在上期文章中，我們從Autopilot的感知堆棧的backbone網(wǎng)絡(luò)開始分析，從raw data到RegNet，再到BiFPN，最后來到多頭的Head結(jié)構(gòu)，這就基本上給HydraNets的框架結(jié)構(gòu)定了性。在Tesla AI Day結(jié)束之后，很多關(guān)心自動駕駛產(chǎn)業(yè)發(fā)展的人，觀后感普遍是智商不夠，看不懂。而實際上，如果讀者不進入實際的研發(fā)領(lǐng)域，要理解Autopilot的工作機制、框架和基本脈絡(luò)，實際上并沒有那么困難。而對于Autopilot整體框架的理解，一旦有心得，對于自動駕駛行業(yè)的從業(yè)者、愛好者和政策關(guān)注者，其實都是大有裨益的。

而作為一個典型的跨學(xué)科產(chǎn)業(yè)，傳統(tǒng)封閉知識結(jié)構(gòu)的限制讓很多初次涉足自動駕駛行業(yè)的新手來說，都會感到明顯困難。一個突出的問題就是交叉學(xué)科概念實在太多太新了，往往名詞都看不懂，就不要說深究了。所以，小編寫這個系列文章的初衷就是盡可能拉低閱讀門檻，讓每個感興趣的讀者開卷有益。畢竟，Tesla這種具備開放心態(tài)的先鋒企業(yè)，不是總能遇得到的。

所以關(guān)注這個系列的讀者，在看系列中任何一篇文章的時候，都可以聯(lián)系系列中的其它文章串起來看，各種新鮮的名詞解釋和上下文串講會協(xié)助諸位和小編一起跑完這個理解的過程的。

圖一【Tesla transformer-33.png】來自論文《EfficientDet: Scalable and Efficient ObjectDetection》中的插圖，獲取URLhttps://arxiv.org/pdf/1911.09070.pdf；

這是上一篇文章中我們所講的關(guān)鍵點BiFPN網(wǎng)絡(luò)結(jié)構(gòu)，其中BiFPN和其他上下游的網(wǎng)絡(luò)結(jié)構(gòu)交代得比較清楚，所以小編在這里再強調(diào)一次。上圖左半部分為Google的EfficientNet，是一種典型的層次化的CNN Backbone結(jié)構(gòu)，上圖中顯示為7層，每一層的分辨率逐漸降低，但是特征Feature map也是在這個過程中通過卷積計算來實現(xiàn)搜集的。重要的是，我們可以清晰地觀察到，從第3層到第7層的Feature map數(shù)據(jù)被依次輸入到BiFPN網(wǎng)絡(luò)內(nèi)，從而可以利用BiFPN的融合結(jié)構(gòu)設(shè)計，將不同層次的feature按照預(yù)定義的規(guī)則融合到一起，制造更準(zhǔn)確的識別結(jié)果。

上圖（圖一）的最右側(cè)顯示了這個整體模型中的Task Head，顯示了優(yōu)化后的backbone所提供的feature map最終被用于何種任務(wù)的實現(xiàn)。其中一個是分類任務(wù)Class，另一個是定位任務(wù)Box共兩個任務(wù)。它們兩個共享了EfficentNet backbone+BiFPN的特征識別結(jié)果，實現(xiàn)了算力的共享和高效利用。

在一個典型的CNN網(wǎng)絡(luò)中（以下圖為例是VGG16）另一個直觀的案例，原始的Input image在后續(xù)的一些列卷積處理之后，最終按照任務(wù)的要求實現(xiàn)Output輸出。通常講，CNN被用于網(wǎng)絡(luò)內(nèi)容的識別，并在識別后按照識別結(jié)果的類別來報告輸出。下圖模型就是干這個的。

圖二【Tesla transformer-34.png】來自youtube.com中賬號@denisdmitriev的VGG16 Neural Networkvisualization視頻的插圖，獲取URLhttps://www.youtube.com/watch?v=RNnKtNrsrmg；

如果將這個VGG16的卷積模型拉伸開來，就可以清晰地展示出每一個卷積層、池化層的輸出直觀計算（or感知）結(jié)果，如下：

圖三【Tesla transformer-35、36.png】來自youtube.com中賬號@denis dmitriev的VGG16 Neural Network visualization視頻的插圖，獲取URLhttps://www.youtube.com/watch?v=RNnKtNrsrmg；

由于不同卷積算子的卷積計算，原始圖像中的蘋果（或者洋蔥），其不同的特征被捕捉出來，比如顏色、形狀、表皮類型、根莖形狀，甚至不同物種常常呈現(xiàn)的不同的凹凸不平的特點，都被CNN抓出來，并通過BiFPN類似的特征融合機制形成最終的認(rèn)知，或者提供給后端Task Head有效的、良好的認(rèn)知素材。從這個流程上看，CNN對于圖像信息特征的捕捉方式，幾乎和人類對于圖像的感知方式一致了。當(dāng)然，人類的感知能力除了視覺信息分析，我們還具備觸覺、味覺和更一般的“世界知識體系”……這是AI暫時所做不到的。比如，兩個在外觀上完全一致的蘋果和洋蔥，人類視覺無法判斷分類結(jié)果，自然會拿在手上掂量一下，甚至聞一下、嘗一口，最終總是可以找到正確答案的。

之前在這個系列的第一篇文章里，我們談到過AI技術(shù)演進的下一個方向，也有對于多模態(tài)信息的綜合感知，那是因為Transformer體現(xiàn)出了一定的多模態(tài)數(shù)據(jù)處理能力。其實CNN技術(shù)本身也有同時被應(yīng)用于圖形和語言的信息處理領(lǐng)域，但顯然自動駕駛領(lǐng)域內(nèi)的感知問題，在當(dāng)前階段還是應(yīng)該關(guān)注圖形數(shù)據(jù)（視覺傳感器）為核心，解決了視覺問題，大概99%的問題都被解決了。在此基礎(chǔ)之上的更進一步感知多模態(tài)信息，才扎實。

圖四【Tesla transformer-37.png】來自Tesla AI day主題演講視頻截圖，URLhttps://www.youtube.com/watch?v=j0z4FweCy4M&t=4115s；

Backbone+Task heads的整體架構(gòu)如上圖，這就是標(biāo)準(zhǔn)的多任務(wù)系統(tǒng)HydraNets。在這個多任務(wù)Heads框架中從左到右分別是Object Detection Task（應(yīng)該包含靜態(tài)和動態(tài)所有道路目標(biāo)的識別）、Traffic Lights Task（交通燈和其它交通標(biāo)識的識別）和Lane Prediction Task（車道線及可行駛區(qū)域識別）。實際上FSD beta現(xiàn)在這個階段，使用到CNN backbone的任務(wù)一定不止以上三個。細(xì)分任務(wù)的原則是一個Head task無法處理和涵蓋一個類別的任務(wù)，就需要擁有獨立的Head Task。比如小編推測在Lan Prediction Task中，可能不僅僅是各種車道線的識別和預(yù)測，還有可能包含同樣關(guān)鍵的馬路邊緣路緣石邊界的識別。在這個具象的Task中，系統(tǒng)框圖只給出了regression方法（reg），在對于車道線的識別這是一個普遍的方法，因為車道線基本上可以用一個固定的二次函數(shù)、三次函數(shù)既可以描述出車道線走勢，所以機器學(xué)習(xí)里涉及的車道線識別方法，使用regression回歸方法來預(yù)測車道線的多項式系數(shù)即可，這是個慣用的標(biāo)準(zhǔn)做法。但對于馬路邊緣路緣石構(gòu)成的可行駛區(qū)域邊界的識別，因為路緣石邊界的不規(guī)則屬性，可能無法服用regression方法。感興趣的讀者可以參考PolyLaneNet車道線識別的方法，互聯(lián)網(wǎng)可查。

圖五【Tesla transformer-38.png】來自Youtube站點博主@Frenchie的測試視頻截圖，URLhttps://www.youtube.com/watch?v=rfTpt8phxL4；

上圖可以觀察到FSD beta的中控屏幕顯示的紅色曲線為路緣石線條，由于基建處理路緣石的考量不僅僅是勾畫車輛可行駛區(qū)域，相對地也要考慮行人道上的各種設(shè)備需求，因此它并不是一直和車道線保持并行，會有非規(guī)則曲線的場景出現(xiàn)。上圖中這個場景下，顯示的識別結(jié)果出現(xiàn)錯誤，且這個非規(guī)則的路緣石不可能用低次曲線擬合出來。

對于object和traffic light的預(yù)測分類（屬性）和位置，則使用了classification、regression和attribution方法。類似的可以借鑒和查詢的論文就更多了，YOLO系列就是一個完美的參考，互聯(lián)網(wǎng)可查。

除了多頭的任務(wù)本身，圖四所顯示的多任務(wù)架構(gòu)還需要注意的是Tesla在Backbone和Head之間插入了一個叫做multi-scale features的cache環(huán)節(jié)。這個環(huán)節(jié)在模型的測試過程中扮演了關(guān)鍵角色。按照Karpathy的解釋，訓(xùn)練過程如下：

1 首先進行的是end to end的聯(lián)合訓(xùn)練，輸入是視覺raw data，輸出是所有任務(wù)的輸出。監(jiān)督所有子任務(wù)的準(zhǔn)確度，并根據(jù)準(zhǔn)確度進行干預(yù)（系統(tǒng)自動執(zhí)行誤差的反向傳播）。這樣的訓(xùn)練結(jié)果將會導(dǎo)致所有子任務(wù)的“集體最優(yōu)結(jié)果”；

2 end to end的聯(lián)合訓(xùn)練會導(dǎo)致子任務(wù)集體最優(yōu)，但因為子任務(wù)之間不可能做到邏輯上的完全隔離，因此集體最優(yōu)一定不是單個子任務(wù)的“個體最優(yōu)結(jié)果”，因此需要以單個任務(wù)為核心進行調(diào)優(yōu)fine tunning；

3 以單個子任務(wù)為核心的fine tunning的輸入為經(jīng)過聯(lián)合調(diào)優(yōu)后確立的backbone所輸出的multi-scale features，從位于中部的那個cache里直接獲??；輸出則為各自子任務(wù)的輸出，還是經(jīng)過監(jiān)督學(xué)習(xí)機制，最后將每個子任務(wù)收斂到各自的最優(yōu)狀態(tài)；

4 然后重復(fù)1的end to end聯(lián)合訓(xùn)練……

上述這個迭代流程可以確保網(wǎng)絡(luò)整體效能最優(yōu)，且各個子任務(wù)的準(zhǔn)確度最佳。橫向看，這并非Tesla的專利（小編：盡管Tesla有訓(xùn)練多任務(wù)系統(tǒng)的一些專利，我們之前的文章有涉及過），業(yè)內(nèi)處理自動駕駛系統(tǒng)內(nèi)的多任務(wù)，大抵如此手法。但knowhow在于如何處理車載硬件的CPU算力——訓(xùn)練方法的有效性——最終模型輸出的準(zhǔn)確性，這三者之間的矛盾，達到和諧統(tǒng)一。這個Tesla當(dāng)然不會細(xì)說，就比如這個cache內(nèi)部的multi-scale feature，到底如何分配給不同的子任務(wù)可以協(xié)助子任務(wù)的預(yù)測水平實現(xiàn)最優(yōu)？這就是Tesla的秘密了。

別的不好說，但是顯然的是，誰的數(shù)據(jù)（有效數(shù)據(jù)）最多最豐富最極端corner，誰就最有把握接近最佳模型。Tesla雖然扔掉了所有的毫米波雷達回波數(shù)據(jù)，也不屑于Lidar的點云數(shù)據(jù)，但在視覺領(lǐng)域的積累應(yīng)該還是有底氣的。

截至目前，HydraNets架構(gòu)已經(jīng)可以支撐標(biāo)準(zhǔn)的L2自動駕駛業(yè)務(wù)了。對于Tesla來說，自從和Mobileye分手之后，HydraNets的框架就已經(jīng)（也必須）開始部署了，無非是在框架內(nèi)選擇不同的具體技術(shù)進行性能更新而已。但實際上如果要往更高層級的自動駕駛自治邁進，對于HydraNets架構(gòu)的擴展就勢在必行了。

圖六【Tesla transformer-39、40.png】來自Tesla AI day主題演講視頻截圖，URLhttps://www.youtube.com/watch?v=j0z4FweCy4M&t=4115s；

以上兩張圖代表了兩種不同級別的自動駕駛應(yīng)用，想必各位讀者已經(jīng)耳熟能詳了。前者是典型的單目攝像頭所獲取的信息，以及背后的多任務(wù)HydraNets NN架構(gòu)的識別結(jié)果。從Mobileye開始普及典型的Level-2自動駕駛系統(tǒng)以來，Tesla Autopilot就一直是這個思路。唯一的變化就是2016年脫離和Mobileye的合作之后，Autopilot有一個階段是采用了Camera+mm Radar的傳感器組合，2021年上半年則轉(zhuǎn)向Full vision。

上圖前者的識別結(jié)果確實豐富，我們有過專門的公眾號文章對Autopilot在這個階段對于單目視覺信息的識別做了解讀。但這個識別結(jié)果，哪怕融合了毫米波雷達的速度信息，支持更高等級的自動駕駛?cè)蝿?wù)也是不夠用的。所以才有了上圖后者的需求，車輛哪怕是在封閉場地和低速的限制條件下，例如Smart summon（停車場智能召喚功能），也必須要掌握主車四周的全視角道路狀態(tài)（可行駛區(qū)域），才有可能進行路徑規(guī)劃，并發(fā)現(xiàn)召喚者。注：上圖中的九個視覺輸出中有兩個黑塊，意味著車身一共8個攝像頭，supper narrow遙距攝像頭并在Smart summon中參與道路3D信息捕獲和可行駛道路區(qū)域的識別。

對于Tesla Autopilot系統(tǒng)的識別堆棧談到這里，讀者應(yīng)當(dāng)注意這個主題的本質(zhì)：花多少錢辦多少事兒。迄今為止對于CNN Backbone和純視覺的堅持，可以在大部分的Level-2任務(wù)上得到技術(shù)落地和回報，并在更大范疇的技術(shù)框架上一錘定音、不走回頭路以適應(yīng)越來越高的NN技術(shù)占比對于龐大有效的數(shù)據(jù)量的需求。只要這一步走對了，小編的角度看，Tesla就算成功了一半。自動駕駛系統(tǒng)在未來能走多遠(yuǎn)？走多快？這就不僅僅是一家公司的事情了，很多問題也還是基礎(chǔ)科學(xué)、科學(xué)技術(shù)產(chǎn)業(yè)化的問題。舉個非常簡單的例子，純視覺如何克服目標(biāo)深度信息預(yù)測的準(zhǔn)確度和時效性問題？神經(jīng)網(wǎng)絡(luò)算子新貴Transformer轉(zhuǎn)戰(zhàn)視覺信息處理的突破，是如何提供給Tesla一個良好的視覺場轉(zhuǎn)化工具的？這里面有偶然，但更多是必然，我們相信只要走在正確的路上，困難就總是暫時的。

具體而言，當(dāng)Tesla意識到前向單目攝像頭所捕獲的視覺信息，哪怕對其再精耕細(xì)作和堆砌大量數(shù)據(jù)訓(xùn)練出來的模型，這個能力進展也無法處理更高等級的自動駕駛技術(shù)需求的時候，并沒有將現(xiàn)有識別堆棧推倒重來，而是繼續(xù)向前選擇了顯性的C++人工代碼試圖提供車身四周完整的3D視角視覺信息……如下圖：

圖七【Tesla transformer-41.png】來自Tesla AI day主題演講視頻截圖，URLhttps://www.youtube.com/watch?v=j0z4FweCy4M&t=4115s；

這個被叫做“Occupancy Tracker”的人工代碼被嵌入到Smart summon這個應(yīng)用的Task head底部，完成從CNN backbone提取feature map后，需要參照車身攝像頭的幾何尺寸將其轉(zhuǎn)換到路徑規(guī)劃所需要的Birds-view map。

360度的俯視圖Birds-view map在大多數(shù)Level-2自動駕駛應(yīng)用場景中，并非必要。但在更高等級的自動駕駛系統(tǒng)中，多傳感器數(shù)據(jù)處理結(jié)果（小編：同構(gòu)或者異構(gòu)傳感器都可以）終結(jié)在Birds-view map俯視圖結(jié)構(gòu)上，并提供給后端路徑規(guī)劃，還是最合適的。人類構(gòu)建的公路系統(tǒng)是嚴(yán)格符合“連續(xù)平面”屬性的，因此忽略高度信息的俯視圖在規(guī)劃中，比車載相機獲取的或略深度信息的投影平面，更能表現(xiàn)出道路上各種物體的相對位置關(guān)系。但問題在于如果路面拓?fù)溥^于復(fù)雜，且視覺傳感器會因為各種遮擋場景而只獲取部分信息，在這個基礎(chǔ)上，人工代碼往往力不從心。

對于上圖七的觀察我們就可以看到，在CNN backbone上增加Birds-view map獲取的“Occupancy Tracker”代碼Head之后，可以實現(xiàn)從camera視覺信息到俯視圖的轉(zhuǎn)換，但問題同樣明顯：

1 Karpathy標(biāo)識這段代碼功能非常難以落地，具體表現(xiàn)為對于場景適應(yīng)能力很差，可能在一部分場景下表現(xiàn)尚可，但一旦出現(xiàn)特殊的道路拓?fù)洌蜁В?/p>

2 精度問題。

上圖七左上角是Birds-view map的輸出結(jié)果，車輛左轉(zhuǎn)彎之后，前方兩側(cè)都出現(xiàn)大面積的無法識別狀態(tài)，右后側(cè)出現(xiàn)識別精度大誤差狀態(tài)（紅色線條重疊）。讀者可以想象，一旦車速增加、出現(xiàn)大面積的路邊遮擋物和道路拓?fù)鋭×腋淖兊鹊?，識別效果會進一步惡化。

圖八【Tesla transformer-42.png】來自Tesla AI day主題演講視頻截圖，URLhttps://www.youtube.com/watch?v=j0z4FweCy4M&t=4115s；

如果我們從smart summon應(yīng)用再往前走一步，在所有道路條件下提供投影成像到Birds-view map的轉(zhuǎn)換，再從路緣石邊界（上圖紅色線條）擴展到對于車道線（上圖藍(lán)色箭頭）的識別和轉(zhuǎn)換視角，則之前的Occupancy tracker所面臨的問題會被進一步放大。圖八中，我們可以看到在camera投影視圖中的路緣石邊緣識別結(jié)果，因為天然在精度上的誤差，經(jīng)由精確的幾何變換后，在俯視圖上的誤差得到進一步放大，甚至到會引發(fā)解讀歧義的問題：認(rèn)真看投影視圖中的紅色線條，是對路緣石的一種近似的擬合結(jié)果。CNN Backbone的各種CNN識別結(jié)果，在單目鏡頭的視覺投影信息中，只能依賴CNN的對于人類智能模擬之后的近似。Camera不可能提供和Lidar等同的測量精度，Camera+CNN更多意義上的操作本質(zhì)是“預(yù)測”。因此，建立在預(yù)測結(jié)果上，對于近似的預(yù)測結(jié)果進行“硬橋硬馬”的集合轉(zhuǎn)換，結(jié)果就只能是這個水平。

圖中的黃色和綠色箭頭所指位置，投影成像的線條近似，被轉(zhuǎn)換為以車輛攝像頭為圓心的圓弧段，沒錯，Occupancy Tracker認(rèn)為線段上的每一個點，到攝像頭的距離都是一樣的…….由此，更新Occupancy Tracker代碼，使用同質(zhì)的NN網(wǎng)絡(luò)來模擬人類的預(yù)測行為，來完成這個視場轉(zhuǎn)換任務(wù)，就是Autopilot識別堆棧的下一個核心重點了！

審核編輯 ：李倩