近日，特斯拉汽车中国在线下与新闻媒体共享了其选用纯视觉效果计划方案的构思与研究成果。

坚持不懈视觉效果认知 用AI神经元网络技术性提高辅助驾驶工作能力

如下图1所显示，Andrej说：“大家期待可以塑造一个相近小动物视觉效果表皮层的BP神经网络联接，仿真模拟人脑信息内容键入和导出的全过程。如同光源进到到视网膜之中，大家想要根据监控摄像头来仿真模拟这一全过程。”

图1 监控摄像头仿真模拟人们图象处理步骤提示

多任务学习神经系统网络结构HydraNets，根据一个主杆互联网解决8个监控摄像头传到来的原始记录，运用RegNet残差网络和BiFPN优化算法实体模型统一解决，得到不一样精密度下的各种类图象特点，提供不一样要求种类的神经元网络每日任务常用。

图2 多任务学习神经系统网络结构HydraNets

但是因为该构造解决的是单独一个监控摄像头的单帧照片界面，在具体运用情况下碰到许多短板；因此在次构造以上建立了Transformer神经元网络构造，促使本来获取的二维的图象特点，变成了好几个监控摄像头拼接起來的三维向量空间的特点，进而极大增强了准确率和精确度。

还没完没了，因为仍是单帧的界面，因此还必须时间维度和维度空间，以让汽车有着特点“记忆力”作用，用以解决“挡住”、“路标牌”等多种多样情景，最后完成以视频流的方式，将行车条件的svm算法出去，产生向量空间，让车子可以精确、低延迟时间地分辨周边环境，产生4D向量空间，这种短视频方式特点的数据库查询为练习无人驾驶常用。

图3 短视频化4D向量空间的神经系统网络结构

但是因为大城市无人驾驶与快速无人驾驶不一样，车子整体规划控制模块有两个难点，其一是驾驶计划方案不一定有最优解，其部分最优解会许多，也就代表着一样的安全驾驶自然环境，无人驾驶可以挑选很多种多样很有可能的解决方法，而且全是好的计划方案；其二是层面较高，车子不但要作出时下的反映，还必须为下面的一段时间搞好整体规划，估计出部位室内空间、速率、瞬时速度等众多信息内容。

因此特斯拉汽车挑选2个方式处理整体规划控制模块这几大难点，一个是用离散变量检索方法处理部分最优解的“回答”，以每1.5ms2500次检索的极高高效率实行；另一个是用