纯视觉方案，说白了就是低成本，能达到高可用就行了。

白色卡车和工程车明显是单帧图像的问题，之前的问题除了样本空间覆盖问题，神经网络也不能利用空间、时间信息。

dojo上线以后，随着样本的激增，最难的还是一些摇摆样本的问题。
【 在 dyatpk 的大作中提到: 】
: 辅助驾驶反正就那么回事 低点就低点 反正有人把关
: 遇到白色卡车人接管就好了
: 自动驾驶纯视觉根本不够啊
: ...................
--
FROM 223.104.39.*

雷达的误检是难以避免的，我前面也说了，特斯拉去掉雷达，是由理论数据的。况且多数据融合，涉及到策略，人工策略只能增加，是不可能做到极致的。

去掉雷达，恰好是纯视觉方案，低成本的达到了更好的效果。

激光雷达方案，在小样本初期，可能会优于纯视觉方案，在后期就不一定了。
【 在 dyatpk 的大作中提到: 】
: 哥们，你没发现你逻辑是死循环的吗
: 因为特斯拉用的纯视觉方案，所以纯视觉方案好，所以特斯拉这样是对的。
: 正常人想着多个雷达，甚至多好多个雷达，肯定增强了识别物体的效果，只有你就掉进了纯视觉好的坑里出不来了。
: ...................
--
FROM 219.237.181.*

andrej在cvpr上说了三个代表性的case，一个是雷达把静止的桥梁当做了目标，融合视觉确认成了路上静止的目标，于是刹车；另一个是前车急刹，雷达给出的速度不是连续下降的，而是间隔速度0，导致跟踪器反复初始化，影响了aeb的效果；还有一个是路边靠边停了占半个道的一个箱货，雷达不能在200米的时候识别，减速时机太晚，上述case在视觉都没有问题，尤其是视觉先发现了200米处的箱货，减速更加趋近于老司机。（ps：激光雷达在这个距离，只能给出1.4米以上尺寸的物体，并没有领先视觉多少）

在ai day他给出了视频神经网络的测速、测距精度，取代雷达小意思；标注在短时间给出了大量的光线、遗撒、雨雾雪等挑战性的case，重新训练以后，效果更好。

雷达在各种任务中，完全不如纯视觉，特斯拉有一段时间尝试改进雷达硬件最终放弃了，所以权衡以后干脆去掉了雷达，吓得美国iihs把topsecrete评级取消了，后来重新评测了纯视觉的model3/y以后，仍然给了ts评级，这让雷达情何以堪呢。

在短期内没有技术能达到100%、万无一失，新版的fsd砍掉了旧版大部分的人工规则策略、引入了视觉神经网络、end2end训练不需要人工干预的各种策略，可以靠每天的海量样本将局限性慢慢降低，率先达到更高的可用性，我觉得就可以了。

毕竟定速、acc、L2、Trj等技术，逐渐取代了一部分司机的职责，提升了舒适度，但并不意味着司机就不参与交通了，越是老司机越能够从细节中得到更好的安全性、更好的舒适性。博世的L2.5也罢，FSD也罢，都能再随时接管的情况下用用，一定程度上减轻疲劳，

L2.5也能凑合用，FSD很好用，都是工具，如此而已。
【 在 ylh1969 的大作中提到: 】
: 正确判断是否威胁应该不难。看雷达定位测速精度。
--
修改:hsv FROM 219.237.181.*
FROM 219.237.181.*