雷达马斯克疯狂diss激光雷达背后，为何特斯拉敢赌纯视觉方案？特斯拉为何不用激光雷达？特斯拉如何克服视觉劣势？用视觉替代激光雷达，可能吗？写在最后( 二 ) |激光|特斯拉|视觉|

本文插图
视觉的瓶颈在算法，激光雷达的瓶颈在原理。显然，视觉具有更大的开发潜力，也拥有理论上更高的上限。做对的事情，不做容易的事情，也是一直以来马斯克的作风。
至于在公开场合频繁唱衰激光雷达，就权当是特斯拉及埃隆·马斯克出色公关水平的一种体现。
特斯拉如何克服视觉劣势？从2D平面图像推断精确的3D立体实景，实际上是非常困难的。
以下图中这辆MPV为例，如果只看左侧的2D图像，似乎用视觉和激光雷达标注的形状都是准确的，但是如果放在3D的场景中，就会发现使用视觉方案标注的形状不仅偏长、偏窄，而且缺少了汽车的侧面。

本文插图
因为在2D图像中，很容易找到车辆的左前角和右后角，但是左后角却没有明显的特征，由于车辆尾部的倾斜、向上收窄，就会造成对整体宽度的低估。同时，依靠发动机舱盖超出车顶的部分估算车长，也会导致在纵深方向上的高估。

本文插图
而这还仅仅是一个在高亮度环境下相对规则的物体，如果环境变暗，或是加入更多的遮蔽物、障碍物，情况会变得更加极端。比如在黑暗树荫中的二轮车，纯视觉方案很难分辨。

本文插图
因此，从根本算法上解决视觉信息的准确处理，就是特斯拉自动驾驶体系的绝对核心技术。
实现自动驾驶功能，更多的是技巧、记忆和经验，而不只是推理和计算，深度学习的算法就是为了提高自动驾驶的成熟程度。特斯拉完善视觉算法的一大优势，就是通过海量的车主驾驶数据，进行神经网络训练，从而不断覆盖更多的工况与场景，达到视觉算法无限接近人类判断的目的。
这一方面取决于特斯拉自动驾驶硬件的高算力，另一方面是特斯拉在“模式识别模型”领域的绝对领先——超大的数据规模、多样化的数据覆盖度、真实的数据场景。归根到底，全世界超过百万辆的特斯拉车主，都是特斯拉自动驾驶算法训练的众测者。

本文插图
这里不得不提的就是特斯拉独有的“影子模式” ，这是特斯拉在不影响算法训练的速度与准确性的基础上，大幅降低因数据量过大造成训练成本提升的关键。
藏在驾驶员背后的“影子” ，始终在观察外部环境与驾驶员的动作。如果在某个特定场景中驾驶员的操作与“影子”预想的一致，那么数据不会被上报；如果“影子”发现它的判断与驾驶员操作不相符，那么这次的数据就会被送到特斯拉的服务器中，并对算法进行修正性训练，达到一定程度后再次下发到车辆中。

本文插图
这个过程中，驾驶员不会有任何感知，但特斯拉事实上已经完成了“模式识别-算法学习-反馈-升级-应用”的闭环。正是在无数次的训练后，特斯拉不断提升视觉方案的精度，克服视觉方案固有的劣势，并且将算法优势变成牢不可破的技术门槛。
用视觉替代激光雷达，可能吗？特斯拉最终希望达到的目的，是让其视觉处理能力达到激光雷达的可见性，在行业中被称为“伪激光雷达” 。
激光雷达通过每个激光点的距离，实时还原环境。而特斯拉则是要去预测每个像素的深度，然后将其投射出来，从而复制激光雷达的功能。