●發現了一位寶藏研究者，不知道為什么他的鏈接始終貼不上來，他zh ID：eatelephant,想看的更詳細請移步，另外他也開通了知識問答。以下記錄幾個我比較關心的知識點，如果你只想了解概括，看我的也可。

(資料圖)

●Occupancy和CNN最大的不同：不以識別為基礎。CNN需要訓練識別分類，是一個標準的判別模型Discriminator，而Occupancy根據視覺數據構對路況實時建模，通過哪些空間被占用來做路徑規劃。Occupancy并沒有完全替代BEV，是并行兩套算法，當遇到數據集內沒有明確分類的情況，由Occupancy進行判別。

●Diffusion是上個月Elon提到的算法，他認為現在的FSD對測量行人的行為、肢體角度表現不好，主要原因是FSD的世界中一切都是小方塊，測量微小的動作很困難。我在網上看到一個案例，一個騎自行車的人揮手示意車輛等待，被車完全無視了。Diffusion的原理是逆向圖像被噪聲的過程，在AI繪圖上表現出色，已經替代了GAN，但在自動駕駛上怎么用還不清楚，希望今年的ai day有進一步解釋。

●Occupancy上限比Lidar更高。Lidar需要和相機時間同步，外參對齊，延遲更大，這也是Lidar不能很好的解決鬼探頭的直接原因；Occupancy輸出為36HZ，Lidar大多數是10Hz，尤為重要的是，Occupancy生成的模型自帶速度信息，我理解這相當于一個FMCW的Lidar，并且語義信息豐富的多，雷達點云稀疏的問題是一個特性，很難解決。目前的激光雷達都是TOF的，FMCW遠未成熟，基于這個考慮，我已經清倉了Aeva。

●Occupancy是3D感知，車道線也是帶有高差起伏的。通過最近小鵬的案例，HD map路徑規劃非常機械，車完全按照地圖路徑走，真成有軌電車了，但實際上人類并不會這么機械的開車。純視覺轉彎曲線規劃比高精地圖預埋要合理很多，長期的看，確實有SD地圖就夠了。

●一個冷的知識點：特斯拉通過視覺掃描建立了一套眾包地圖，但他沒有實際應用，而是內化到了感知模型中。

●另一個知識點：在使用BEV模型之后，人工標注數量大幅減少，接近自動標注了，這里我就理解了李想總說的“有多少人工就有多少智能”的出發點，還是在于算法的進步。

●車云兩端不是實時通訊，在過去的認知中，車云通訊的機制是Trigger，只有一些特定的的case會被回傳，比如突然急踩剎車，比如自動駕駛突然退出，或者其他異常，這些觸發數據被發送到云端。目前理解又進了一步，云端會訓練云端離線模型和車端在線模型，再通過影子模式部署回車端，完成數據閉環。

●性能=硬件極限算力×軟件效率×神經網絡占用率，任何一個短板都會拉低整體性能；在此為nio感到擔心，算力甚至可以說超極限，但另外兩項嚴重制約了自動駕駛的能力，很有可能直到nt2整代退役4片orin也沒有拉滿。相較nio，特斯拉是走鋼絲的典型流派，善于榨干最后一點算力，絕對均衡，夠用就好，不會浪費每一個美元。

●Photon Count，原始光子計數，不經ISP處理，他的含義是使攝像頭超越人眼，在強光和極暗光線情況下獲得信息。

●特斯拉從RNN、CNN、Transformer+BEV，再到occupancy這樣一路走來，戰略極其堅定，進步也極快，引領了整個行業的前進方向。一葉知秋，技術革新帶來機會，也帶來風險，作為投資者研究的意義，并不是成為專家，而是避免點錯科技樹遭遇價值毀滅。

$特斯拉(TSLA)$$小鵬汽車(XPEV)$$蔚來(NIO)$

關鍵詞：