深度分析｜特斯拉新版FSD与车路云一体化系统特征分析

摘要

本文介绍了特斯拉FSD系统的技术特点，分析了新版FSD与车路云一体化系统的相互关系，阐述了车路云一体化系统的优势，回答了行业对于车路云一体化系统的常见疑问，并提出了下一个阶段的推进工作建议。

1 、特斯拉新版FSD的技术特点与业界观点

1.1 特斯拉FSD V12的技术特点

2023年8月，特斯拉的CEO马斯克直播展示了即将推出的 FSD（Full Self-Driving） V12版本，该软件采用全神经网络（端到端）的设计方案，大幅削减了人工设计并简化了代码。2024年3月，FSD 12.3 版开始向首批美国客户推出，并获得了积极的反馈。到4月份，Tesla宣布 FSD Beta已行驶了超过10亿英里。该系统在行业与社会中引发了广泛的关注和讨论。

特斯拉官网显示，FSD系统是基于Autopilot开发的高级自动驾驶辅助功能包，是在驾驶人监管下，协助完成加速、制动和转向等功能的先进驾驶辅助系统（ADAS，Advanced Driver Assistance System）[1]。该系统依靠车载摄像头对环境进行实时感知，可以协助驾驶人实现车道保持，以及交叉路口处的自动启停、左转或右转、自主进出环岛和高速公路匝道、自动泊车等功能。根据官方资料[2]和用户反馈，新版FSD V12的主要特点包括：

1、与其他L2级辅助驾驶系统相比，具备更广的运行设计域（ODD，Operational Designed Domain）：搭载FSD的特斯拉车辆可以在多种交通场景下进入高级自动驾驶辅助模式，与传统的巡航控制、NOA（Navigate on Autopilot）等系统相比，其ODD更广，适用场景更多；

2、具备较高的行为拟人度，接管里程较长：根据Tesla FSD Tracker统计，FSD V12.3在城市工况下平均接管里程为20英里，平均安全接管里程为372英里[3]（在较之中国交通环境更简单的美国交通环境下的统计结果）；

3、采用全神经网络架构，大幅降低代码复杂度，对硬件向下兼容性好：FSD V12版本相比于V11版本，将大量基于规则的代码替换为神经网络与数据驱动模型，采用全神经网络化方式，形成数据驱动的自动驾驶系统，代码量由数十万行简化到数千行[4]，在同样硬件条件下的性能提升显著；

4、设计了基于人类驾驶数据的车云闭环迭代优化机制：特斯拉通过保持少量标准化的车型并搭载“影子模式”，采集格式统一的道路交通和驾驶行为数据，用以FSD系统训练，并采用OTA（Over-the-air）方式下发车端部署；

5、V12版本仍未达到L3级自动驾驶水平：FSD功能开启时，要求驾驶人必须将手扶在方向盘上，且系统实时检测驾驶人的注意力集中程度，在狭窄道路的会车、部分道路维修、复杂交叉路口等场景下，FSD需要驾驶人随时接管车辆。

1.2 国内业界对FSD V12的片面观点

针对FSD V12版本，目前国内业界有两种观点：一是认为FSD V12已经达到高等级自动驾驶乃至完全无人驾驶的水平；二是认为高等级自动驾驶仅依赖单车智能而不需要车路云一体化方案也可以实现。其实这两种观点都是片面而不准确的。

针对观点一：首先，根据图1特斯拉的官方定义，按照企业自身对其产品功能的定义，特斯拉的FSD V12系统并不是真正意义上的高级别自动驾驶。该系统虽然具有汽车智能化技术等级L3的部分功能，但接管里程较短，达不到L3级需要企业承担行驶安全责任的要求。FSD系统目前实际上属于L2至L3级之间，而非其字面意义的完全自动驾驶（即Full Self-Driving）。驾驶人需要在FSD系统驾驶过程中全程集中精力，对自车状态、周边环境有高度警觉，并在任何时候都具备紧急接管车辆控制权的能力。此外，由于FSD系统主要依赖图像视觉信息，诸如道路材质松软、凝冰、侧风等无视觉的环境信息和道路团雾、扬尘等遮蔽视觉的环境信息将对FSD系统带来巨大挑战。过度信任FSD系统，可能会导致驾驶人在一些危险场景下缺乏足够的注意力，容易造成交通事故。

图1. 特斯拉官网对FSD的说明

针对观点二：新版FSD的特征是“影子模式”+“基于大模型的端到端”系统，其算法迭代已由“工程师的离线更新”进入“车云协同的自动迭代”模式，这相当于已将FSD的设计理念推进至车云协同的阶段。具体而言，FSD利用影子模式在车端发现长尾场景并回传到云端进行数据聚合、真值标注、模型训练，最后通过OTA下发来持续优化自动驾驶功能。因此，可以说特斯拉的新版FSD是车路云一体化系统的初级应用形态。正如担任国际路联（IRF）智能网联自动驾驶委员会主席的美国威斯康星大学冉斌教授的观点：纯粹“单车智能”已经不存在，“单车智能”已经演化成“单个车企智能”，主要自动驾驶系统和服务提供商都开始采用“车云”或者“车路云”架构，这是世界范围内对自动驾驶系统设计的新共识[5]，中国率先提出并推进车路云一体化智能网联汽车的方案，在该领域走在了国际前列。

2 车路云一体化系统

2.1 车路云一体化系统的定义

除去在特斯拉“影子模式”的车-云离线数据闭环中发挥的作用外，车路云一体化系统还有更丰富的内涵和能力。车路云一体化系统（Vehicle-Road-Cloud Integrated System，VRCIS），是通过新一代信息与通信技术将人、车、路、云的物理空间、信息空间融合为一体，基于系统协同感知、决策与控制，实现智能网联汽车交通系统安全、节能、舒适及高效运行的信息物理系统[6]，如图2。业内对“车路云一体化系统就是云端远程控制”、“车路云一体化系统只有实时处理能力”、“车路云一体化系统只有离线大数据分析能力”等理解都是片面的。车路云一体化系统基于道路基础设施及交通动态数据的共享服务，为车辆出行安全、能效与舒适的提升提供强大助力，也为城市交通智慧化水平的大幅提升提供支撑，还可基于具备海量性、完备性与可靠性特征的交通数据的跨域共用，为产业数字化转型发展需求提供数据基础。

图2. 车路云一体化系统架构

云控基础平台是车路云一体化系统各组成之间的枢纽与桥梁，具备对道路基础设施及其感知结果数据、联网车辆的运行动态数据以及其它支撑平台交通相关数据的采集与标准化转换、汇聚、存储、处理与对外提供服务的能力。通过边缘云的融合感知、协同决策、协同控制服务能力为车辆出行安全与效率提升、节能环保与舒适提供支撑；通过区域云的交通态势感知、协同决策与控制和交通管控能力，助力区域交通管控更加智能化，减少交通事故，缓解交通拥堵，提升市民出行体验与幸福感；通过中心云基于海量、完备、高质交通数据的领域大数据赋能能力，通过全局、多维度的数据挖掘与分析，为产业所有企事业单位数字化转型创新应用需求提供数据与计算保障。

2.2 车路云一体化系统的作用

特斯拉从单车智能发展到单一车企的车云协同智能，与车路云一体化的路线呈现逐渐融合的趋势。针对传统的单车智能存在的一系列问题，车路云一体化系统能从以下四个方面解决和优化：

（一）训练网络所需的数据海量性和完备性方面

传统单车智能方案以及车路云一体化方案皆可使用神经网络训练优化自动驾驶算法，而获得有效算法的前提是训练数据的海量性和完备性。相较而言，单一车企的车云协同方案目前采集的是单一厂家的数据资源，其完备性不足。相对而言，车路云一体化路线通过统一的数据协议和标准，实现车端、路端以及其他各端数据的高效共享和高质量交互，提升模型迭代速度，打破企业间烟囱型数据孤岛的困境，能更好的保障训练数据的海量性与完备性。

（二）交通环境事件感知能力方面

感知类型和范围不同：传统单车智能方案依赖于车端传感器感知，并输出结果，底层逻辑为通过驾驶行为数据的采集优化其算法，其终极形态为达到熟练驾驶员在理性状态下的驾驶操作，难以避免感知角度不佳、感知盲区、无法超视距感知等问题。车路云一体化方案的感知数据种类更加丰富与多维，感知范围更大，为决策行为提供了上帝视角，可有效避免传统单车智能方案所面临的感知问题，突破人驾局限。

极端条件下技术实现难度不同：传统单车智能方案存在恶劣环境影响下感知能力下降甚至失效等问题。不久前，特斯拉在北美出了一起事故：浓雾天气下，车辆没有识别到横向行驶的火车，司机在最后一刻接管才避免悲剧发生。该问题本质上属于长尾问题。相比之下，中国的道路交通环境比美国更加复杂，低频高伤害事件时有发生，而车路云一体化方案通过多维度、多种类的数据资源，更容易解决该类感知问题，因此也更加适合于我国现状。

（三）宏观交通全局优化方面

传统单车智能方案主要追求单车个体利益最大化，无法解决多车博弈造成资源浪费问题。车路云一体化系统基于网联实时数据和历史大数据信息，能够以多车群体或综合交通性能为目标，实现全局性能优化，交通系统中车辆个体也会因全局性能的大幅提升而获益。

（四）算力部署形式方面

单车智能算法通过端到端设计，极大的减少了自动驾驶系统的代码量，本质上也是利用了云平台能力使算力成本降低，但仍无法完全回避单车部署的算力冗余，以及单车运算的高成本问题。车路云一体化系统充分利用边缘云、区域云的算力，实现车载计算任务动态卸载与任务调度，支持性能更高的实时算法；系统基于中心云的数据资源，实现自动驾驶感知、决策算法在线训练等数据闭环；与车载算力相比，云端算力部署在机房，便于日常维护与硬件升级。

2.3 针对车路云一体化系统的释疑

疑问1：

采用车路云一体化技术路线，当信息基础设施缺失或支持不足时，网联驾驶不能实现，汽车行驶也不安全。

回答1：车路云一体化系统，兼容单车智能，且具备仲裁能力，有效保障行车安全。

一方面，车路云一体化系统兼容单车智能，当信息基础设施缺失或支持不足时，自动降维成单车智能，同时还包括车端反应式/慎思式，以及网联单车优化/多车协同多层控制器，具备ODD辨识能力，动态调节非理想信息支持下的系统功能主体，保障功能安全；

另一方面，单车/网联/驾驶人驾驶3类决策控制位于沙箱中，由安全监视器管理，支持失效/幻觉/攻击下的安全仲裁与超越控制，保障行车安全。

疑问2：

系统设备和部署等信息基础设施建设成本高，车路云一体化系统难以大范围部署推广。

回答2：车路云一体化系统能解决复杂场景关键问题，系统总体成本可控甚至更低。

一方面，用于支撑智能网联汽车行驶的信息化设施成本，远未有想象的那么高，若在高速公路上布局，仅为道路交通基建造价的1%左右；

另一方面，传统单车智能需要大量的冗余成本，以应对长尾场景（Corner Case）挑战。通过车路云一体化，将部分感知、算力移至路侧和云端，可有效控制车端配置堆积，车路大系统成本总体最优。

疑问3：

实施车路云一体化方案，引入网联后系统的性能提升不突出。

回答3：车路云一体化可解决单车智能局限和烟囱型架构难题，跨域数据打通，克服车端数据和算力不足的局限，并形成智能数据底座，实现综合性能提升。

首先，车路云一体化能够收集车端和路侧传感器探测范围内所有车辆的数据，涵盖不同主机厂商的不同车型，满足数据驱动下模型训练对数据完备性、海量性要求；

其次，基于超视距协同感知形成面向交通系统的全局数字映射，感知更全面，克服感知盲区等瓶颈问题；

再次，协同决策与协同控制，可显著提升复杂工况下的智能驾驶合理性，跳出自身收益优化局限，实现交通性能综合优化；

最后，三级云架构广域分布，支持跨域数据和算力打通，能克服车端数据和算力不足的局限，并形成智能数据底座，为自动驾驶性能的持续提升奠定基础。

疑问4：

车路云一体化仅适用于高级别自动驾驶，短期无法看到收益，没有盈利的商业模式。

回答4：车路云一体化涵盖多个应用层级，针对不同自动驾驶等级与车路云一体化系统服务内容，可举例提出具有商业闭环的赋能场景：

面向L0自动驾驶等级：为驾驶人提供预警及操控建议服务，例如利用车机或HUD显示，提供驾驶车速建议、事故预警信息等；

面向L1-L2自动驾驶等级：通过网联赋能增强车辆辅助驾驶能力，例如在关键路口提供盲区感知信息、实现网联协同紧急避撞等；

面向L3及以上自动驾驶等级：通过网联赋能增强车辆协同自动驾驶能力，例如下达全局优化的轨迹规划与控制指令到车端等。

此外，面向神经网络对数据的需求，车路云一体化可以融合车载感知与路侧数据，采用多视角融合准确重建数据真值，解决行业数据难以获取、真值难以构建的痛点问题。

3 车路云一体化系统应用推进工作建议

3.1 强调商业闭环，聚焦痛点场景

聚焦车路云一体化痛点场景，详细分析相关方的述求与关注点，强调投入回报和商业闭环。结合各示范城市特点及相关方关注点，以价值和获得感为主要目标，在各地分别构建具有明显应用价值的针对性应用试点项目，分步定义阶段性商业模式，形成商业闭环。

3.2 强调统一架构，建立接口标准

构建城市级具备分层解耦、跨域共用特征的车路云一体化系统架构，打通信息孤岛，攻克系统建设与运行面临的开放性、异构性和时空尺度不一致等难题，建立车路云一体化系统技术体系和可灵活适配的统一接口标准，避免重复建设投入。

3.3 强调全链条应用，提升公众出行体验

通过车路云一体化技术，切实提升公众出行安全与效率，减少交通事故和拥堵现象，提升民众出行体验。搭建覆盖民众出行全链条的车路云一体化应用，以跨场景自动驾驶应用为导向，形成大规模车路云一体化应用示范，避免车路云一体化应用碎片化、单一化，解决民众对其感知不强，难以走向大规模应用的问题。基于交通场景、应用诉求、地方特点需求及约束，设计形成符合城市发展目标，可分步落地的应用场景详细设计并快速实施，展现车路云一体化的社会价值与效果。

参考文献

[1] 特斯拉. [EB/OL]. https://www.tesla.com/support/full-self-driving- subscriptions

[2] 特斯拉. [EB/OL]. https://www.tesla.com/ownersmanual/modely/en_us/ GUID-2CB60804-9CEA-4F4B-8B04-09B991368DC5.html

[3] Teslafsdtracker. [EB/OL].https://www.teslafsdtracker.com/Main

[4] Julia. Tesla Unveils FSD V12: The World’s First Full AI End-to-End Autonomous Driving System [EB/OL].  https://unhss.com/tesla-unveils-fsd-v12-the-worlds-first-full-ai-end-to-end-autonomous-driving-system/.

[5] 冉斌. 车路云协同和一体化在欧美的发展[Z].第十一届国际智能网联汽车技术年会. 北京, 2024-06-18.

[6] 国家智能网联汽车创新中心等.《车路云一体化系统白皮书》. [R]. 2023/01.