Tesla veröffentlicht neues Full Self-Driving Beta-Update

Elektromobilität. Technologie. Tesla beginnt mit der Veröffentlichung eines neues Full Self-Driving (FSD) Beta-Softwareupdates, das viele Änderungen auf hoher Ebene enthalten soll.

FSD Beta ermöglicht es Tesla-Fahrzeugen, wie dem Elektro-SUV Tesla Model Y, autonom zu einem Ziel zu fahren, das in das Navigationssystem des Autos eingegeben wurde. Fahrer:innen müssen dennoch wachsam bleiben und jederzeit bereit sein, die Kontrolle des Fahrzeugs erneut übernehmen zu können.

Da die Verantwortung beim Fahrer und nicht beim Tesla-System liegt, wird das FSD trotz seines Namens immer noch als Fahrassistenzsystem der Stufe Zwei betrachtet. Die Betasoftware galt lange als ein Programm, dass zwei Schritte vorwärts ging, im gleichen Atemzug aber auch einen Schritt zurück tätigte. Bei einigen vorangegangenen Updates kam es nämlich zu Rückschritten in Bezug auf die Fahrfähigkeit. Zum Beispiel musste Tesla Anfang Februar über 50.000 Fahrzeuge zurückrufen, weil die FSD-Funktion lax mit Stopp-Schildern umging.

In den vergangenen Monaten hat der Elektroautobauer Tesla häufig neue FSD-Updates veröffentlicht und weitere Besitzer:innen zu seinem Programm hinzugefügt. Ende Januar 2022 waren noch 60.000 Fahrzeuge im Beta-Test. Mittlerweile hat das Unternehmen über 100.000 Elektroautos im Beta-Test. Bis Ende des Jahres sollen dank weiterer Softwareverfeinerungen des Systems alle Tesla-Fahrer:innen in Nordamerika Zugang zum FSD bekommen. Zumindest all diejenigen, die die Funktion gekauft haben. Oder viel mehr: Diejenigen, die sich den Preis für FSD leisten können. Ende August beziehungsweise Anfang September hat Tesla nämlich den Preis fürs Full Self-Driving von 12.000 Dollar auf 15.000 Dollar erhöht.

Da wir bereits auf das Jahresende zugehen und es im Allgemeinen mindestens einen Monat dauert, bis Tesla ein neues FSD-Update liefert, kann man davon ausgehen, dass Tesla ein oder zwei Updates von der versprochenen breiteren Veröffentlichung entfernt ist.

FSD-Beta-Update v10.69.3

Vergangenen Dienstag hat der Hersteller damit begonnen, ein neues FSD-Beta-Update (v10.69.3) für interne Tests an die Mitarbeiter weiterzugeben. Dies bedeutet im Allgemeinen, dass das Update bald auf Beta-Tester in der Kundenflotte ausgeweitet wird.

Laut der untenstehenden Versionshinweise enthält das Update keine neuen Funktionen, aber es enthält viele High-Level-Updates für Teslas neuronale Netze, um die Gesamtleistung des Systems zu verbessern. Die Versionshinweise sind über „Not a Tesla App“ ersichtlich:

• Aktualisierung des Objekterkennungsnetzwerks auf Videostreams mit Photonenzählung und Neuschulung aller Parameter mit den neuesten automatisch gekennzeichneten Datensätzen (mit besonderem Schwerpunkt auf Szenarien mit geringer Sichtbarkeit)
• Verbesserte Architektur für bessere Genauigkeit und Latenz, höhere Wiedererkennung weit entfernter Fahrzeuge, geringerer Geschwindigkeitsfehler beim Überqueren von Fahrzeugen um 20 Prozent und verbesserte VRU-Präzision um 20 Prozent
• Umwandlung des VRU-Velocity-Netzwerks in ein zweistufiges Netzwerk, das die Latenz reduziert und den Geschwindigkeitsfehler beim Überqueren von Fußgängern um sechs Prozent verbessert
• Konvertiert das Nicht-VRU-Attribute-Netzwerk in ein zweistufiges Netzwerk, das die Latenz reduziert, die falsche Fahrspurzuweisung von kreuzenden Fahrzeugen um 45 Prozent und falsche Parkvorhersagen um 15 Prozent reduziert
• Neuformulierung der autoregressiven Vector Lanes-Grammatik, um die Genauigkeit von Fahrspuren um 9,2 Prozent, den Abruf von Fahrspuren um 18,7 Prozent und den Abruf von Gabelungen um 51,1 Prozent zu verbessern. Beinhaltet ein vollständiges Netzwerk-Update, bei dem alle Komponenten mit der 3,8-fachen Datenmenge neu trainiert wurden
• Dem neuronalen Netzwerk Vector Lanes wurde ein neues „Straßenmarkierungs“-Modul hinzugefügt, das den Spurtopologiefehler an Kreuzungen um 38,9 Prozent verbessert
• Das Occupancy Network wurde aktualisiert, um es an der Straßenoberfläche statt am Ego auszurichten, um die Erkennungsstabilität und den Abruf an der Hügelkuppe zu verbessern
• Reduzierte Laufzeit der Trajektoriengenerierung um ca. 80 Prozent und verbesserte Glätte durch Destillieren eines teuren Trajektorienoptimierungsverfahrens in ein leichtgewichtiges neuronales Planernetzwerk
• Verbesserte Entscheidungsfindung für kurzfristige Fahrspurwechsel um Gores herum durch eine umfassendere Modellierung des Kompromisses zwischen dem Verlassen der Route und der Trajektorie, die zum Durchfahren der Gore-Region erforderlich ist
• Reduzierung falscher Verlangsamungen für Fußgänger in der Nähe von Zebrastreifen durch Verwendung eines besseren Modells für die Kinematik des Fußgängers
• Zusätzliche Steuerung für eine präzisere Objektgeometrie, wie sie vom allgemeinen Belegungsnetzwerk erkannt wird
• Verbesserte Kontrolle für Fahrzeuge, die von unserem gewünschten Weg abschneiden, durch bessere Modellierung ihrer Wende-/Seitenmanöver, wodurch unnatürliche Verlangsamungen vermieden werden
• Verbesserte Längskontrolle beim Umfahren von statischen Hindernissen durch Suchen nach realisierbaren Fahrzeugbewegungsprofilen
• Verbesserte Sanftheit der Längssteuerung für Fahrzeuge in der Spur bei Szenarien mit hoher Relativgeschwindigkeit, indem auch die Relativbeschleunigung bei der Trajektorienoptimierung berücksichtigt wird
• Reduzierte Latenz zwischen Objektphoton und Kontrollsystem im besten Fall um 26 Prozent durch adaptive Planerplanung, Umstrukturierung der Trajektorienauswahl und Parallelisierung der Wahrnehmungsberechnung. Dadurch können wir schnellere Entscheidungen treffen und die Reaktionszeit verbessern