深度解析：特斯拉FSD自动驾驶方案『附报告下载』 - 热点洞察

德邦证券发布了一份深度解析特斯拉FSD自动驾驶方案的报告，共53页。该报告详细介绍了特斯拉FSD架构的细节，包括规划、神经网络、训练数据、训练基础设施、AI编译与推理等方面，并对FSD V12的未来展望进行了分析。更多重要内容、核心观点，请参考报告原文。

报告核心内容解读

1. 特斯拉FSD架构详解

FSD是一套包含感知/规控/执行的全链路自动驾驶软硬件架构。

* 自动驾驶规划（Planning）——采用混合规划系统，提供最优规控解决方案。基于Vector Space的FSD路径规划，能够快速产生最优解。

* 神经网络（Neural Networks）——算法经历多次迭代，BEV+Transformer+Occupancy为当前架构。升级至Occupancy能够有效优化障碍物识别问题。HydraNets（九头蛇网络）为视觉感知网络的基础结构。通过端到端的感知训练模型，从数据输入到空间向量输出。基于3D Occupancy迭代车道线及障碍物感知模型。

* 训练数据（Training Data）——由2D手工标注逐步升级为4D自动标注，数据闭环趋于完善。为什么要采用4D自动标注？——大幅提升标注效率。如何进行4D自动标注？—采集Clips通过机器算法生成Labels。4D自动标注的几个关键步骤。为什么要做仿真模拟？—泛化Corner Case，赋能模型迭代。如何进行仿真模拟？——五大步骤。自成闭环的数据引擎能够更好地优化神经网络。

* 训练基础设施（Training Infra）——Dojo何以为道？——化繁为简，以少为多的集群架构。Dojo助力加速自动标注、Occupancy Networks。不止于此，Dojo的更大野心。

* AI编译与推理（AI compiler & inference）——对端到端延迟进行严格控制+部署更先进的调度代码。目标：将所有操作在计算机上运行。如何做？——将得到的One-Hot编码通过矩阵乘法运算实现。效果如何？—运行7500万个参数的模型延迟不到10ms，消耗功率8W。

2. FSD V12展望

* FSD V12或将完全转向端到端自动驾驶技术方案。

* 端到端方案中神经网络是关键，有望实现全局最优解。

* 感知端率先落地，BEV本质上是一种端到端感知解决方案。