テスラの最新自動運転FSDベータ版v11.3の改善点を分かりやすく解説

テスラのこれまでのアップデートの中で、自動運転FSDベータ版v11.3（FSD：Full Self-Driving）以上に期待されるものを見つけるのは難しいと考えられます。私たちは2022年9月30日に開催された2回目となる人工知能イベント「テスラAIデー2022」での発表からこのアップデートを待っていたのです。

イーロン・マスク氏も、テスラのユーザーにこのアップデートについて、都度ツイートしつつ素晴らしい仕事をしてきました。このアップデートは現在テスラの従業員によってテストされており、いくつかのリーク情報によってその機能が明らかになってきています。しかし、マスク氏はすでに、より広範なユーザーへの展開は次のマイナーバージョンv11.3.2になると述べており、最初のロールアウト後に微調整がたくさんあるということになります。とはいえ、今回の最新のリリースノートを見ると、突っ込みどころが満載です。

ユーチューバー「知ったかぶり博士」（Dr. Know-it-all）の素晴らしいビデオ（下記）のおかげで、最新のアップデートが米国とカナダのテスラに転送されるときに私たちが見ることができるものが詳細に説明されていますので、今回はそれをご紹介します。

シングルスタックの衝撃

高速道路での FSD ベータ版を有効にしました。これは、高速道路上と一般市街地のビジョンとプランニングのスタックを統一し、4年以上前の昔のハイウェイのスタックを置き換えるものです。

「シングルスタック」とは、コンピュータ・アーキテクチャや技術用語では、あるシステムに使われる技術やシステムのことを指します。この場合、テスラは高速道路上と市街地（高速道路以外）でビジョン（カメラ映像）とプランニング（運転計画）のスタックを組み合わせています。テスラによると、4年前の昔の高速道路スタックは、複数のシングルカメラとシングルフレームのネットワークに依存し、単純な車線別の操縦を処理するために設定されたものだということです。

単純な操縦とは、高速道路での合流・離脱や車線変更などを指しています。しかし、今回のアップデートでFSDはそれ以上のことができるようになりました。テスラは過去4年間でかなりの進歩を遂げたのですが、最新のFSDベータ版では、以下のような説明をしています。

マルチカメラ・ビデオネットワークと次世代プランナーにより、車線に依存しない、より複雑なエージェント・インタラクションを可能にし、より知的な行動を加えるための方法を作り、よりスムーズな制御とより良い意思決定を行います。

つまり、もっとスムーズで不自然さのない自動運転が見られるはずです。例えば、オートパイロットの高速道路の車線変更では、予測的に数秒待ってから移動していましたが、FSDのプログラミングにより、より直感的に行動するようになるでしょう。

高速道路走行を制御するレガシースタックの信頼性が高くなり、新しいものを展開する際のハードルが高くなったのだろうと、「物知り博士」は推測しています。この変更は、高速道路走行時にFSDを多用したり、長い間使っていた人には注意が必要です。アップデート後、高速道路に合流したときのクルマの挙動が少し変わると考えられるからです。

ドライバー音声ノート

ドライバー音声ノートを追加しました。（自動運転の意図的な停止）介入後、（その原因などについて）オートパイロットの改善に役立つ体験談を匿名の音声メッセージとしてテスラに送ることができるようになりました。

ドライバーが自動運転から何らかの理由で離脱する必要がある場合、以下のメッセージが表示されます。

「オートパイロットが解除されました。何が起こったのですか？音声ボタンを押して、あなたの経験を説明する匿名のメッセージをテスラに送信してください。」

以前は、画面上にタップしてフィードバックを提供できるボタンがありました（現在も初期テスターには用意されています）。しかし、できるのはそれをタップしてネガティブな体験を知らせることだけで、何が起こったかを説明する方法はありませんでした。この新機能は、テスラのエンジニアがビデオを見て、ドライバーのフィードバックを聞き、状況をよりよく理解するのに役立つはずです。音声フィードバックは、ドライバーの匿名性を保つためにテキストに変換され、エンジニアがメッセージを検索して読むことができるようになると予想されます。

自動緊急ブレーキ（AEB）を強化

自動緊急ブレーキ（AEB）を強化し、自車の進路を横切る車両にも対応しました。赤信号を無視して自車の前を横切るケースや、自車の進路に横入りして自車を横切るケースも含まれます。過去に発生したこの種の衝突事故をリプレイした結果、49％の事象が新しい動作によって軽減されることがわかりました。この改善は現在、マニュアル運転とオートパイロット操作の両方で有効です。

AEBは2000年代半ばから存在しています。前方の車両が減速している、あるいは急にブレーキを踏んだ可能性があると検知すると、ブレーキをかけるシステムです。テスラの拡張版では、真正面の交通だけでなく、側面（赤信号で走っている車）や「急な車線変更」も監視します。同社は、この新しく強化されたシステムによって、この種の衝突の半分近くが回避されるだろうと述べています。さらに、これは自動運転でも手動運転でも両方で有効であり、まさにテスラの安全性向上のひとつと言えるでしょう。

オートパイロットの反応速度向上

赤信号無視や一時停止標識無視に対するオートパイロットの反応時間を500ミリ秒改善。

テスラはオートパイロットの反応を500ミリ秒、つまり0.5秒向上させました。大したことではなさそうですが、このシステムは主に、一時停止の標識や赤信号を走っているドライバーにどう対応するかを計算しています。

例えば、あなたが時速25マイル（約40km/h）で近所を走っていて、自分が道を譲る交差点に差し掛かったとします。突然、車が現れ、止まっていないことに気づいたときには、すでに衝突が起きています。物体の瞬間的な運動量と軌跡の推定値を計算することで、テスラはちょうど「瞬き」と同じような時間で対応することができるのです。時速25マイルの場合、あなたの車は1秒間に36.6フィート（11メートル）動いています。このとき、17.3フィート（5.5メートル）余分にあればどうなるか、想像してみてください。衝突するか、衝突寸前になるかの分かれ目ということです。

「知ったかぶり博士」によるリリースノートの説明ビデオ

ドライビングの総合的な進化

車線内側へのオフセットにより、高速・高曲率域でのハンドリングを改善。

また、旋回時に車線中央から車線内側にオフセットすることで、車線内側を走行するようにしました。この円弧の内側への偏りは、ドライバーにとってより自然な軌道であり、対向車との接近を回避することができます。

先行車のブレーキランプが将来の速度プロファイルに与える影響の可能性をより適切にモデル化し、先行車追従時の縦方向の制御応答の滑らかさを向上させました。

テスラのAIチームは、先行車のブレーキランプがその将来の速度プロファイルに及ぼす可能性のある影響をより適切にモデル化することに取り組んできました。これまでテスラは、手遅れになるまでブレーキランプを無視し、その結果、前方車両との衝突を避けるために急ブレーキをかけなければならないという不快な状況を引き起こしていました。しかし、テスラの新しいモデリング手法では、先行車の軌跡と速度を予測することで、より早く、よりスムーズにブレーキランプに反応することができるようになります。この改良は、安全上重要なものではありませんが、ユーザーをより快適にし、より良いドライブ体験を提供するものです。

このシナリオの4万件の自動ラベル付けされた映像クリップをデータセットに追加することで、近接カットインの再現性を20%向上させました。また、自車線への割り込みのモデルを改善し、割り込みの横方向と縦方向の制御をよりスムーズにすることで、割り込みの処理を改善しました。

偽陰性（false negatives）とは、誰かが前に割り込んできたときに、減速する代わりにブレーキを踏むなど、車が状況に過剰に反応する可能性があるということです。今回のアップデートでは、「割り込み」に対して20%の改善しました。テスラは、このシナリオの40,000もの映像クリップをデータセットに自動ラベル付けしており、これにより偽陰性を減らすことができるはずです。しかし、車はよりコントロールしやすくなっています。ブレーキを踏む必要がない場合は、テスラが行うのは徐々に減速することだと思われます。

バスの認識が向上

スクールバスの検知率を12％、停車から走行に移行する車両の検知率を15％向上させました。これは、データセットラベルの精度を向上させ、データセットサイズを5%増加させることで達成されました。

意味的検知の向上は、検知された物体を単に大型車両などと認識するのではなく、システムがスクールバスであると理解するようになったことを意味します。スクールバスは他の車両とは異なる運転行動が要求されるため、この改善はドライバーの信頼性を高めるという点で有益なものです。意味的な検出の改善に加えて、より良い認識のためにスクールバスを視覚化することができれば、非常に有益です。最後に、今回のバージョンアップにより、静止状態から走行状態に移行する車両をより正確に検出できるようになり、道路を航行する際の判断がより的確に行えるようになるはずです。

これは主に、より高密度に監修されたオートラベリングデータセットへの移行により、希少物体の検出を18%向上させ、大型トラックに対する奥行き誤差を9%減少させたことによるものです。

物体検出と奥行き知覚の進歩は、より安全なFSD体験に不可欠です。これらの分野における最近の改善には、高密度に監修されたオートラベルデータセットのおかげで、大型トラックに対する深度誤差が9%減少し、希少物体の検出能力が18%向上したことが含まれます。また、マルチカメラ映像の統合が進んだことで、大型トラックの位置や大きさをより正確に認識できるようになり、衝突のリスクを低減し、車線を維持することができるようになりました。これらの機能強化により、道路を走るすべての人の安全が向上し、自律走行技術に対する信頼が高まります。

横断歩道での挙動改善

近似運動学モデルに代わり、ニューラルネットワークベースの自車両軌道推定を活用することで、横断歩道での意思決定が向上。

エンジニアは、テスラが横断歩道を扱う際に、より良い判断を下すための新しい方法を見つけました。これまでFSDは、横断歩道の近くに歩行者を見つけると、できるだけ早く止まろうとしていました。しかし、歩行者がただ立っているだけで、道路を渡るつもりがない場合もあり、これでは問題です。

そこで研究者たちは、クルマがよりよい判断を下すための新しいコンピューターモデルを作りました。このモデルは、「ニューラルネットワークベース自車両軌道推定」と呼ばれています。このモデルを使えば、歩行者が横断歩道にどれだけ近づいているかをもとに、クルマは進み続けるか止まるかを判断することができるのです。そうすれば、車が早く止まりすぎることもなく、他の車に迷惑をかけることもありません。

高速道路上の改善

ブロックレーンや高曲率への早期対応を可能にする、ロングレンジハイウェイレーンネットワークを追加。

テスラの新しい長距離ハイウェイレーンネットワークは、高速道路や高速道路に代表される車線ブロックや急カーブの状況に対して、より早くクルマが対応できるようにします。また、従来は前方約100m、後方約20mという限られた距離しか見ることができなかった「占有ネットワーク」の限界に対応するものです。長距離ハイウェイレーンネットワークでは、さらに前方を見ることができるため、車線やカーブの不通をいち早く察知し、対応する時間をより多く確保することができます。

長距離ハイウェイレーン・ネットワークの最も大きなメリットは、曲率の高い状況（急カーブ）でもスムーズに検知し、対応できることです。現状では、カーブの手前で遅れてブレーキがかかるため、安全な運転には最適とは言えません。しかし、長距離ハイウェイレーンズネットワークでは、クルマが角度を予測することで、加速をスムーズにし、ブレーキを早くかけることができます。その結果、高速道路でより良い挙動を実現します。また、新しい長距離ハイウェイレーンズネットワークは、急ブレーキを減らすことで運転操作性を高め、乗員にとってより快適なドライビングを実現します。

レガシーなマージ領域タスクを非推奨とし、ベクトルレーンに由来するマージのトポロジーを採用することで、マージ制御の信頼性とスムーズさを向上させました。

最近の高速道路合流制御システムの改良は、ベクトルレーンに由来する合流トポロジーを採用しています。ベクトルレーンとは、合流を効率化し、渋滞を緩和するために設計された専用レーンのことです。高速道路のメインレーンの左側に設置され、合流する車両が加速してスムーズにメイントラフィックに合流できるようにスペースを確保しています。ベクトルレーンは従来の合流レーンよりも長いため、ドライバーは合流までの時間をより多く確保することができます。ベクトルレーンを最新の合流トポロジーと組み合わせて使用することで、高速道路システムの性能と安全性を大幅に向上させることができます。

車線変更の改善、同時車線変更の早期検出と処理、締め切り間際のギャップ選択の改善、速度ベースとナビベースの車線変更判断の統合、速度車線変更に関するFSD運転プロファイル間の差別化など。

完全自動運転技術の向上とは、同時変更の早期検出と処理、より良いギャップ選択、速度ベースとナビゲーションベースのデータ統合の強化など、車線変更能力を強化することです。完全自動運転における大きな課題は、ナビゲーションと秒単位のデータの間に10～30秒のギャップがあり、重要な車線変更の判断の余地があることです。改良されたシステムは、ナビゲーションと速度ベースのデータを組み合わせることで、車線変更に最適なタイミングを使い、車の位置決めをより適切に行うことができます。

その他の強化点

候補軌道ニューラルネットワークのゴール姿勢予測誤差を40%削減し、実行時間を3倍に短縮。これは、より重く堅牢なオフライン最適化を用いてデータセットを改良し、この改良されたデータセットのサイズを4倍に拡大し、より優れたアーキテクチャと特徴空間を実装することによって達成されました。

さて、今回のアップデートでは、さらにいくつかの技術的な変更点があります。テスラは、「候補軌道ニューラルネットワークのゴール姿勢予測誤差を40％削減し、実行時間を3倍削減」しました。

まず、一歩踏み込んでみましょう。ゴール姿勢とは、車両が行き着く必要のある位置のことです。候補軌道とは、そこに到達するために車が取りうる経路のことです。「候補軌道ニューラルネットワーク」の「ゴール姿勢予測誤差」は、ニューラルネットワークが予測した車の行き着く場所と、実際に行き着いた場所の差の大きさのことです。

つまり、ニューラルネットワークがどれだけ正確に車両の最終位置を予測しているかを測定するということです。この予測誤差を最小化することで、クルマがゴール姿勢に到達するための最適な経路を正確に判断できるようにすることが目的です。そのため、これらの改善は、より正確な予測に相当し、より良いユーザーエクスペリエンスを提供します。

雨の反射、道路の段差、高い曲率など、18万本もの豊富な映像でオーバーサンプリングすることにより、占有ネットワーク検出を改善しました。

テスラは、雨の反射、道路の段差、高い曲率（急カーブ）に特化して、占有ネットワークの検出を改善しました。占有ネットワークとは、センサーを用いて他の車両や歩行者などの環境中の物体を検出・識別し、それらが道路上の空間を占有しているかどうかを判断するコンピューターシステムです。

「占有ネットワークの検出」とは、車両が走行中にリアルタイムにこれらの物体を検出・識別することを指します。例えば、雨が降った後、近くの看板が道路に映り込んでいるのを拾ってくることもあります。しかし、このような現象は非常に稀なケースです。そこでエンジニアは、18万本の動画をオーバーサンプリングして、プログラムに対応方法を学習させました。

道路端と線路のネットワークに「車線案内モジュール」と知覚損失を追加し、線路の絶対想起率を6％、道路端の絶対想起率を7％向上させました。

「車線誘導」モジュールの表現を交差車線や対向車線の予測に関連する情報で更新することで、車線予測の全体的な幾何学性と安定性を向上させました。

FSD技術には、レーンガイダンスモジュールと、道路端とラインネットワークへの知覚的損失が不可欠な要素となっています。レーンガイダンスモジュールは、道路上のレーンマーキングを識別する役割を担っています。一方、道路のエッジとラインネットワークに対する知覚喪失は、画像を解析して道路のエッジや車の進路上にある障害物を検出します。この2つのコンポーネントを更新することで、ラインの再現性を6％、ロードエッジの識別を7％向上させ、ロードエッジやレーンエッジなど、本来検出されるべきでない部分の誤検出を低減しています。レーン誘導モジュールは、市街地走行や高速道路走行など、すべての走行シーンに適用することができます。モジュールの表現方法を改善することで、特に交差点などの複雑な状況におけるレーン予測の安定性を向上させることができます。

圧縮されたIPCバッファとツインSOC間の最適化された書き込みスケジューリングのバランスをとることで、より長いフリートテレメトリークリップのロックを解除（最大26％）。

テスラは、ツインSOC間のスケジューリングを最適化し、圧縮されたIPCバッファのバランスをとることによって、フリートテレメトリーシステムに素晴らしい進歩をもたらし、分析のために送り返すことができるテレメトリーデータを26%増加させることに成功したのです。

IPCとはプロセス間通信のことで、コンピュータシステム内のプロセス間の通信のことです。SOCとはSystem on a Chipの略で、複数のコンピュータコンポーネントを1つにまとめた集積回路の一種です。簡単に言えば、テスラの改良により、ハードウェア3（HW3）とハードウェア4（HW4）の2つの並列チップ間の通信が向上し、解析のために送り返せるデータ量が増加したということです。

さらに、テレメトリの時間枠が10秒から12.5秒または13秒に延長されたことで、テスラはより多くのコンテキスト情報を収集できるようになり、物体の早期発見や潜在的な道路危険の回避に役立てることができるようになります。

この記事はこの投稿を引用・翻訳・編集して作成しています。

テスラ関連の最新記事を毎日随時アップしていますので、過去のニュースはこちらを参照ください。

 グーグルニュースでフォローする