FSD Beta är imponerande!

[Curik]

Tänk på att alla bilar inte är skapade exakt lika. Små skillnader i exempelvis hur kamerorna är monterade kan göra skillnad.

[[JM]]

Tänk på att alla bilar inte är skapade exakt lika. Små skillnader i exempelvis hur kamerorna är monterade kan göra skillnad.

Hur menar du?

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?

[Maw]

Om det är Scam O'dowd testet du refererar till så kan du se i denna video hur dom har gaspedalen nertryckt samtidigt som FSDn är på och således stannar inte bilen för dockan.

Ja, jag hörde på Electrek att det var en del tveksamheter kring hur det testet utförts och hur resultaten redovisats.

[spacecoin]

Tänk på att alla bilar inte är skapade exakt lika. Små skillnader i exempelvis hur kamerorna är monterade kan göra skillnad.

Det är därför man har kamerakalibrering.

Om det är Scam O'dowd testet du refererar till så kan du se i denna video hur dom har gaspedalen nertryckt samtidigt som FSDn är på och således stannar inte bilen för dockan.

Om WholeMarsCatalog och andra har problem med liknande test så fuskar inte nödvändigtvis O'Dowd.

Jag försvarar inte O'Dowd över huvud taget, men Tesla verkar inte ens med en 99% säkerhet identifiera objekt som t ex fotgängare som kommer i från sidan, det är uppenbart för mig i alla fall. Under optimala förhållanden kanske det är något högre. Men i regn eller skymning eller motljus är det lägre.

För L2 är det helt ok, men det duger inte för autonomi. Där behöver man göra fel mycket mer sällan (kanske en per miljon? miljard?).

Jag tycker folk verkar har svårt att förstå skillnaden på det funkar oftast och det funkar konsekvent både här på forumet och i allmänhet när man pratar om steget från förarassistans till autonomi. Det är ett väldigt stort gap däremellan. Många många år tror jag (och jag hoppas jag har fel).

Att Tesla har en bra förarassistans tror jag vi är överrens om. Den funkar oftast mycket bra.

[Choke]

Om det är Scam O'dowd testet du refererar till så kan du se i denna video hur dom har gaspedalen nertryckt samtidigt som FSDn är på och således stannar inte bilen för dockan.



När ADAC testar euro ncap mot fotgängare så ser det ut så här.
Model X


Model 3


Kolla från 2 min in i klippen

Tack för länkarna. Intressant att följa vad som händer i usa. Om det stämmer att man tryckt ned gaspedalen under testen så vill man gärna höra kommentaren varför man gjorde det.
Vill bara påpeka att jag bara kört Tesla i knappt 6 månader, endast kört 2 400 mil och har inte köpt FSD utan kör bara med ”standard”. Är ingen expert eller har vana av andra system - bara Skodas fartkontroll.. har haft några spökbromsningar som i och för sig känts obehagliga men tycker det har blivit bättre med de två senaste uppdateringarna.
Det är intressant att följa Teslas arbete och jag hoppas verkligen att de kommer framåt - men tror det är långt till helt självkörande.

[spacecoin]

Det finns en intervju med Omer Keilaf, grundare av Innoviz en israelisk Lidartillverkare, som jobbat tillsammans med BMW ett bra tag. Tydligen har dom även nu ett kontrakt med VW och en till Tier 1.

Intervju här, finns både ljud och transcript (China EVs & More):
https://www.buzzsprout.com/1786123/10690914

Lite urklipp:

Tu Le:
So Chinese EV companies right now are really leaning into, we have over 30 sensors, we have over 40 sensors, we have three LiDARs, we have four LiDARs. And is, in your opinion, is more just more or is more better? And if more is just more.

Omer Keilaf:
My CFO likes that there is more. I won't fight anyone who wants to buy more, but eventually it's a business case, right? I believe that probably you're referring to companies that are trying to develop Level 4, Level 5 kind of applications. Our key focus right now is mostly Level 2 and Level 3. And even at Level 3, you don't really need more than one LiDAR. I'm happy to sell anyone more, but one is enough. That's what we see also in the market. And the reason that we are focusing on those levels is because those are the levels that we expect to go into volume faster than the rest. Those are the passenger vehicles. You won't see a passenger vehicle with Level 4 anytime soon - in the next decade.

...

Lei Xing:
One question to confirm, are you not looking at the robotaxi, serving the robotaxi market?

Omer Keilaf:
We are. Obviously, I'll sell LiDAR to anyone who's willing to pay. We need to spread, we need to put our chips on different players and expect that some of them would succeed and grow and etc. But in terms of focus, we are mostly focused on signing deals like with carmakers that plan to go to high volume. There is no robotaxi right now, company that I can get to an nomination of the volume that I get from a passenger vehicle. That's just too many years ahead of us. I have to keep my focus where I can sign a deal, not just R&D and selling a few samples, ect. Many LiDAR companies, by the way, that's what they do. You see a lot of announcements. The market is, there is so much noise in the industry. People don't see the difference between a series production announcement than here's a partnership with a company, I just sell them like 10 units and we did the press release together. Everything looks the same. That's something that's part of the noise that we're dealing with. But what can I do?

Lei Xing:
One more question from me, and then Tu, you can end with the Chinese smart EV startup question? So what is the end game for LiDAR?

Omer Keilaf:
LiDAR would be on every car, but much beyond that. A LiDAR is eventually a 3D camera, right? People tend to connect LiDAR equals a car. It's not. A LiDAR is a 3D sensor, so if I would tell you I developed a camera, I don't think that the only thing that comes to your mind would be a car. Even though cars are using many cameras, there are many applications for 3D sensing. I actually think that long term, any 2D camera would be replaced with a 3D camera, because there are many benefits of getting another layer. And interactions would be different. And we all talk about metaphors and augmented reality. Those are all relying on 3D data.

Tu Le:
Well, iPhones already have LiDAR in them, right?

Omer Keilaf:
Yeah, definitely. So LiDAR is a strange name for a 3d camera. Really, if you think about it, the VR goggles, the Oculus, right? And I know if you've used it before, it's quite amazing. Eventually it's a 3D display, right? You actually consume 3D data. And the thing is all of the data that is available in those goggles is completely synthetic, because there is no way to film 3D today in a good way. So everything that you are able to consume today in those VR are mostly synthetic. A LiDAR is a 3D live camera, which you could actually use. So I could have actually placed a LiDAR here in my room. You would be wearing VR goggles and actually see the room and travel in it because it makes it accessible. So LiDAR is just the first market which will actually consume a lot of LiDARs in automotive. But there are many other markets that the adoption of LiDARs would translate to large adoption, surveillance and construction sites, farming. We live in a 3D world, so using a 3D sensor somehow makes more sense than a 2D, and it will grow fast.

[Gustafsson]

LIDAR är väldigt intressant som teknik. Laser kan ju mäta hastigheterna på objekt, så LIDAR skulle kunna ersätta radarn med något mycket mer högupplösande och ge rktigt detaljerade hastighetskartor. Det borde vara mumma för självkörande bilar…

[Larofo]

Dan O'Dowd har inte speciellt rent mjöl i påsen.

[spacecoin]

LIDAR är väldigt intressant som teknik. Laser kan ju mäta hastigheterna på objekt, så LIDAR skulle kunna ersätta radarn med något mycket mer högupplösande och ge rktigt detaljerade hastighetskartor. Det borde vara mumma för självkörande bilar…

Ja det är väl därför alla självkörande bilar som finns använder Lidar.

[Curik]

Tänk på att alla bilar inte är skapade exakt lika. Små skillnader i exempelvis hur kamerorna är monterade kan göra skillnad.

Hur menar du?

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?

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.

[Gustafsson]

LIDAR är väldigt intressant som teknik. Laser kan ju mäta hastigheterna på objekt, så LIDAR skulle kunna ersätta radarn med något mycket mer högupplösande och ge rktigt detaljerade hastighetskartor. Det borde vara mumma för självkörande bilar…

Ja det är väl därför alla självkörande bilar som finns använder Lidar.

Utom en… (fast den kan ju inte köra själv)
Undrar vad som är det viktigaste skälet till att Tesla sågar tekniken?

[Curik]

LIDAR är väldigt intressant som teknik. Laser kan ju mäta hastigheterna på objekt, så LIDAR skulle kunna ersätta radarn med något mycket mer högupplösande och ge rktigt detaljerade hastighetskartor. Det borde vara mumma för självkörande bilar…

Ja det är väl därför alla självkörande bilar som finns använder Lidar.

Utom en… (fast den kan ju inte köra själv)
Undrar vad som är det viktigaste skälet till att Tesla sågar tekniken?

Jag har noll koll på detta område men såvitt jag förstår ska det handla om att Lidar introducerar väldigt mycket brus i dålig väderlek. Typ. Ish.

[spacecoin]

Det största anledningen till att Tesla inte har Lidar eller en hd-radar är kostnaden per bil. Tesla prioriterar det hårt, av förståeliga skäl.

Tesla anser att räcker det med att objektsdetektering och avståndsbedömning görs genom att försöka lista ut det ur en eller flera 2d-bilder. Det finns klara nackdelar och risker med det. Men det duger för L2.

En Lidar eller hd-radar funkar även perfekt på natten och i motljus, men funkar sämre i snö och kraftigt regn. Det är ett bra komplement till kameran och en vettig sensor (framåtriktad, för personbilar) kostar under 1000 USD nu. Trenden är snabbt fallande pris i och med att de flesta premiumbilar kommer med lidar nästa år.

Teoretiskt sett så kan man säkert lösta självköning med endast kameror, men troligen inte detta decennium. Och även då så är det bra att öka säkerheten med flera sensortyper som kompletterar kamerorna, som man så klart måste ha. Det går inte att köra utan kameror.

[spacecoin]

MobilEye CTO recenserar FSD, och förklarar skillnaderna:
https://threadreaderapp.com/thread/1559 ... 41825.html

Congrats to #FSD team for the great progress!
Our Supervision system shares the camera-centric approach, but differs in some key elements.
1) Crowd-based HD map vs. SD map
2) Math-based vs. simulation-based driving policy
3) Multiple redundant systems vs. a single one
0/n
1/n
Humans drive better when they are familiar with the road ahead. Furthermore, it is better to solve problems offline than to solve them online. Offline has more compute, knowledge of the future, optimal weather conditions, and the ability to validate quality.
2/n
We can plan way in advance for curves ahead, or for occluded areas in an intersection. We could use rear camera when there's a low-sun in front, and still know the lanes ahead. But, REM maps are much more than that.
3/n
With REM maps, we adjust driving style to the crowd behavior at each geographical region. This is a key aspect in generalizing our system to so many different places.
4/n
Our driving policy approach is unique. In a nutshell, we specify transparent assumptions on the behavior of other road users, and then calculate analytically the worst-case. That is, we use math formulas instead of simulating many possible futures.
5/n
For details on driving policy see:
6/n
Tesla's perception system is based on one big "hydranet". It is a great solution. But, it is *one* great solution. There are many other great solutions. We believe in redundancy. Every piece of our system is solved by more than one approach.
7/n
We use e2e deep networks as well as decomposable methods, and even good old computer vision. Every single solution will suffer from diminishing returns at some point. Multiple redundant approaches can cover for each others.

[[JM]]

Tänk på att alla bilar inte är skapade exakt lika. Små skillnader i exempelvis hur kamerorna är monterade kan göra skillnad.

Hur menar du?

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?

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.

Men om kamerorna är "kalibrerade". Vad skulle variationera ge för påverkan på spökbromsingar menar du?

Jag kanske missförstått vad din ursprungliga kommentar syftade till.

[Dafro]

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.)

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.

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.

[Curik]

Tänk på att alla bilar inte är skapade exakt lika. Små skillnader i exempelvis hur kamerorna är monterade kan göra skillnad.

Hur menar du?

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?

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.

Men om kamerorna är "kalibrerade". Vad skulle variationera ge för påverkan på spökbromsingar menar du?

Jag kanske missförstått vad din ursprungliga kommentar syftade till.

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.

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.

[spacecoin]

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

[spacecoin]

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

[spacecoin]

[bjelkeman]

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.

[Gustafsson]

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.

[BrooklynS]

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.

[spacecoin]

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.

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.

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.

Det ska bli spännande att se om den nya versionen gör någon praktisk skillnad i reliabilitet och säkerhet.

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.

[Zalman3]

Inte undra på att Teslas försäkring blir en sedelpress.