiones de intersección ahora se basa completamente en predicciones de red y ya no usa heurísticas basadas en mapas.
  • Mejoró la precisión de las detecciones de VRU en un 44,9 %, reduciendo drásticamente los falsos positivos falsos de peatones y bicicletas (especialmente alrededor de costuras de alquitrán, marcas de derrape y gotas de lluvia). Esto se logró aumentando el tamaño de los datos del etiquetador automático de próxima generación, entrenando los parámetros de red que estaban previamente congelados y modificando las funciones de pérdida de red. Encontramos que esto disminuye la incidencia de falsas desaceleraciones relacionadas con VRU.
  • Redujo el error de velocidad previsto de motocicletas, scooters, sillas de ruedas y peatones muy cercanos en un 63,6 %. Para hacer esto, introdujimos un nuevo conjunto de datos de interacciones VRU adversarias simuladas de alta velocidad. Esta actualización mejora el control del piloto automático en VRU de rápido movimiento y corte.
  • Perfil de deslizamiento mejorado con mayor sacudida cuando comienza y termina el deslizamiento.
  • Control mejorado para obstáculos cercanos al predecir la distancia continua a la geometría estática con la red general de obstáculos estáticos.
  • Se redujo la tasa de error del atributo «estacionado» del vehículo en un 17 %, lo que se logró aumentando el tamaño del conjunto de datos en un 14 %. También mejoró la precisión de la luz de freno.
  • Se mejoró el error de velocidad del escenario despejado en un 5 % y el error de velocidad del escenario de carretera en un 10 %, logrado mediante el ajuste de la función de pérdida destinada a mejorar el rendimiento en escenarios difíciles.
  • Detección y control mejorados para puertas abiertas de automóviles.
  • Suavidad mejorada a través de los giros mediante el uso de un enfoque basado en la optimización para decidir qué líneas de la carretera son irrelevantes para el control dada la aceleración lateral y longitudinal y los límites de tirones, así como la cinemática del vehículo.
  • Se mejoró la estabilidad de las visualizaciones de FSD Ul mediante la optimización de la canalización de transferencia de datos de Ethernet en un 15 %.

1 Comentario

Dejar una respuesta

Please enter your comment!
Please enter your name here

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.