Det är väl ändå ganska mycket skulle jag säga. Har nu kört knappt 1300 mil sen nyår med min E-tron och ev har jag haft något som skulle kunna vara en spökinbromsning en gång.Gustafsson skrev:Ska tilläggas att jag körde 90 mil, så det är inte så ofta bilen spökbromsade trots 5 gånger, men jag upplever det som väldigt stressande, även om jag så småningom börjat vänja mig. Jag tycker Tesla borde ha massor av exempel i sin data bas (fleet experience) och borde ha kunnat reducera problemet. Att bilen inte ens kan hålla filen bra på kända vägtyper som jag nämnde är bara för dåligt.agehall skrev:Det där får mig att fundera lite (och svaret finns säkert någonstans i denna tråd redan, men jag har inte hittat det) - varför upplever vissa så pass mycket mer spökbromsningar än andra? Tror jag har haft en hitintills och den var inte speciellt hård. Läser man här känns det som att vissa råkar ut för dessa hela tiden.
Är det så enkelt som att det bara är på vissa sträckor som dessa personer kör dagligen eller är det en skillnad i bilarna som gör det? (Givet att vi utesluter att en viss version av mjukvaran kan vara mer eller mindre buggig då.)
FSD Beta är imponerande!
Moderator: Redaktion
Re: FSD Beta är imponerande!
27,8 kWp solceller
Re: FSD Beta är imponerande!
Förutsatt att dom är kalibrerade och att kalibreringen fungerar som den ska, ja. Samma sak gäller antagligen radarn men vad för möjligheter det finns där vet jag inte.[JM] skrev:Men om kamerorna är "kalibrerade". Vad skulle variationera ge för påverkan på spökbromsingar menar du?Curik skrev:Variationer på bil-individnivå. Det är därför man ibland blir tvungen att kalibrera "kamerorna" (fast det inte är kamerorna i sig som man kalibrerar egentligen) när man exempelvis byter glas.[JM] skrev:Hur menar du?Curik skrev:Tänk på att alla bilar inte är skapade exakt lika. Små skillnader i exempelvis hur kamerorna är monterade kan göra skillnad.
Variationer mellan många bilar men på samma bilmodell eller variationer mellan olika bilmodeller?
Och på vilket sätt skulle de två fallen ovan inverka/ha för systempåverkan?
Jag kanske missförstått vad din ursprungliga kommentar syftade till.
Det blir ju rätt uppenbart om du exempelvis kör två likadana Teslor på samma sträcka utan trafik under samma period av fem minuter och bara den ena bromsar.
Re: FSD Beta är imponerande!
Kloka ord (och pedagogiskt förklarat) om varför man i dagsläget behöver Lidar för att köra säkert:
Lidar always sees all the obstacles in a scene, no matter what they are.
Lidars are spec'd with two important numbers, like "5% targets >150m."
This Velodyne lidar sees all objects with >5% reflectivity at 150m distance.
https://www.mapix.com/wp-content/upload ... asheet.pdf
You can't make a safe AV without seeing all of the obstacles in the road, no matter what they are, because an AV may encounter an infinite number of possible obstacles.
They can't be enumerated. They are uncountable.
Lidar is the only sensor that can detect them all. We say that lidar has "100% recall."
Say you're looking for 10 needles in a haystack. If you find all 10 needles, you have 100% recall. If you found all 10 needles, but also 10 pieces of hay that sort of look like needles, you still have 100% recall, but only 50% precision.
Precision matters, too, of course! But even perfect precision wouldn't matter in an AV, if it didn't *also* have perfect recall.
It doesn't matter if you correctly classify all the obstacles you see, if you totally fail to see a bunch of others.
So, to recap, AVs need at least one sensor that has 100% recall of all objects, no matter how weird or rare or novel. That has to be a starting point.
Lidar is the only sensor that can do that today.
In contrast, computer vision is basically a game of "find examples of everything you possibly can, and put them in a giant dataset." This is doomed, of course, because the number of possible obstacles is infinite.
It gets worse: when confronted with an obstacle that's totally different than all of its training data, you cannot even guess what a CV net will do. It could do literally anything.
In contrast, we know exactly what lidar will do: if it reflects light, lidar will see it.
https://threadreaderapp.com/thread/1560 ... 60704.html
Lidar always sees all the obstacles in a scene, no matter what they are.
Lidars are spec'd with two important numbers, like "5% targets >150m."
This Velodyne lidar sees all objects with >5% reflectivity at 150m distance.
https://www.mapix.com/wp-content/upload ... asheet.pdf
You can't make a safe AV without seeing all of the obstacles in the road, no matter what they are, because an AV may encounter an infinite number of possible obstacles.
They can't be enumerated. They are uncountable.
Lidar is the only sensor that can detect them all. We say that lidar has "100% recall."
Say you're looking for 10 needles in a haystack. If you find all 10 needles, you have 100% recall. If you found all 10 needles, but also 10 pieces of hay that sort of look like needles, you still have 100% recall, but only 50% precision.
Precision matters, too, of course! But even perfect precision wouldn't matter in an AV, if it didn't *also* have perfect recall.
It doesn't matter if you correctly classify all the obstacles you see, if you totally fail to see a bunch of others.
So, to recap, AVs need at least one sensor that has 100% recall of all objects, no matter how weird or rare or novel. That has to be a starting point.
Lidar is the only sensor that can do that today.
In contrast, computer vision is basically a game of "find examples of everything you possibly can, and put them in a giant dataset." This is doomed, of course, because the number of possible obstacles is infinite.
It gets worse: when confronted with an obstacle that's totally different than all of its training data, you cannot even guess what a CV net will do. It could do literally anything.
In contrast, we know exactly what lidar will do: if it reflects light, lidar will see it.
https://threadreaderapp.com/thread/1560 ... 60704.html
Re: FSD Beta är imponerande!
Samma snubbe (skriver intressanta saker - @warren_craddock, Waymo AI-team)
AV Myth #3: "AV development is all about edge cases. Whenever a car encounters a new edge case, you just need to add its solution to a database (training data), and the AV will always handle that edge case correctly in the future."
Fact: There are an infinitude of edge cases. There is an infinitude of different Halloween costumes. There is a continuum of red-light-runner speeds. It is not possible to enumerate edge cases.
And even if it *were* possible to enumerate edge cases, it would not help much! Adding a single edge case example to your training data will have approximately zero effect.
Modern ML relies on a concept called an "information bottleneck." https://en.wikipedia.org/wiki/Informati ... p_learning
The basic idea is that you take a large amount of data, and pass it through a restriction -- a neural net that's too small to simply memorize all the data -- and the neural net will learn a sort of "average" of the data.
Crucially, it will forget the unusual "hard" examples it was shown, particularly those that occurred very infrequently, in favor of doing generally well on the vastly more common "easy" examples.
This might sound bad, but it's a key part of why deep learning works at all. It's called "generalization." https://ai.googleblog.com/2021/03/a-new ... nding.html
There are many strategies to tweak this behavior (data balancing, hard negative mining, etc.) but they're all trade-offs. You can't make a net that generalizes well and that also memorizes all the edge cases perfectly. Those two goals are fundamentally in conflict.
And when the edge cases are also infinite in nature, you can see that the problems are compounded.
The nature of deep nets -- their fundamental mechanism -- means that edge cases are easily forgotten. You can't just experience an edge case once and make it go away.
https://threadreaderapp.com/thread/1559 ... 51040.html
AV Myth #3: "AV development is all about edge cases. Whenever a car encounters a new edge case, you just need to add its solution to a database (training data), and the AV will always handle that edge case correctly in the future."
Fact: There are an infinitude of edge cases. There is an infinitude of different Halloween costumes. There is a continuum of red-light-runner speeds. It is not possible to enumerate edge cases.
And even if it *were* possible to enumerate edge cases, it would not help much! Adding a single edge case example to your training data will have approximately zero effect.
Modern ML relies on a concept called an "information bottleneck." https://en.wikipedia.org/wiki/Informati ... p_learning
The basic idea is that you take a large amount of data, and pass it through a restriction -- a neural net that's too small to simply memorize all the data -- and the neural net will learn a sort of "average" of the data.
Crucially, it will forget the unusual "hard" examples it was shown, particularly those that occurred very infrequently, in favor of doing generally well on the vastly more common "easy" examples.
This might sound bad, but it's a key part of why deep learning works at all. It's called "generalization." https://ai.googleblog.com/2021/03/a-new ... nding.html
There are many strategies to tweak this behavior (data balancing, hard negative mining, etc.) but they're all trade-offs. You can't make a net that generalizes well and that also memorizes all the edge cases perfectly. Those two goals are fundamentally in conflict.
And when the edge cases are also infinite in nature, you can see that the problems are compounded.
The nature of deep nets -- their fundamental mechanism -- means that edge cases are easily forgotten. You can't just experience an edge case once and make it go away.
https://threadreaderapp.com/thread/1559 ... 51040.html
Re: FSD Beta är imponerande!
Tesla FSD Beta 10.69 Release Notes, från
Added a new "deep lane guidance" module to the Vector Lanes neural network which fuses features extracted from the video streams with coarse map data, i.e. lane counts and lane connectivities.
This architecture achieves a 44% lower error rate on lane topology compared to the previous model, enabling smoother control before lanes and their connectivities becomes visually apparent.
This provides a way to make every Autopilot drive as good as someone driving their own commute, yet in a sufficiently general way that adapts for road changes.
Improved overall driving smoothness, without sacrificing latency, through better modeling of system and actuation latency in trajectory planning. Trajectory planner now independently accounts for latency from steering commands to actual steering actuation, as well as acceleration and brake commands to actuation. This results in a trajectory that is a more accurate model of how the vehicle would drive. This allows better downstream controller tracking and smoothness while also allowing a more accurate response during harsh maneuvers.
Improved unprotected left turns with more appropriate speed profile when approaching and exiting median crossover regions, in the presence of high speed cross traffic (“Chuck Cook style” unprotected left turns). This was done by allowing optimizable initial jerk, to mimic the harsh pedal press by a human, when required to go in front of high speed objects. Also improved lateral profile approaching such safety regions to allow for better pose that aligns well for exiting the region.
Finally, improved interaction with objects that are entering or waiting inside the median crossover region with better modeling of their future intent.
Added control for arbitrary low-speed moving volumes from Occupancy Network. This also enables finer control for more precise object shapes that cannot be easily represented by a cuboid primitive. This required predicting velocity at every 3D voxel. We may now control for slow-moving UFOs.
Upgraded Occupancy Network to use video instead of images from single time step. This temporal context allows the network to be robust to temporary occlusions and enables prediction of occupancy flow. Also, improved ground truth with semantics-driven outlier rejection, hard example mining, and increasing the dataset size by 2.4x.
Upgraded to a new two-stage architecture to produce object kinematics (e.g. velocity, acceleration, yaw rate) where network compute is allocated O(objects) instead of O(space). This improved velocity estimates for far away crossing vehicles by 20%, while using one tenth of the compute.
Increased smoothness for protected right turns by improving the association of traffic lights with slip lanes vs yield signs with slip lanes. This reduces false slowdowns when there are no relevant objects present and also improves yielding position when they are present.
Reduced false slowdowns near crosswalks. This was done with improved understanding of pedestrian and bicyclist intent based on their motion.
Improved geometry error of ego-relevant lanes by 34% and crossing lanes by 21% with a full Vector Lanes neural network update. Information bottlenecks in the network architecture were eliminated by increasing the size of the per-camera feature extractors, video modules, internals of the autoregressive decoder, and by adding a hard attention mechanism which greatly improved the fine position of lanes.
Made speed profile more comfortable when creeping for visibility, to allow for smoother stops when protecting for potentially occluded objects.
Improved recall of animals by 34% by doubling the size of the auto-labeled training set.
Enabled creeping for visibility at any intersection where objects might cross ego’s path, regardless of presence of traffic controls.
Improved accuracy of stopping position in critical scenarios with crossing objects, by allowing dynamic resolution in trajectory optimization to focus more on areas where finer control is essential.
Increased recall of forking lanes by 36% by having topological tokens participate in the attention operations of the autoregressive decoder and by increasing the loss applied to fork tokens during training.
Improved velocity error for pedestrians and bicyclists by 17%, especially when ego is making a turn, by improving the onboard trajectory estimation used as input to the neural network.
Improved recall of object detection, eliminating 26% of missing detections for far away crossing vehicles by tuning the loss function used during training and improving label quality.
Improved object future path prediction in scenarios with high yaw rate by incorporating yaw rate and lateral motion into the likelihood estimation. This helps with objects turning into or away from ego’s lane, especially in intersections or cut-in scenarios.
Improved speed when entering highway by better handling of upcoming map speed changes, which increases the confidence of merging onto the highway.
Reduced latency when starting from a stop by accounting for lead vehicle jerk.
Enabled faster identification of red light runners by evaluating their current kinematic state against their expected braking profile.
Added a new "deep lane guidance" module to the Vector Lanes neural network which fuses features extracted from the video streams with coarse map data, i.e. lane counts and lane connectivities.
This architecture achieves a 44% lower error rate on lane topology compared to the previous model, enabling smoother control before lanes and their connectivities becomes visually apparent.
This provides a way to make every Autopilot drive as good as someone driving their own commute, yet in a sufficiently general way that adapts for road changes.
Improved overall driving smoothness, without sacrificing latency, through better modeling of system and actuation latency in trajectory planning. Trajectory planner now independently accounts for latency from steering commands to actual steering actuation, as well as acceleration and brake commands to actuation. This results in a trajectory that is a more accurate model of how the vehicle would drive. This allows better downstream controller tracking and smoothness while also allowing a more accurate response during harsh maneuvers.
Improved unprotected left turns with more appropriate speed profile when approaching and exiting median crossover regions, in the presence of high speed cross traffic (“Chuck Cook style” unprotected left turns). This was done by allowing optimizable initial jerk, to mimic the harsh pedal press by a human, when required to go in front of high speed objects. Also improved lateral profile approaching such safety regions to allow for better pose that aligns well for exiting the region.
Finally, improved interaction with objects that are entering or waiting inside the median crossover region with better modeling of their future intent.
Added control for arbitrary low-speed moving volumes from Occupancy Network. This also enables finer control for more precise object shapes that cannot be easily represented by a cuboid primitive. This required predicting velocity at every 3D voxel. We may now control for slow-moving UFOs.
Upgraded Occupancy Network to use video instead of images from single time step. This temporal context allows the network to be robust to temporary occlusions and enables prediction of occupancy flow. Also, improved ground truth with semantics-driven outlier rejection, hard example mining, and increasing the dataset size by 2.4x.
Upgraded to a new two-stage architecture to produce object kinematics (e.g. velocity, acceleration, yaw rate) where network compute is allocated O(objects) instead of O(space). This improved velocity estimates for far away crossing vehicles by 20%, while using one tenth of the compute.
Increased smoothness for protected right turns by improving the association of traffic lights with slip lanes vs yield signs with slip lanes. This reduces false slowdowns when there are no relevant objects present and also improves yielding position when they are present.
Reduced false slowdowns near crosswalks. This was done with improved understanding of pedestrian and bicyclist intent based on their motion.
Improved geometry error of ego-relevant lanes by 34% and crossing lanes by 21% with a full Vector Lanes neural network update. Information bottlenecks in the network architecture were eliminated by increasing the size of the per-camera feature extractors, video modules, internals of the autoregressive decoder, and by adding a hard attention mechanism which greatly improved the fine position of lanes.
Made speed profile more comfortable when creeping for visibility, to allow for smoother stops when protecting for potentially occluded objects.
Improved recall of animals by 34% by doubling the size of the auto-labeled training set.
Enabled creeping for visibility at any intersection where objects might cross ego’s path, regardless of presence of traffic controls.
Improved accuracy of stopping position in critical scenarios with crossing objects, by allowing dynamic resolution in trajectory optimization to focus more on areas where finer control is essential.
Increased recall of forking lanes by 36% by having topological tokens participate in the attention operations of the autoregressive decoder and by increasing the loss applied to fork tokens during training.
Improved velocity error for pedestrians and bicyclists by 17%, especially when ego is making a turn, by improving the onboard trajectory estimation used as input to the neural network.
Improved recall of object detection, eliminating 26% of missing detections for far away crossing vehicles by tuning the loss function used during training and improving label quality.
Improved object future path prediction in scenarios with high yaw rate by incorporating yaw rate and lateral motion into the likelihood estimation. This helps with objects turning into or away from ego’s lane, especially in intersections or cut-in scenarios.
Improved speed when entering highway by better handling of upcoming map speed changes, which increases the confidence of merging onto the highway.
Reduced latency when starting from a stop by accounting for lead vehicle jerk.
Enabled faster identification of red light runners by evaluating their current kinematic state against their expected braking profile.
Röd Model 3 AWD LR. TSLA investerare. Egen vindkraft via Solivind El Ekonomiska Förening & solpaneler. Tidigare en S75D. Bygger framtidens matproduktion hos Johannas.
-
Gustafsson
- Teslaägare
- Inlägg: 5512
- Blev medlem: 20 jul 2015 17:01
- Ort: Linköping
Re: FSD Beta är imponerande!
Det jobbas flitigt! Även om dessa releasenotes är mycket intressanta så inser man att listan över vad som måste fungera 100 % vid bilkörning är extremt mycket längre. Men jag tror att FSD kan bli ett mycket bra säkerhetshöjande system genom att se saker som föraren inte ser i alla lägen. Spännande att följa utvecklingen iaf.
Svart 2012 Roadster 2,5.| Model S100D midnight silver. MS LR beställd 2020-10-16, levererad 2023-05-16
Re: FSD Beta är imponerande!
Jag hade varit väldigt nöjd med anpassning av hastighet INNAN skyltarna när den sänks. Någon som tror sig veta varför inte det funkar så ännu? Bilen ser ju och identifierar skyltarna på flera hundra meters avstånd.
Tesla Y LR -22 EAP
Re: FSD Beta är imponerande!
Nej den ser inte skyltarna på flera hundra meter. AP kan läsa av skylten med hygglig säkerhet på kanske 50-100 meter i bra förhållanden. Den har däremot skyltdata i kartan. Och varför inte bilen hanterar det med bättre komfort är ett mysterium för mig. Det borde vara jätteenkelt ordnat.BrooklynS skrev:Jag hade varit väldigt nöjd med anpassning av hastighet INNAN skyltarna när den sänks. Någon som tror sig veta varför inte det funkar så ännu? Bilen ser ju och identifierar skyltarna på flera hundra meters avstånd.
Det ska bli spännande att se om den nya versionen gör någon praktisk skillnad i reliabilitet och säkerhet.Gustafsson skrev:Det jobbas flitigt! Även om dessa releasenotes är mycket intressanta så inser man att listan över vad som måste fungera 100 % vid bilkörning är extremt mycket längre. Men jag tror att FSD kan bli ett mycket bra säkerhetshöjande system genom att se saker som föraren inte ser i alla lägen. Spännande att följa utvecklingen iaf.
Hittills har det varit dåligt med framsteg i reliabilitet i praktiken. Så länge man har utrymme i modellerna för tvåsiffriga procent-förbättringar mellan releaser tolkar jag som att man är långt i från "bra" på ganska mycket.
Mina slutsatser är i kort från CVPR2022 workshop-talet (förutom att det var konstigt att man klippt Q&A på slutet) är att man spenderar orimligt mycket tid med att lösa problem som bättre sensorer skulle ge helt gratis (t ex hantera smuts, olika optiska distortioner, avståndsbedömningar), med konsekvensen att lösningen dessutom inte blir tillräckligt säker för autonomi. Det känns som att Tesla fortfarande håller på med att testa prototyper och idéer snarare än att vara i något slags "beta"-stadium.
Man tycker att Tesla borde fråga sig varför man verkar ha hundratals "pedal (or gear) misapplications" per dag och göra något åt den designmissen. Begränsad acceleration efter parkering och tydligare UX för växelval till exempel, istället för fler NN:s för att hindra det "after the fact"...
Att kunna hitta "forward drivable space" kring fotgängare och andra hinder och ha automatisk "evasive action" har funnits i bilar på marknaden i alla fall fem år från Mercedes (då med stereo-seende och radar, i senare modeller även lidar och sonar) men det funkar ju det med om man är mer intresserad av att skeppa funktioner till kunder än att spara pengar.
Jag tror tyvärr fortfarande att autonomi är många många år bort för endast-kamera-system.
Re: FSD Beta är imponerande!
Titanium S75D, svarta NG, svart alcantara, autopilot 2.0, air suspension
Re: FSD Beta är imponerande!
Första exemplet (jag hittade) från 10.69 Whole Mars Catalog.
35 minuter (sent på kvällen) utan attt behöva ta över en enda gång.
https://www.youtube.com/watch?v=jCTssX2VdKA
(yt inbäddning gav error så länkar direkt till videon)
35 minuter (sent på kvällen) utan attt behöva ta över en enda gång.
https://www.youtube.com/watch?v=jCTssX2VdKA
(yt inbäddning gav error så länkar direkt till videon)
Model Y LR AWD Midnattssilver metallic/svart 19" FSD hämtad 27:e Juni 2022.
Re: FSD Beta är imponerande!
1) Varför skulle man betala för en försäkring (för körning) om ens bil aldrig är vållande? Verkar ju vansinnigt dumt liksom...Zalman3 skrev:Inte undra på att Teslas försäkring blir en sedelpress.
2) Har Elon kapat hans Twitterkonto?
"It would be an absurd thing for a car to crash" låter som något Elon skulle säga, inte en ingenjör. Dom kan ju börja med att släppa sin programvara som dom sålt innan dom kommer med sådana här sci-fi-påståenden.Återkom när man i 100% av fallen klarar sånt här:
eller det här:
Btw, Cruise gjorde ett case för radar på CVPR i samma presentation:
Re: FSD Beta är imponerande!
Ja, varför skulle man betala för en försäkring man aldrig använder.spacecoin skrev:1) Varför skulle man betala för en försäkring (för körning) om ens bil aldrig är vållande? Verkar ju vansinnigt dumt liksom...Zalman3 skrev:Inte undra på att Teslas försäkring blir en sedelpress.
Varför skulle låga kostnader endast gälla teslas egen försäkring. Skulle bilarna tillåtas krocka om ägaren har ett annat försäkringsbolag?
Premier sätts ju efter risk. En bil som sällan är inblandad i skador blir billig att försäkra.
Re: FSD Beta är imponerande!
Precis. Krockar man i en autonom bil i autonomt läge så är det dessutom tillverkaren som är ansvarig för konsekvenserna, så den kostnaden faller inte på kunden eller kundens försäkring heller, oavsett bolag.Fredrik j skrev:Ja, varför skulle man betala för en försäkring man aldrig använder.spacecoin skrev:1) Varför skulle man betala för en försäkring (för körning) om ens bil aldrig är vållande? Verkar ju vansinnigt dumt liksom...Zalman3 skrev:Inte undra på att Teslas försäkring blir en sedelpress.
Varför skulle låga kostnader endast gälla teslas egen försäkring. Skulle bilarna tillåtas krocka om ägaren har ett annat försäkringsbolag?
Premier sätts ju efter risk. En bil som sällan är inblandad i skador blir billig att försäkra.
Re: FSD Beta är imponerande!
Om man använder FSD OCH en vaken förare sker få olyckor.
Varför skulle man betala för en försäkring (för körning) om ens bil aldrig är vållande? Verkar ju vansinnigt dumt liksom...
Om Teslas försäkring är 30% billigare än konkurrenterna, vad har jag för val?
Titanium S75D, svarta NG, svart alcantara, autopilot 2.0, air suspension
Re: FSD Beta är imponerande!
Zalman3 skrev:Om man använder FSD OCH en vaken förare sker få olyckor.
Varför skulle man betala för en försäkring (för körning) om ens bil aldrig är vållande? Verkar ju vansinnigt dumt liksom...
Om Teslas försäkring är 30% billigare än konkurrenterna, vad har jag för val?
Med full självkörning förväntar man sig knappast att en vaken förare ska behövas.. poängen är ju att det inte ens ska behövas en förare över huvud taget..
Varför skulle andra bolag ta så mycket mer än Tesla för försäkringen?
Re: FSD Beta är imponerande!
Nå, man ser ju när skyltarna visualiseras, och då har den ju sett dem långt innan. Gissar åtminstone 200m baserat på andra reaktioner.
Dessutom har man som sagt kartdata. Det är tillämpningen som är felaktig tycker jag.
Dessutom har man som sagt kartdata. Det är tillämpningen som är felaktig tycker jag.
Tesla Y LR -22 EAP
Re: FSD Beta är imponerande!
Det är väl Teslas modus operandi tyvärr. 90% klart är klart.BrooklynS skrev:Nå, man ser ju när skyltarna visualiseras, och då har den ju sett dem långt innan. Gissar åtminstone 200m baserat på andra reaktioner.
Dessutom har man som sagt kartdata. Det är tillämpningen som är felaktig tycker jag.
Re: FSD Beta är imponerande!
Tesla har ju redan statistik på att olyckorna minskar med FSD och en vaken förare.Med full självkörning förväntar man sig knappast att en vaken förare ska behövas.. poängen är ju att det inte ens ska behövas en förare över huvud taget..
Så FSD kan ju vara en lika stor säkerhetshöjande sak som säkerhetsbältet.
Tågordningen måste ju vara att Tesla kan påvisa noll olyckor med FSD och en vaken förare.
Innan man ens provar att bilen ska köra själv.
Dessutom måste man ju bygga upp ett förtroende.
Om Tesla säger att bilen kan köra själv utan förare.
Då vill jag ju i ett år sitta bakom ratten och övervaka vad bilen gör.
Och själv göra en bedömning hur bra den kör.
Om bilen har noll tveksamma situationer efter ett års övervakad körning. Då kanske man vågar släppa ratten.
Titanium S75D, svarta NG, svart alcantara, autopilot 2.0, air suspension
Re: FSD Beta är imponerande!
Du förstår inte vad autonomi betyder tror jag. Autonomi betyder att bilen kör själv inom dess designområde (till exempel i stadskörning som Tesla försöker göra). När bilen är autonom så finns det ingen mänsklig förare, det är bilen som kör, även legalt och ansvars-mässigt. Det betyder att tillverkaren av programvaran som kör bilen är ansvarig. En autonom bil kan fälla in ratten och pedaler när den kör. Det är som att åka taxi.Zalman3 skrev:Om bilen har noll tveksamma situationer efter ett års övervakad körning. Då kanske man vågar släppa ratten.
Vågar inte tillverkaren lämna garantier att det funkar, skulle då aldrig jag lita på systemet med mitt liv.
Det du beskriver är L2 ("partial automation of the DDT"), och det har vi redan idag, det heter Autopilot.
Re: FSD Beta är imponerande!
Och vilkens biltillverkares L2 system ser till idag att noll olyckor sker?Det du beskriver är L2 ("partial automation of the DDT"), och det har vi redan idag, det heter Autopilot.
Titanium S75D, svarta NG, svart alcantara, autopilot 2.0, air suspension
Re: FSD Beta är imponerande!
Vad är det för fråga? Ingens så klart. Det kommer knappast att hända heller.Zalman3 skrev:Och vilkens biltillverkares L2 system ser till idag att noll olyckor sker?Det du beskriver är L2 ("partial automation of the DDT"), och det har vi redan idag, det heter Autopilot.
Tror du Elluswamy menade L2? Det tror inte jag. Ska vi prata förarassistans-system som förhindrar mänskliga fel (FCW, LDW, AEB osv), så tror jag inte Tesla är ledande där. Tesla försöker ju köra själva - och det är deras fokus. Det är dock avkopplande att använda Teslas system på motorväg. Det verkar inte vara det för stadskörning...
Däremot kan du köpa en Mercedes i Tyskland som kör själv enligt de premisser jag beskrev i upp till 60km/h i tät trafik. Mercedes har sagt att de är liable för körning autonomt.
Re: FSD Beta är imponerande!
Legacy auto makers som Audi klarar detta med att anpassa hastigheten innan skyltarna galant.BrooklynS skrev:Nå, man ser ju när skyltarna visualiseras, och då har den ju sett dem långt innan. Gissar åtminstone 200m baserat på andra reaktioner.
Dessutom har man som sagt kartdata. Det är tillämpningen som är felaktig tycker jag.
En annan reflektion jag gjorde när vi kom till regnoväder strax norr om Jönköping i fredags var att alla teslor då låg i högerfilen och en annan med en Audi kunde ligga i vänsterfilen med självkörning på. Ganska ok för en så dålig elbil tycker jag.
27,8 kWp solceller
Re: FSD Beta är imponerande!
Och har gjort så i runt 10-12 år kan tilläggas...Dafro skrev:Legacy auto makers som Audi klarar detta med att anpassa hastigheten innan skyltarna galant.BrooklynS skrev:Nå, man ser ju när skyltarna visualiseras, och då har den ju sett dem långt innan. Gissar åtminstone 200m baserat på andra reaktioner.
Dessutom har man som sagt kartdata. Det är tillämpningen som är felaktig tycker jag.
-
FinaFisken
- Teslaägare
- Inlägg: 285
- Blev medlem: 07 jul 2018 13:29
Re: FSD Beta är imponerande!
Är det bara jag som tycker SAE-nivåerna är ganska meningslösa?
Nivå 0-2 var ju redan på plats när klassningen kom för 8 år sen. Skillnaden mellan 3 och 4 handlar bara om att statistiskt nå upp till en viss oklar nivå. Skillnaden mellan 4 och 5 handlar bara om typ av väg och väderförhållanden. Man skulle lika gärna kunna säga exempelvis nivå 4 på motorväg sommartid.
Nivå 0-2 var ju redan på plats när klassningen kom för 8 år sen. Skillnaden mellan 3 och 4 handlar bara om att statistiskt nå upp till en viss oklar nivå. Skillnaden mellan 4 och 5 handlar bara om typ av väg och väderförhållanden. Man skulle lika gärna kunna säga exempelvis nivå 4 på motorväg sommartid.