테슬라 오토파일럿

{{{#!wiki style="margin: 0 -10px -5px;" {{{#!folding [ 펼치기 · 접기 ] {{{#!wiki style="margin: -6px -1px -11px"	<colbgcolor=#db1f2a><colcolor=#fff> 차량 목록	생산 차량	<colbgcolor=#ffffff,#1c1d1f> 모델 S · 모델 3 · 모델 X · 모델 Y
로드스터 · 사이버트럭 · 세미 · 사이버쿼드
개발 협력 차량		토요타 라브4 EV · 메르세데스-벤츠 A클래스 E-셀 · 메르세데스-벤츠 B클래스 일렉트릭 드라이브 · 스마트 포투 일렉트릭 드라이브
기술		소프트웨어 · 오토파일럿 · 수퍼차저 · 옵티머스 · 배터리 · 기가 프레스
관련 문서		비판과 반론 · 모델 3 쇼크 · 테슬람 · 에너지 · 오토메이션 · 일론 머스크	}}}}}}}}}

1. 개요

1.1. 역사

• 2020년 2월까지 테슬라 오토파일럿의 운행거리 및 데이터의 축적량은 다음과 같다.
• 오토파일럿 총 도로운행 거리: 30억 마일(48억km)
• 오토파일럿 내비게이션: 10억 마일(16억km)
• 자율 차로 변경: 20만회
• 운행 국가: 50개국이상
• 스마트 서몬 (스마트 차량 호출): 120만회
• 자율 비상 브레이크: 전 테슬라 차량중 하루 수십-수백회 가량

2. 주행 단계

2.1. 오토파일럿(Autopilot)

• 교통 인식 크루즈 컨트롤(Traffic Aware Cruise Control)
• 지정된 최고 속도로 운행하며 앞차와 간격이 가까워지면 속도를 줄이거나 정차. 앞차와 간격이 늘어나면 다시 최고 속도까지 가속
• 오토스티어(Autosteer)
• 현재의 차로를 계속 유지하면서 운행
• 인접 차로 자동차 관찰 기능 출시(2019.40.2)
  

2.2. 향상된 오토파일럿(Enhanced Autopilot)

• 자동 차로 변경(Auto Lane Change)[10]
• 센서 혹은 측면 카메라로 옆 차로의 공간을 확인하여 차로 변경
• 오토파일럿 내비게이션 고속도로(Navigation on Autopilot on the highway)[11]
• 고속도로 진입로에서 나들목, 진출로까지 자율주행
• 2019.8.x 부터 운전자 명시적 재가 없이 차로 변경 기능 추가[12]
• 오토파크(Autopark)
• 평행주차, 직렬주차
• 차량 호출(Summon; 서몬)
• 주자창에서 무인 단거리 직진 전진, 후진
• 스마트 호출(Smart Summon; 스마트 서몬, 스마트 차량 호출)
• 옥외 주차장에서 차주의 스마트폰 위치까지 무인 자율 저속 이동[13]
• 스마트 호출은 옥외 주차장의 주행선 정보를 오픈스트리트맵에서 사용하는 것으로 알려져 있다.

2.3. 풀 셀프-드라이빙 구현 기능(Full Self Driving Capability)

• 신호등 및 정지 표지판 인식(Traffic Light and Stop Sign Recognition)
• 2019년 말 HW3 자동차에서 출시 (한국미출시)
• 2020년 4월 HW2/HW2.5 + MCU2 자동차에서 출시
• 신호등, 정지선, 일단 멈춤 표지판, 좌회전/우회전/철도건널목/마름모/자전거 전용 도로 표면 표지 인식/시각화
• 교통 장애물(대형 쓰레기통, 공사콘, 공사드럼통) 인식/시각화
• 장애인 주차 표식 인식/시각화
• 신호등 및 정지 표지판 제어(Traffic Light and Stop Sign Control)
• 1단계: 2020년 4월 출시(미국) - 모든 교차로, 일시정지 표지판, 횡단보도에서 정차를 시도하고 운전자가 가속을 하면 진행
• 2단계: 2020년 6월 출시(미국) - 선행 차량이 있는 녹색 신호에서 운전자의 입력 없이 자동으로 교차로 통과
• 3단계: 2020년 10월 출시(미국) - 선행 차량 없이 녹색 신호에서 자동으로 교차로 통과
• 오토파일럿 내비게이션 시내 주행(Navigation on Autopilot in city streets)
• 자동 차로 변경 - 2020년 하반기 출시[17]
• 교차로 신호 우회전, 신호 좌회전, 적신호시 우회전, 비보호 좌회전, 회전교차로, 자율 차로 변경 등[18]
• (미출시) 스마트 오토파크(Smart Autopark)
• 공식 홈페이지에서 언급은 없으나 트위터에서 일론 머스크가 주차장의 시간이나 사용 규칙등을 확인하여 빈공간을 무인으로 스스로 찾아서 주차하는 기능으로 설명하고 있다.

3. 개발 원리

3.1. 추론 플랫폼

차량 탑재 센서 범위

3.1.1. 네트워크

점유 네트워크

차선 네트워크

객체 네트워크

3.1.2. 경로 계획

경로 계획

3.1.3. 하드웨어

3.1.3.1. HW2.5

3.1.3.2. HW3.0

FSD컴퓨터 구조

3.1.3.3. HW4.0

3.2. 학습 플랫폼

3.2.1. 데이터센터

3.2.2. 슈퍼컴퓨터

3.2.2.1. Dojo

테슬라 컴퓨팅자원 마스터플랜

D1칩과 Dojo v1의 구조

4. 관련 인물

• 스털링 앤더슨 (오토파일럿 디렉터 / 2015~2016년) : 퇴사 후 오로라를 창업한다. 오로라의 자율주행 자동차 개발 방식이 테슬라와 큰 차이가 있는 것으로 보아, 개발 방식 충돌로 인한 퇴사로 추정된다. 그가 재임하는동안 조지 호츠의 comma.ai를 1,200만 달러에 인수하며 모빌아이 플랫폼에서 벗어나려고 시도한 적이 있다고 한다.
• 짐 켈러 (오토파일럿HW VP / 2016~2018년) : 반도체 업계의 살아있는 전설답게 엔비디아 칩으로부터 자립하고 FSD칩을 개발하는 과정을 진두지휘했다. 다만 FSD칩 양산 전에 퇴사했다.
• 크리스 레트너 (오토파일럿SW VP / 2017년) : 입사 전 구글에서 텐서플로우 개발에 참여했다. 테슬라에서는 딱히 알려진 정보가 없는 편.
• 안드레 카파시 (인공지능 디렉터 / 2017~2022년) : 레이더, 초음파센서 등 불필요하다고 생각되는 센서들을 줄여 나가면서 데이터 전처리 과정을 용이하게 만들고 초기 인공 신경망 네트워크를 구상했다. 테슬라가 크루즈, 웨이모 등 고정밀 지도 방식을 택하는 타사와 다른 노선을 취하고 독자적인 개발 방식을 택하는 과정에서 크게 기여했다.
• 피트 배넌 (오토파일럿HW VP / 2018년~ ) : 2016년 2월 입사. Apple Silicon에서 ARM 아키텍처를 기반으로 괄목할만한 전성비와 성능을 선보였던 엔지니어이다. 짐 켈러와 함께 FSD칩 자체 개발 과정을 총괄했다.
• 밀란 코박 (오토파일럿SWE 디렉터) : Dojo 프로젝트를 이끌고 있다.
• 아쇼크 엘루스와미 (오토파일럿SW 디렉터 / 2019년~ ) : 2014년 1월 입사. 딥러닝 모델을 통한 네트워크 구축 업무를 수행한다.

5. 기능 개선 및 개발

5.1. 기능 개선

5.2. 완전자율주행 베타 프로그램

5.3. FSD 레벨 3/4/5 도달

5.4. 개발 특징

• 라이다 미사용 - 라이다 장치 등에 의존하지 않아 다른 자율주행차에 의한 간섭이나 악천후에 의한 영향이 줄어 들고 더 저렴한 가격으로 더 많은 자동차에 시스템이 쉽게 적용될 수 있다. 주변 환경을 3차원으로 알아 내는 기술로서, 라이다가 아무리 대량생산으로 가격이 낮추어져도 다중 카메라를 사용하는 것이 비용면에서 훨씬 저렴할 수밖에 없다. 초당 10회이상의 회전을 해야 하는 구조로서 물리적인 고장 가능성이 카메라에 비해서 높은 것도 내구성 있는 시스템을 구축하는데 장애가 될 수 있는 요소이기도 하다. 다중 카메라를 사용하는 방법과 라이다를 사용하는 방법 간에 큰 차이가 나지 않는다는 연구 결과도 있다.[70] 라이다에 대해서 일론 머스크는 이미 2009년에 나사의 우주왕복선에 드래곤아이(DragonEye)라는 이름의 라이다 제품을 납품하여 10년 이상의 경험을 갖고 있으며 여전히 스페이스X의 우주선에서 사용되고 있다. 이런 경험을 바탕으로 라이다를 기반으로 자율주행 개발을 추구하는 회사는 실패할 수밖에 없다고 공언하고 있다.
• 레이더 제거 : 테슬라는 2021년 중반부터 레이더를 장착하지 않은 모델3, 모델Y를 생산하기 시작했고, 이후 테슬라 소프트웨어 업데이트를 통해 기존 차량의 레이더도 사용하지 않고 오직 카메라만을 사용해 오토파일럿과 FSD베타 기능을 제공하고 있다.[71] 많은 우려가 있었으나 2022년 5월에 최고속력을 85 mph(137 kph)로 상향하는 등, 레이더 없는 개발을 성공적으로 진행하고 있다.
• 데이터의 질과 양 - 안드레 카파시의 주도하에 특정 상황 라벨링, 데이터 압축, 카메라만으로 축적한 데이터 등을 통해 데이터의 집적도와 효율성, 정확성을 높인다. 통상적으로 딥러닝을 이용할 경우, 데이터의 양이 얼마나 많은지가 매우 중요한 역할을 한다고 알려져 있는데, 이미 판매된 자사 차량 운전자들로부터 크라우드소싱으로 데이터를 수집할 수 있는 시스템을 구축했기 때문에 양은 확보가 되어 있다.[72] 따라서 질 높은 데이터 수집에 집중하고 있다.
• 실도로에서 데이터 수집 - 우버나 웨이모 등 타 자율주행 회사의 개발 방법을 보면, 내부적으로 어느 정도 완성된 기능을 제한된 지역에 소수의 자동차에 적용해 공개된 장소에서 테스트를 진행하고 있다. 가령 우버의 경우, 아직 완성되지 않은 자율주행 기능을 가지고 애리조나에서 테스트를 진행했는데, 운전자는 완전히 자율주행 기능을 믿도록 지시 받고 수동으로 전환하는 절차를 가지지 않고 있었다. 자율주행 자동차는 무단 횡단중인 사람을 발견하지 못해 사망하게 하는 사건이 발생했다. 수많은 사용자의 데이터를 수집하지 않고 내부 테스트만 진행한 채로 개발을 진행해 "자전거를 옆에서 잡고 걸어서 야간 무단횡단"과 같은 매우 예외적인 상황(edge case)들이 여러 개가 동시에 겹치는 상황(corner case)에 대한 경험과 데이터를 가지고 있지 않았고, 사람이 수동으로 전환하는 절차를 가지지 않고 있어서 생긴 문제로 볼 수 있다. 이에 반해서 테슬라는 사용자들에게 직접 자율주행 기능을 활용하고 대신 이를 감독하여 오류가 발생하면 기능을 중단시키도록 하는 방식을 사용하고 있다. 이런 방법은 더 많은 사용자들을 대상으로 데이터를 수집할 수 있어 미리 상상하기 힘든 실제의 예외 상황들에 대한 자료 수집이 가능할 수도 있는 방식이며, 사용자가 개입한 예외 상황을 다시 뉴럴넷의 학습 데이터로 이용하여 자율주행을 개선하는데 활용된다. 2020년 8월에 출시된 기능은 테슬라 자동차가 녹색 신호를 인식하여 알림 소리를 내면 운전자가 가속 페달을 밟는지 안 밟는지를 측정하여 녹색 신호 인식 알고리즘에 대한 딥러링 레이블링 데이터를 수집함으로써 정확도를 올리는 방식을 사용하여 10월에 운전자의 입력없이 출발하는 기능을 출시했다.
• 이에 대해서 테슬라가 사용자를 대상으로 베타 테스트를 진행한다는 비난을 하는 의견들도 있다. 그런 이유로 테슬라 자동차의 오토파일럿 옵션, 완전자율주행 옵션의 사용을 꺼리는 사람들도 존재한다. 그러나 일론 머스크는 스페이스X, 보링 컴퍼니, 하이퍼루프등의 미래 기술등에 대한 소개를 통한 트위터의 활동을 통해 열광적인 팬덤을 형성하여 자발적으로 테스트에 참여하겠다고 나서는 사람들이 매우 많다. 예를 들어서 뉘르부르크링에서의 차기 테슬라 모델 S 프로토타입(플레이드 드라이브체인)을 테스트하겠다고 하자 F1 챔피언인 니코 로즈버그는 스스로 테스트 드라이버를 자청하기도 했다. 이런 수많은 테슬라 팬덤의 지원과 자발적인 참여로 인해서 광대한 데이터 수집이 머신러닝을 통한 자율주행 기술의 개발에 큰 도움을 받고 있으며 이런 부분을 비판적인 측면보다는 긍정적인 측면으로 볼 수도 있다. 결국 자율주행 기능의 개발은 전세계적으로 1년에 백만명이상의 교통사고 사망자의 목숨을 구하고 그로 인한 재산 피해를 줄일 수 있는 결과로 연결되기 때문이다.
• 이런 배경으로 누적 판매량 약 120만대(2020년 3분기)의 테슬라 자동차 중 적지 않은 비율의 자동차에서 데이터를 수집할 수 있게 되어, 예외상황(edge case)이 여러 개 겹치는 극단적인 상황(corner case)에 대한 데이터를 수집할 수 있게 된다. 가령 자동차와 자전거는 인식하더라도 자전거를 뒤에 달고 가는 자동차, 대형트럭은 인식하더라도 대형트럭이 다른 대형트럭 5대를 업고 가는 형태, 우체통과 소화전은 인식하나 우체통 할로윈 옷을 입고 도로에 누워 있는 키가 작은 어린이와 같이 예외상황이 여러 개 겹치는 상황에 대한 데이터를 수집하는 것이 연구실에서 보다 훨씬 수월하게 되는 것이다. 테슬라의 설정에는 이런 데이터를 수집하는데 동의할지를 선택할 수 있는 옵션이 있고, 테슬라 측에서 특정 조건을 수집하라는 명령을 설정하면 각 차주의 테슬라 자동차가 해당 조건에 만족하는 상황을 찾아서 데이터를 테슬라에 전송하고 있다고 한다. 또한 오래 전부터 테슬라 자동차를 운전해 온 차주들 중 완전자율주행 옵션을 먼저 구매한 사람들에게 "조기 체험 프로그램"[EAP]에 신청할 수 있게 하여, 정보의 외부 유출 금지 서약을 받고 개발중인 기능을 먼저 체험해 보고 평가하고 피드백을 제출할 수 있도록 하고 있다.

6. 평가 및 안전도

6.1. 기능 비교 리뷰

6.2. 전문가들의 의견

6.3. 자율주행 관련 기능 현황

• 속력유지(Cruise Control)
• 1900년대 영국 자동차 회사인 윌슨필처(Wilson-Pilcher)가 처음으로 사용한 이래 대부분의 자동차의 기본 기능으로 자리 잡았다.

• 적응 속력 유지(Adaptive Cruise Control)
• 레벨 1 자율주행에 속하는 기능으로서 앞선 자동차의 속력등에 따라서 설정된 속력 이하로 감속하는 기능. 이 기능자체도 여러가지 종류가 있으며 1992년 미츠비시가 처음 개발한 이후에 토요타, 메르세데스, 재규어, 닛산 등이 이 기능을 개발해 2010년대 초에는 많은 고급차들의 추가 옵션으로, 2015년 중반 이후에는 볼보, 토요타 등은 모든 차량에 기본 옵션으로 제공하고 있다. 테슬라는 "트래픽 어웨어 크루즈 컨트롤"(Traffic Aware Cruise Control)란 이름으로 기본 기능으로서 제공된다.

• 차로 유지(Lane Departure)
• 2000년 메르세데스 트럭과 닛산에서 개발된 이래로 많은 자동차에서 이 기능이 제공되고 있다. 1단계로 차로이탈시 경고만 주는 시스템(차로 유지 경고), 2단계로 차로 이탈시 운전자의 반응이 없으면 조향을 간섭하는 시스템(차로 유지 보조), 3단계로 차로 가운대로 조향을 유지하는 시스템(차로 중앙 보조)등으로 나뉘고 있다.
  2020년 기준으로 출시되는 자율주행 지향 시스템들중에서는 테슬라의 오토파일럿이 가장 부드러운 "차로 중앙 보조" 기능을 보여주는 가운데 다른 회사들의 기능은 차로 사이를 탁구공처럼 왔다 갔다 하거나, 급격한 커브를 감당하지 못 하거나, 커브시 계단식으로 부드럽지 못한 조향을 보이고 있다.

• 차로 변경(Lane Change)
• 차로 유지 기능을 넘어서 옆차로으로 자동으로 조향하여 차로를 변경하는 기능이다. 옆차로에 다른 자동차가 있는지만 경고만해 주는 기능, 다른 자동차의 유무를 확인하여 차로를 변경 조향하는 기능은 2017년 테슬라가 처음으로 출시하여 고속도로와 시내 도로에서 차로를 변경할 수 있다. 2020년 캐딜락 슈퍼크루즈에는 정해진 미국내의 일부 고속도로에서만 차로 변경이 가능한 기능을 출시했다. 그리고 차로 변경 판단까지 스스로 하는 그 다음단계의 기능은 테슬라 오토파일럿에서 "오토파일럿 내비게이션"이란 기능으로 2018년 유일하게 출시되어 운전자들의 운전 데이터를 수집하여 딥러닝을 활용하여 학습시키며 지속적으로 정확도를 개선해 가고 있다. 시내 주행 자동 차로 변경은 2020년 말 출시 예정되어 있다.

• 자동주차
• 직렬 평행 주차등 자동 주차 기능은 많은 자동차회사에서 제공되고 있다. 많은 경우 평행주차가 제공되며 테슬라처럼 직렬 주차까지 제공되는 경우는 흔하지 않다.

• 무인 이동
• 주차상태에서 무인으로 앞, 뒤로 전진하는 기능은 테슬라와 현대에서 제공하고 있고, 주차장에서 차주에게 무인으로 운전하여 기능은 오직 테슬라에서만 제공되고 있다.

• 그 이상
• 2020년 시점에서 "차로 변경 판단"까지 하는 기능보다 어려운 기능들은 오직 테슬라 오토파일럿에서만 경험해 볼 수 있다. 고속도로 진입로에서 기존 차로으로 합류, 진출로로 빠져나오는 기능, 나들목에서 자동으로 차로를 선택하여 다른 고속도로로 연결하는 기능등 "오토파일럿 내비게이션"의 기능은 오직 테슬라에서만 체험할 수 있다.더불어 타워 주차장에서 자율주행을 통해 빠져나가는 것도 가능하다.


• 교차로 통과
• 녹색신호가 계속 유지되는 상태에서는 일반 교차로를 직선으로 통과할 수 있고, 회전 교차로 주행 기능또한 업데이트가 되어 가능하다. 23년 기준 신호 확인 후 교차로에서 비보호 좌회전까지 할 수 있다.

• 신호등 및 정지 표지판 제어
• 2020년 4월 출시된 "신호등 및 정지 표지판 제어"는 모든 교차로, 횡단보도와 정지표지판에서 정차를 시도하고 운전자가 가속을 하면 통과하는 베타 기능으로 출시됐다. 기능을 활성화하면 시내 주행 최고 속력이 기존 5마일 이상 유지가 가능하던 것에서 정확하게 제한 속력으로만 운행된다. 교차로를 통과할 때마다 멈추려고 하면서 운전자의 입력을 받는다. 이로써 자율주행의 판단에 대한 인간의 평가를 입력하여 머신러닝 레이블링 데이터를 수집하며, 2020년 6월에는 녹색 신호를 인식하여 운전자의 입력 없이 교차로를 직진 통과하는 기능을 출시했다. 이후 더 많은 데이터를 수집하면 좀 더 현실성 있는 기능으로 개선되어 갈 것으로 예상할 수 있다. 2020년 7월에는 속력제한에서 5마일 초과 운행이 가능하게 허용됐다. 2020년 8월에는 그간 수집한 데이터로 녹색 신호시 알림 소리를 내고 운전자가 승인하는 방식으로 딥러닝 레이블 데이터를 수집했고, 2020년 10월에는 이런 딥러닝 레이블 데이터를 기반으로 선행 차량이 없는 상황에서 교차로를 통과하는 기능이 출시됐다.
  
  안드레 카파시의 설명을 보면, 정지표지를 공사 요원이 들고 있거나 내리는 경우, 학교 버스의 정지 신호판이 펼쳐진 경우/접혀진 경우(미국등의 학교 버스에는 정지 신호판이 부탁되어 있어 정차하여 어린이가 탑승 하차시 정지표지를 펼치며, 이런 신호는 일단 멈춤 신호와 동일한 교통 표지로서의 역할을 한다.), 나무 등으로 가려진 정지표지, 등등 정지표지 기능을 완벽하게 구현하기 위해서는 어느 정도의 경험을 갖춘 어른들이나 판단할 수 있는 매우 복잡한 판단을 필요로 한다. 즉 지능이 있는 인간 어린이들조차도 경험이 부족하여 그런 상황에서 정확한 판단을 하기가 어렵다. 따라서 이런 복합적인 경험이 필요한 상황과 예외 상황에 대한 데이터를 매우 많이 수집하기 전까지 정지 신호를 준수하는 기능을 인간보다 더 정확하게 수행한다고 선언하기는 어렵기 때문에 테슬라는 더 많은 데이터를 수집하려는 노력을 하고 있다. 2020년 5월에 출시된 "자율정지"기능은 정지표지판을 들고 있는 공사요원이 활성화(신호판을 운전자 쪽으로 세워서 보여줌)/비활성화(신호판을 비스듬이 세워져 운전자에게 정지를 강제하지 않는 것으로 판단되는 경우)했는지 조차 인식하는 기능을 보여주고 있어 테슬라가 얼마나 많은 데이터를 통해서 딥러닝을 수행했는 지를 경험할 수 있다. 이 하나의 단순한 기능("자율정지")을 구현하기 위한 이런 노력을 보아도 자율주행 기능은 대량의 데이터를 수집한 딥러닝 기법이 아닌 다른 개발 방법으로는 도달이 쉽지 않다는 것 이해할 수 있다.

6.4. 테슬라 능동형 안전 기능

6.5. 안전 보고서

6.6. 사건/사고

• 2016년 1월 20일 중국 한단에서, 모델 S 운전자가 1차로에 걸쳐진 채로 멈추어져 있는 트럭을 들이 받아 사망했다. 따르던 앞차가 트럭을 피해 차로를 변경했으나 테슬라는 그대로 충돌했다. 운전자의 아버지는 오토파일럿이 사용 중이었을 것으로 믿고 있다고 주장했으나, 오토파일럿이 사용 중이었다는 증거를 찾지 못했다고 한다.

• 2016년 5월 7일 미국 플로리다에서 모델 S가 오토파일럿 기능이 켜진 상태에서 교차로를 지나던 트레일러 트럭과 충돌하여 운전자가 사망한 사건이 발생됐다. 오토파일럿은 밝은 색깔의 트럭을 하늘과 혼동한 것으로 보이며, 운전자는 자동차 안에서 해리포터 영화를 시청하여 운전에 집중하지 않았던 것으로 결론내려졌다. 모든 테슬라 자동차가 총 2억8백만km를 운행한 이후 첫번째로 발생된 오토파일럿 관련 사망사건으로 기록됐다.

• 2018년 1월 22일 미국 캘리포니아에서 모델 S가 고속도로 비상 도로에 정차한 소방차를 시속 80km 속도로 들이 받았으나 운전자는 무사했다. 운전자는 운전중 베이글과 커피를 마시면서 운전에 집중하지 않고 있었으며, 테슬라는 앞차를 따라 진행하고 있었으며 충돌 3-4초 전 앞차가 소방차를 피해서 차로를 변경했으나 테슬라는 차로 변경없이 그대로 진행했고, 충돌 0.5초 전에 충돌 경고음을 울렸으나, 자동 비상 정지 시스템은 작동하지 않았으며 운전자도 역시 아무런 반응을 하지 않았다. 오랜 조사 결과 미국 교통 안전국은 운전자가 운전에 집중하지 않고 자동차의 첨단 ADAS 시스템에 모든 것을 맡기어서 생긴 사고로 결론을 내렸다. 또한 오토파일럿이 운전자가 집중하지 않도록 허용한 것도 잘못임을 지적했다. 이 사건 이후 테슬라 오토파일럿은 운전자가 운전대를 일정시간 이상 잡지 않으면 경고음을 울리고 수동전환을 강제하는 기능을 추가했다.[88]

• 2018년 3월 23일, 캘리포니아 마운틴뷰에서 오토파일럿이 사용중이던 모델 X가 콘크리트로 된 바리케이드에 충돌했고 뒤따르던 2대의 자동차가 추돌하면서 화재가 발생했으며 운전자는 화염 발생 전에 차 밖으로 이동됐으나 사망했다. 사고 6초 전부터 운전자의 손이 운전대에서 떨어져 있었던 것으로 기록되어 있었으며 충돌까지 아무런 운전자의 동작은 없었던 것으로 기록됐다. 고속도로의 바리케이드에 설치되어 있던 충격 흡수 장치는 사고가 나기 열흘 전에 다른 차량이 시속 121km로 충돌하는 사건이 있었고 운전자는 작은 부상만 입었기 때문에 모델 X의 사망사고는 고속도로 관리 기관 측의 과실이 큰 것으로 결론이 내려졌다. 그러나 다른 운전자가 비슷한 상황에서 오토파일럿이 오작동할 수 있음을 시연해 보였고 이후에 그런 오작동은 소프트웨어 업데이트를 통해 차츰 개선되고 있다. 사고 당시 운전자가 비디오 게임을 하고 있었다고 한다. [89]

• 2018년 5월 11일, 미국 유타주에서 빨간 신호에 정차해 있던 소방차를 오토파일럿 작동중이던 모델 S가 약 시속 97km로 충돌했다. 증인에 의하면 운전자는 브레이크나 사고를 피하려는 동작을 하지 않았다고 한다. 발만 다치고 무사했던 운전자는 사고 당시 핸드폰을 사용하고 있었음을 시인했고 경찰은 운전자에게 교통위반 티켓을 발부했다. 이 사고 역시 앞 따르던 자동차가 차로를 갑자기 바꾼 상황에 해당된다.

• 2019년 3월 1일, 미국 플로리다에서 좌회전 하던 트레일러의 측면 하단부를 오토파일럿중이던 모델 3가 충돌하여 운전자가 사망했다. 운전자는 충돌 10초 전에 오토파일럿을 시작하고 충돌 8초 전부터 운전대에 손을 올리지 않았다. 조사 결과 충돌 순간에 테슬라와 운전자가 모두 충돌을 회피하려는 움직임이 있었다고 한다.

• 2019년 8월 10일, 러시아 모스크바에서 모델 3가 차로에서 벗어난 채로 주차된 견인트럭과 시속 100km로 충돌했다. 운전자고 동승자는 사고후 차에서 무사히 빠져나왔고 상당한 시간이 지난 후 자동차에서 화재가 발생했다. 운전자는 다리가 부러졌고 동승 어린이는 찰과상을 입었다. 운전자는 핸들을 잡고 있었지만, 집중하지 않았다고 한다.

• 2020년 6월 1일, 대만의 고속도로에서 사고로 길을 가로막고 정차 중인 대형 트럭을 오토파일럿 사용 중인 테슬라가 충돌하는 사고가 발생했다. 운전자는 다치지 않았으나, 운전자도 전방을 주시하지 않았고 트럭을 뒤늦게 목격하여 정차를 시도했을 때는 이미 늦은 상황이었다고 한다.

6.6.1. 부주의한 운전

• 2020년 9월 17일 영국 가디언은 캐나다 왕립 기마경찰대(RCMP)가 앨버타 주 포노카 인근 고속도로에서 모델 S를 자율주행 모드로 바꿔 놓고 잠든 20대 남성을 기소했다고 보도했다. 적발 당시 운전자는 동승객과 함께 앞좌석을 뒤로 젖힌 채 잠든 상태였던 것으로 전해진다. 차는 시속 140㎞가 넘는 속도로 주행하고 있었다. 캐나다 고속도로 대부분의 제한속도는 시속 110km다. 이 운전자는 과속과 난폭 운전 혐의로 기소됐고 피로할 때 운전을 했다는 이유로 24시간 면허 정지도 함께 받았다.해당 기사
• 비슷한 사례로 미국에서 남성 4명이 반자율주행을 켜 놓고 운전석엔 아무도 없는 채로 술을 마시며 파티를 벌인 영상들을 틱톡에 올려 큰 비난을 받은 적이 있다.# 다행히 둘 모두 사고없이 무사했다.
• 상술한 예시 말고도 FSD만 믿고 차에서 아예 잠을 자거나 운전을 안하고 노는 사례가 아주 빈번하다. 심지어 성관계를 하는 사람들도 있거나 유튜버들이 테슬라에서 24시간을 보내는 챌린지를 하기도 한다.#

7. 특징

7.1. 기능

이 문서의 내용 중 전체 또는 일부는

테슬라

테슬라

문서의 r816 판

, 번 문단

에서 가져왔습니다. 이전 역사 보러 가기

이 문서의 내용 중 전체 또는 일부는 다른 문서에서 가져왔습니다.

[ 펼치기 · 접기 ]

테슬라

테슬라

문서의 r816 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

7.2. 오토파일럿 사용원칙

• 항상 전방주시한다.
• 최소 한손은 항상 핸들을 잡고 있어야 한다.
• 다음과 같은 상황에서는 문제시 수동운전으로 전환할 준비를 한다.
• 고속도로 주행시 바리케이드가 중단되거나 Y자로 분리되는 구간
• 차로 페인트가 닳아서 명확하지 않은 경우[90]
• 시내 주행 시 교차로에서 교차로가 너무 길거나[91], 차로의 위치가 크게 바뀌는 경우(잘못된 차로으로 진입할 수 있다.)
• 불가피하게 앞차를 좁은 간격으로 붙어야 하는 경우 앞차가 갑자기 차로 변경을 하면 전방에 장애물이 있는지 확인하여 수동으로 전환하도록 한다.
• 시내 주행 시 좌회전 전용차로으로 잘못 진입할 수 있다.
• 차로가 명확하고 교차로 등 끊김이 없는 경우는 긴장을 풀어도 된다.(핸들은 여전히 잡고)
• 핸들을 너무 약하게 잡고 있어서 센서가 핸들을 잡고 있지 않다고 경고를 주면 볼륨휠을 올렸다 내리면 된다. 혹은 한쪽 방향으로 핸들에 약한 힘을 가한다.
• 오토파일럿 인공지능은 아직은 도로 에티켓이 따로 없다.
• 변경할 차로 멀리에서 빠른 속도로 접근하는 자동차가 있어도 차로를 바꾼다(V10.0에서 많이 개선됨)
• 다른 운전자는 인공지능이 운전하는 것인지 모르므로 운전자에게 화를 내게 된다. 필요하다면 미리 수동으로 전환하여 에티켓을 지킬 수 있다.
• 다음 문제는 최근 업데이트로 해결된 것으로 보이나 과거 문제가 있었던 부분이므로 계속 참고하여 주의할 필요가 있다.
• 밝은 계통의 한가지 색으로 칠해져 있는 대형 차량이 주변에 있는 경우(하늘로 오인식할 가능성)
• 육교나 도로위 구조물이 전방에 있을때 고스트 브레이크(Phantom Breaking - 장애물 가능성이 있어서 급감속, 급정지) 현상이 있을 수 있다.

8. FSD베타 개선 이력

• 2020년 10월 20일, 새로 작성된 자율 주행용 프로그램(FSD 베타 v1)이 "조기 체험 프로그램"[EAP]을 통하거나 혹은 제한된 운전자("전문적이며 조심스럽게 운전하는")들에게 처음으로 일부 사용자들에게 출시됐다.[93]

• 2020년 10월 20일 - V1(SW:2020.40.8.10) 출시
• 2020년 10월 24일 - V2(SW:2020.40.8.11) 출시
• 2020년 10월 31일 - V3(SW:2020.40.8.12) 출시
• 2020년 11월 14일 - V4(SW:2020.44.10.2) 출시
• 2020년 11월 25일 - V5(SW:2020.44.15.3) 출시

회전교차로 운전
• 2020년 12월 8일 - V6 출시
• 2020년 12월 19일 - V7 출시
• 2021년 1월 27일 - V8 출시
• 2021년 3월 3일 - V8.1 출시

• 2020년 7월 10일 - V9.0(SW: 2021.4.18.12) 출시
  -몇개월에 걸친 레이더 기능 제거 작업 후 순수 카메라를 이용해서만 주행하는 버전으로 출시
  -자동차의 마음(Mind of the car) 표시 - 자동차가 운행하려는 방향을 점선으로 표시
  -다른 자동차를 3D 모델로 시각화
• 2020년 8월 1일 - V9.1(SW: 2021.4.18.13) 출시
• 2020년 8월 15일 - V9.2(SW: 2021.12.25.15) 출시
  
  Clear-to-go boost through turns on minor-to-major roads (plan to expand to all roads in V9.3).
  
  
  Improved peek behavior where we are smarter about when to go around the lead vehicle by reasoning about the causes for lead vehicles being slow.
  
  
  v1 of the Multi-model predictions for where other vehicles expected to drive. This is only partially consumed for now.
  
  
  New Lanes network with 50k more clips (almost double) from the new auto-labeling pipeline.
  
  
  New VRU velocity model with 12% improvement to velocity and better VRU clear-to-go performance. This is the first model trained with “Quantization-Aware-Training," an improved technique to mitigate intr8 quantization.
  
  
  Enabled Inter-SoC synchronous compute scheduling between vision and vector space processes. Planner in the loop is happening in v10.
  
  
  Shadow mode for new crossing/merging targets network will help you improve VRU control.
• 2020년 8월 29일 - V9.3 출시
• 2020년 9월 12일 - V9.4 출시

• 2020년 9월 11일 - v10.0(SW: 2021.24.15), v10.0.1(SW: 2021.24.16) 출시

비보호좌회전시 전방으로 살짝 전진하면서 시야 확보
• 2020년 9월 25일 FSD 베타 테스트 요청 "버튼" 기능 출시
  - "FSD 베타"를 체험하길 원하는 일반 사용자들에게 FSD 베타 체험 요청할 수 있는 기능. "안전운전" 테스트를 통해 다섯가지 안전한 운전요소를 점수화하여 높은 안전 점수를 받은 사람들에게 FSD 베타를 체험할 수 있도록 하기 위해 출시.
  - 약 15만명이 신청한 것으로 알려짐.
• 2020년 9월 26일 - v10.1(SW:2021.24.17) 출시
• 2020년 10월 11일 - v10.2(SW:2021.32.25) 출시
  - "버튼" 요청으로 "안전운전" 테스트에서 100점을(100마일이상, 7일이상) 획득한 약 천여명의 테슬라 차주에게 FSD 베타가 추가적으로 배포됨.
  - 더 이상 비공개서약(NDA;non-disclosure agreement)을 요구하지 않음. 자유롭게 미디어 소셜 네트워크등에 공개 가능
  - 실내 카메라로 운전자 안전 운행 관찰(실내 카메라없는 구차량 제외)
• 2020년 10월 24일 - v10.3(SW: 2021.36.5.2), v10.3.1(SW: 2021.36.5.3)

베타 프로필(컴포트, 보통, 어써티브)
"안전운전" 테스트에서 99점을 획득한 테슬라 차주들로 확대
기술적이고 상세한 릴리즈 노트와 함께 배포

Added FSD Profiles that allow drivers to control behaviors like rolling stops, exiting passing lanes, speed-based lane changes, following distance and yellow light headway.


Added planning capability to drive along oncoming lanes to maneuver around path blockage.


Improved creeping speed by linking speed to visibility network estimation and distance to encroachment point of crossing lanes.


Improved crossing object velocity estimation by 20% and yaw estimation by 25% by upreving surround video vehicle network with more data. Also increased system frame rate by +1.7 frames per second.


Improved vehicle semantic detections (e.g. brake lights, turn indicators, hazards) by adding +25k video clips to the training data set.


Improved static obstacle control by upreving the generalized static object network with 6k more video clips (+5.6% precision, +2.5% recall)


Allowed more acceleration when merging from on-ramps onto major roads and when lane changing from slow to fast lanes.


Reduced false slowdowns and improved offsetting for pedestrians by improving the model of interaction between pedestrians and the static world.


Improved turning profile for unprotected turns by allowing ego to cross over lane lines more naturally, when safe to do so.


Improved speed profile for boosting onto high speed roads by enforcing stricter longitudinal and lateral acceleration limits required to beat the crossing object.
• 2020년 11월 6일 - v10.4 (SW: 2021.36.8.5)

과속방지턱인식및 감속

Improved handling when driving off navigation route by allowing better recovery, when safe to do so.


Improved handling and detection of high-speed objects when crossing high-speed roads. Enabled faster acceleration across high-speed roads.


Improved speed through narrow spaces surrounded by high obstacles.


Improved static obstacle control by upreving the generalized static object network with hyperparameter tuning and improvements for oversampling strategies (+1.5% precision, +7.0% recall).


Improved VRU (vulnerable road user) detection (e.g. pedestrians, bicyclists, motorcyclists) by adding data from next generation autolabeler (precision +35%, recall +20%).


Improved emergency vehicle detection network by adding new data and improved training regime (pass rate +5.8%).


Improved VRU control relevance attribute by adding navigation route as input to object detection network (accuracy +1.1%).


Press the “Video Record” button on the top bar UI to share your feedback. When pressed, your vehicle’s external cameras will share a short VIN-associated Autopilot snapshot with the Tesla engineering team to help make improvements to FSD. You will not be able to view the clip.
• 2020년 11월 22일 - v10.5 (SW: 2021.36.8.8)


Improved VRU (pedestrians, bicyclists, motorcycles) crossing velocity error by 20% from improved quality in our auto-labeling.


Improved static world predictions (road lines, edges, and lane connectivity) by up to 13% using a new static world auto-labeler and adding 165K auto-labeled videos.


Improved cone and sign detections by upreving the generalized static object network with 15K more video clips and adjusting oversampling and overweighting strategies (+4.5% precision, +10.4% recall).


Improved cut-in detection network by 5.5% to help reduce falso slowdowns.


Enabled “emergency collision avoidance maneuvering” in shadow mode.


Enabled bahevior to lane change away from merges when safe to do so.


Improved merge object detection recall by using multi-modal object prediction at intersection.


Improved control for merges by increasing smoothness of arrival time constraints and considering possible merging objects beyond visibility.


Improved land changes by allowing larger deceleration limit in short-deadline situations.


Improved lateral control for creeping forward to get more visibility.


Improved modeling of road bounderies on high curvature roads for finer maneuvers.


Improved logic to stay on-route and avoid unnecessary detours/rerouting.
• 2020년 12월 4일 - v10.6(SW:2021.36.8.9), v10.6.1


Improved object detection network architecture for non-VRUs (e.g. cars, trucks, buses). 7% higher recall, 16% lower depth error, and 21% lower velocity errror for crossing vehicles.


New visibility network with 18.5% less mean relative error.


New general static object network with 17% precision improvements in high curvature and nighttime cases.


Improved stopping position at unprotected left turns while yielding to oncoming objects, using object predictions beyond the crossing point.


Allow more room for longitudinal alignment during merges by incorporating modelling of merge region end.


Improved comfort when offsetting for objects that are cutting out of your lane.
• 2020년 12월 20일 - v10.7


Improved object attributes network to reduce false cut-in slowdowns by 50% and lane assignment error by 19%.


Improved photon-to-control vehicle response latency by 20% on average.


Expanded use of regenerative braking in Autopilot down to 0mph for smoother stops and improved energy efficiency.


Improved VRU (pedestrians, bicyclists, motorcycles, animals) lateral velocity error by 4.9% by adding more auto-labeled and simulated training examples to the dataset.


Reduced false slowdowns for crossing objects by improved velocity estimates for objects at the end of visibility.


Reduced false slowdowns by adding geometric checks to cross-validate lane assignment of objects.


Improved speed profile for unprotected left turns when visibility is low.


Added more natural behavior to bias over bike lanes during right turns.


Improved comfort when yielding to jaywalkers by better modelling of stopping region with soft and hard deadlines.


Improved smoothness for merge control with better modelling of merge point and ghost objects positioned at the edge of visibility.


Improved overall comfort by enforcing stricter lateral jerk bounds in trajectory optimizer


Improved short deadline lane changes through richer trajectory modeling


Improved integration between lead vehicle overtake and lane change gap selection


Updated trajectory line visualization
• 2020년 12월 24일 - v10.8, v10.8.1

v10.7에 크리스마스 선물기능(라이트쇼등) 포함
• 2022년 1월 17일 - v10.9(SW:2021.44.30.10)

내부 직원, EAP 초기 프로그램 사용자들에게만 제한 배포

Improved intersection extents and right of way assignment by updating modeling of intersection areas from dense rasters (“bag of points”) to sparse instances. Increased intersection region IOU by 4.2%. The sparse intersection network is the first model deployed with an auto-regressive architecture that runs natively with low latency on the TRIP AI accelerator chip, through innovations in the AI compiler stack.


Upgraded generalized static object network to use 10-bit photon count streams rather than 8-bit ISP tonemapped images by adding 10-bit inference support in the AI compiler stack. Improved overall recall by 3.9% and precision by 1.7%.


Made unprotected left turns across oncoming lanes more natural by proceeding straight into intersection while yielding, before initiating the turn.


Improved lane preference and topology estimation by 1.2% with a network update and a new format for navigation clues.


Improved short deadline lane changes with better modeling of necessary deceleration for maneuvers beyond the lane change.


Improved future paths for objects not confined to lane geometry by better modeling of their kinematics.


Made launches from a stop more calm when there is an imminent slowdown nearby.


Improved gap selection when yielding to a stream of oncoming cars on narrow roads.
• 2022년 2월 1일 - v10.10

내부 직원, EAP 초기 프로그램 사용자들에게만 제한 배포
롤링스탑(일단멈춤에서 완전히 멈추지 않고 진행하던 동작)기능 제거
자동차(트럭)의 길이를 가변적으로 인식하기 시작

고성능 궤적 기본요소를 사용하여 갈림길 이동과 회전 차로 선택이 부드러워집니다.


모든 FSD 프로필에서 롤링스톱(Rolling Stop) 기능이 비활성화됐습니다. 이 동작은 차량이 일단 정지 교차로를 통과할 수 있도록 허용하지만 차량 속도가 5.6mph 미만이고, 관련 물체/보행자/자전거 운전자가 감지되지 않으며, 충분한 가시성이 확보됐고, 교차로의 모든 진입로 속도 제한이 30mph 미만인 경우를 포함하여 여러 조건이 충족된 경우에만 사용됩니다.


개선된 지상 실측 궤적을 사용하여 일반화된 정적 개체 네트워크를 4% 개선했습니다.


감속 긴급도를 더 잘 나타내기 위해 일반 제약 조건과 강화 제약 조건을 모델링하여 교차로에서 마주치는 물체에 대해 정지할 때의 부드러움을 개선했습니다.


차로 변경을 다음 차로으로 변경하여 안전할 때 정적 장애물 주변으로 이동할 수 있습니다.


교차로 차량이 정지하지 않을 수 있는 이벤트에 대해 더 많은 주의를 추가하여 점멸하는 빨간색 신호등 제어에 대한 처리를 개선했습니다.


교차로 범위를 더 잘 모델링하여 교차로에서의 통행권 이해를 개선했습니다.




Smoother fork maneuvers and turn-lane selection using high fidelity trajectory primitives.


Disabled rolling-stop functionality in all FSD Profiles. This behavior used to allow the vehicle to roll through all-way-stop intersections but only when several conditions were met, including vehicle speed less than 5.6 mph, no relevant objects/pedestrians/bicyclists detected. Sufficient visibility and all entering roads at the intersection have speed limits below 30 mph.


Improved generalized static object network by 4% using improved ground truth trajectories.


Improved smoothness when stopping for crossing objects at intersections by modeling soft and hard constraints to better represent urgency of the slowdown.


Enabled lane changing into an oncoming lane to maneuver around static obstacles, when safe to do so.


Improved smoothness for merge handling by enforcing more consistency with previous cycle’s speed control decisions.


Improved handling of flashing red light traffic controls by adding more caution for events where crossing vehicles may not stop.


Improved right of way understanding at intersections with better modeling of intersection extents.
• 2022년 2월 18일 - v10.10.1, v10.10.2

다시 전체 FSD 베타 사용자들에게 배포(약 6만여명)
• 2022년 3월 13일 - v10.11

트랜스포머 신경망을 이용하여 기존 래스터 방식 모델링에서 벡터 방식으로 와 그 차로의 연결성을 예측. 이를 통해 교차차로를 예측할 있으며 지도데이터 의존없이 차로를 정확하게 예측 인식할 수 있게 되어, 좀 더 정확한 주행 계획을 수립할 수 있게 되며 정확한 시각적 렌더링을 할 수 있게 됨.
VRU(vulnerable road user;보행자,자전거,스케이터등) 인식 44.9% 개선. 차세대 오토레이블러를 사용
근접 오토바이,스쿠터,휠체어,보행자의 속도 오류를 63.6%개선. 주행선으로 뛰어드는 개체 주변의 오토파일럿 주행이 개선됨.
HW4와 관련된 내용이 상용 코드에서 최초로 발견. #
변경될 차로 라인에 푸른색 하이라이트가 표시됨.

Upgraded modeling of lane geometry from dense rasters ("bag of points") to an autoregressive decoder that directly predicts and connects "vector space" lanes point by point using a transformer neural network. This enables us to predict crossing lanes, allows computationally cheaper and less error prone post-processing, and paves the way for predicting many other signals and their relationships jointly and end-to-end.


Use more accurate predictions of where vehicles are turning or merging to reduce unnecessary slowdowns for vehicles that will not cross our path.


Improved right-of-way understanding if the map is inaccurate or the car cannot follow the navigation. In particular, modeling intersection extents is now entirely based on network predictions and no longer uses map-based heuristics.


Improved the precision of VRU detections by 44.9%, dramatically reducing spurious false positive pedestrians and bicycles (especially around tar seams, skid marks, and rain drops). This was accomplished by increasing the data size of the next-gen autolabeler, training network parameters that were previously frozen, and modifying the network loss functions. We find that this decreases the incidence of VRU-related false slowdowns.


Reduced the predicted velocity error of very close-by motorcycles, scooters, wheelchairs, and pedestrians by 63.6%. To do this, we introduced a new dataset of simulated adversarial high speed VRU interactions. This update improves autopilot control around fast-moving and cutting-in VRUs.


Improved creeping profile with higher jerk when creeping starts and ends.


Improved control for nearby obstacles by predicting continuous distance to static geometry with the general static obstacle network.


Reduced vehicle "parked" attribute error rate by 17%, achieved by increasing the dataset size by 14%. Also improved brake light accuracy.


Improved clear-to-go scenario velocity error by 5% and highway scenario velocity error by 10%, achieved by tuning loss function targeted at improving performance in difficult scenarios.


Improved detection and control for open car doors.


Improved smoothness through turns by using an optimization-based approach to decide which road lines are irrelevant for control given lateral and longitudinal acceleration and jerk limits as well as vehicle kinematics.


Improved stability of the FSD Ul visualizations by optimizing ethernet data transfer pipeline by 15%.


Improved recall for vehicles directly behind ego, and improved precision for vehicle detection network.

• 2022년 3월 26일 - v10.11.1(SW: 2022.4.5.20)

캐나다에도 출시(3월 27일)
• 2022년 4월 3일 - v10.11.2(SW: 2022.4.5.21)

FSD 베타 테스터 전체로 배포 확대
• 2022년 5월 18일 - v10.12(SW: 2022.12.3.10)
  - 내부자 제한 배포
  - 각 자동차의 형상을 좀 더 정밀하게 표현(바퀴등 표현), 자동차 방향 지시등 인식, 자동차 문 열림 인식 및 우회 동작
  - 비보호 좌회전 의사 결정 프레임워크 개선 - 나갈지 안 나갈지에 대한 결정을 형성하는 더 많은 기능을 추가하여 ego(테슬라 차량 스스로를 지칭)의 행동에 대한 물체의 반응에 더 나은 모델링. 이로서 안전한 범위 내의 결정을 계속 유지하며 측정값에 오차가 많아도 유연한 대처가 가능. 이 프레임워크는 중앙 안전 차로/지역을 활용하며, 교차로를 안전하게 통과하기 위해 필요한 경우 더 강한 가속을 사용.
  - 시야확보 내보기 동작 개선 - 더 정확한 차로 구조와 사각 시야 지대 인식의 해상도를 높임
  - 플래너 개선 - 제한 공간을 부드럽게 빠져나올때 차로에 대한 의존을 줄임.
  - 횡단 차량에 대한 좌우회전 안전성 개선 - 차로 신경망의 아키텍쳐 개선으로 재현율과 교차차로의 기하학적 정확도가 크게 개선됨
  - 차로 인식 개선(재현율, 기하학적 정확도) - 18만개의 비디오 클립을 훈련세트에 추가
  - 시각의 구조적 정확성과 이해 개선 - 오토-레이블러에 의한 개선된 데이터와 3만개의 추가된 비디오 클립으로 "일반화된 정적 방해물 신경망"을 다시 훈련시킴
  - 주차중인 차량 인식 정확성 개선 - 4만1천개의 비디오 클립을 훈련 세트에 추가. FSD베타 10.11에서 수집된 48%의 실패 케이스를 해결.
  - 먼거리의 교차 물체의 인식 개선(재현율 개선) - 데이터의 품질이 향상된 오토 레이블러에 사용된 개선된 버전의 신경망들로 데이터 세트를 재생성
  - 3개의 기존 신경망 제거로 초당 1.8 프레임의 시스템 프레임 레이트 증가


Upgraded decision making framework for unprotected left turns with better modeling of objects' response to ego's actions by adding more features that shape the go/no-go decision. This increases robustness to noisy measurements while being more sticky to decisions within a safety margin. The framework also leverages median safe regions when necessary to maneuver across large turns and accelerating harder through maneuvers when required to safely exit the intersection.


Improved creeping for visibility using more accurate lane geometry and higher resolution occlusion detection.


Reduced instances of attempting uncomfortable turns through better integration with object future predictions during lane selection.


Upgraded planner to rely less on lanes to enable maneuvering smoothly out of restricted space.


Increased safety of turns with crossing traffic by improving the architecture of the lanes neural network which greatly boosted recall and geometric accuracy of crossing lanes.


Improved the recall and geometric accuracy of all lane predictions by adding 180k video clips to the training set.


Reduced traffic control related false slowdowns through better integration with lane structure and improved behavior with respect to yellow lights.


Improved the geometric accuracy of road edge and line predictions by adding a mixing/coupling layer with the generalized static obstacle network.


Improved geometric accuracy and understanding of visibility by retraining the generalized static obstacle network with improved data from the autolabeler and by adding 30k more videos clips.


Improved recall of motorcycles, reduced velocity error of close-by pedestrians and bicyclists, and reduced heading error of pedestrians by adding new sim and autolabeled data to the training set.


Improved precision of the "is parked" attribute on vehicles by adding 41k clips to the training set. Solved 48% of failure cases captured by our telemetry of 10.11.


Improved detection recall of far-away crossing objects by regenerating the dataset with improved versions of the neural networks used in the autolabeler which increased data quality.


Improved offsetting behavior when maneuvering around cars with open doors.


Improved angular velocity and lane-centric velocity for non-VRU objects by upgrading it into network predicted tasks.


Improved comfort when lane changing behind vehicles with harsh deceleration by tighter integration between lead vehicles future motion estimate and planned lane change profile.


Increased reliance on network-predicted acceleration for all moving objects, previously only longitudinally relevant objects.


Updated nearby vehicle assets with visualization indicating when a vehicle has a door open.


Improved system frame rate +1.8 frames per second by removing three legacy neural networks.
• 2022년 5월 20일 - v10.12.1(SW: 2022.12.3.15)
  - 초기 베타테스터[og]로 배포가 확장됨.
• 2022년 5월 26일 - v10.12.2(SW: 2022.12.3.20)
  - 전체 베타테스터로 확장된 후, 며칠 뒤 기존 6만명의 테스트 프리트 차량 숫자를 10만대로 추가 확대
• 2022년 7월 18일 - v10.13(SW: 2022.16.3.5)
  - 내부자 제한 배포


Improved decision making for unprotected left turns using better estimation of ego's interaction with other objects through the maneuver.


Improved stopping pose while yielding for crossing objects at “Chuck Cook style” unprotected left turns by utilizing the median safety regions.


Made speed profile more comfortable when creeping for visibility, to allow for smoother stops when protecting for potentially occluded objects.


Enabled creeping for visibility at any intersection where objects might cross ego’s path, regardless of presence of traffic controls.


Improved lane position error by 5% and lane recall by 12%.


Improved lane position error of crossing and merging lanes by 22% by adding long-range skip connections and a more powerful trunk to the network architecture.


Improved pedestrian and bicyclist velocity error by 17%, especially when ego is making a turn, by improving the onboard trajectory estimation used as input to the neural network.


Improved animal detection recall by 34% and decreased false positives by 8% by doubling the size of the auto-labeled training set.


Improved detection recall of far away crossing vehicles by 4% by tuning the loss function used during training and improving label quality.


Improved the “is parked” attribute for vehicles by 5% by adding 20% more examples to the training set.


Upgraded the occupancy network to detect dynamic objects and improved performance by adding a video module, tuning the loss function, and adding 37k new clips to the training set.


Reduced false slowdowns around crosswalks by better classification of pedestrians and bicyclists as not intending to interact with ego.


Reduced false lane changes for cones or blockages by preferring gentle offsetting in-lane where appropriate.


Improved in-lane positioning on wide residential roads.
• 2022년 8월 20일 - v10.69(SW: 2022.16.3.10)
  - 초기 베타테스터[og]로 배포가 확장됨.
  - 버전 번호를 갑자기 69로 한 것은 의미 있는 중요한 릴리즈란 뜻으로 해석[96]
  - 척쿡(Chuck Cook)[97] 스타일의 비보호 좌회전 문제(시속 97km/h의 왕복 6차선에서 중간 중립 차선에 잠시 머무른 후에 비보호 좌회전)가 90%이상 해결
  - "딥 차선 안내" 모듈이 "벡터 차선 신경망"에 포함되어, 대략의 지도 정보(차선수와 차선의 연결등)와 함께하는 비디오 스트림으로 부터 기능을 추출. 이전 모델보다 차선 인식에 대해서 44% 더 낮은 오류율로 시각적으로 상황을 파악하기 전에도 자연스러운 운전이 가능해 짐. 오토파일럿 운전이 그 지역을 잘 아는 운전자만큼 능숙하게 하면서도, 도로의 변동사항에 유연하게 대처할 수 있게 해줌.
  - 개선된 Occupancy Network(공간 점유 신경망). 사각형태로는 파악이 힘든 복잡한 형태의 사물에 대한 정밀한 이해가 가능. 복셀(3차원 픽셀)로 표현되는 사물의 속도(velocity)를 예측하며, UFO처럼 미리 분류되지 않은 이상한 사물이 있어도 충돌하지 않는 운행이 가능. 또한 시간적인 비디오를 사용하여 공간을 파악하므로서 일시적으로 시각이 가려져도(다른 차량 뒤편으로 차량이 운행하여 안 보이더라도, 운전자는 그 자동차의 존재를 인지하고 운전하 듯이) 공간 점유의 흐름을 파악. 의미론 기반으로 극단 데이터값을 제외하고 데이터 세트를 2.4배 확장하여 도로 차선과 신호등에 대한 이해도 개선.
  - 횡단보도 근처의 잘못된 감속 개선. 자전거 운전자와 보행자의 동작을 파악하고 이해하여 활용.


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 connectivites. 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 manevuers.


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.
• 2022년 8월 30일 - v10.69.1(SW: 2022.20.10)
  - 초기 베타테스터[og]로 배포후 문제가 없으면 1만명의 추가 테스터로 확장 예정
  - 위험한 운전으로 인한 베타 테스터 권한 임시 제한 복원
  - 순차적인 하드웨어 처리 명령에서 레이턴시(반응속도)와 지터(에러성 데이터로 부터 발생되는 노이즈로 인한 데이터 편차)를 줄임으로서, 사물을 판별한 후 브레이크를 작동하기 까지의 시간을 10%~20% 개선함[99]
  - 융합되는 기반 테슬라 소프트웨어 버전이 2022.20으로 올라가면서 수집된 타이어휠 형상 데이터 리셋 기능, 시각 기반 안전 벨트 조임 시스템(안전 벨트 프리 텐셔닝) 등의 기능이 포함됨.

8.1. V11

• 2023년 4월 17일 V11.4
  - 향상된 의사결정 w/속도 제어
  - 향상된 턴 수행
  - 향상된 차선 가이드
  - 차선 변경 시 속도 제어
  - 평균 주행 속도 추론
  - 수막현상시 속도 제어
  - 도로 장애물 자연스럽게 피하기
  - 전방 카메라 작동 2% 향상
  
  Improved the decision to assert or yield for pedestrians at more crosswalks by evaluating multiple possible futures in the joint space of ego's actions and the pedestrian's response.
  
  
  Improved ego's behavior near VRUs by measuring their probability of intersecting ego's path, based on their kinematic data, and preemptively decelerating when the estimated risk is high.
  
  
  Improved turn performance in dense unstructured city environments. Examples of improved cases include: turning when the turn lane is blocked by parked cars and avoiding turning into bus lanes.
  
  
  Improved lane guidance module to feed in long range routing "hints" to the network for which lanes ego needs to be in to reach its destination. Also significantly improved per-lane routing type autolabeler. These changes combined resolved 64% of all interventions caused by bad routing type.
  
  
  Improved geometric consistency between lane, line, road edge and restricted space detections by re-training our networks on the same dataset with the latest version of our "lane guidance" module, and by using a common features space to predict line, road edge and restricted space.
  
  
  Improved recall for partial cut-ins by 39% and precision for false positive cut-ins due to lane changes into adjacent lanes by 66%, resulting in a 33% reduction in overall lane-changing prediction error. This was accomplished by further increasing our auto-labeled fleet dataset by 80k clips, improving the accuracy of the auto-labeling algorithm, and tuning the distribution of training supervision.
  
  
  Improved understanding for when to use bus lanes and when to avoid them, by updating the lane type detection network and improving map-vision fusion.
  
  
  Improved speed control during lane changes through better consideration of upcoming navigation deadlines, required back-to-back lane changes and presence of a vehicle behind ego.
  
  
  Added new Vision Speed network to infer the typical driving speed on a given road. This is used to limit the maximum allowed speed in environments such as parking lots and residential roads.
  
  
  Mitigated hydroplaning risk by making maximum allowable speed in Autopilot proportional to the severity of the detected road conditions. In extreme cases, Autopilot may use the wetness of the road, tire spray from other vehicles, rain intensity, tire wear estimation or other risk factors that indicate the vehicle is near the handling limit of the surface to warn the driver and reduce speed.
  
  
  Improved long-range path blockage detection and control on city streets. Ego will now be able to perform lane changes due to upcoming path blockages earlier.
  
  
  Improved developer productivity with better code diagnostics and C++20 features by upgrading compiler to clang-16. This also improved photon-to-control vehicle response latency by 2%.
  
  
• 2023년 5월 10일 V11.4.1
  내부 직원 우선 배포
  - 회전 제어 및 일반적 부드러움 개선
  - 장거리 도로 기능 감지 개선
  - 에고의 결정력 개선
  - 오토바이 리콜 8% 개선 및 차량 감지 정확도 향상
  - 다른 차량의 차선 침범으로 인한 개입 43% 감소
  - 근접 차량의 차선 중심 속도 오류를 40~50% 감소 -> 컷인 제어 개선
  - 차선 변경 궤적의 추가 기능 사용해 감독 개선
  - 과소 평가된 멀리 있는 물체의 속도와 관련된 고속도로 오감속 감소
  - 부드러워진 대형 차량의 차선 내 오프셋
  - 다가오는 높은 곡률 병합에 대한 측면 제어가 병합 차선에서 편향되도록 개선

• 2023년 6월 9일 v11.4.13(sw:2023.7.15)

8.2. V12

9. 일론 머스크의 중고차 가격 상승 주장

10. 비판

10.1. "오토"란 단어 사용에서 오는 혼동

10.2. 지켜지지 않는 시간 공언

10.3. 가이드하우스 인사이트의 평가와 반박

10.4. 오작동

11. 기타

12. 지원 자동차

• 테슬라 모델 S
• 테슬라 모델 3
• 테슬라 모델 X
• 테슬라 모델 Y
• 테슬라 사이버트럭
• 테슬라 로드스터

13. FSD 라이선스

14. FSD 출시 국가

• 미국(2020년 출시)
• 캐나다(2022년 출시)
• 호주(출시 예정)
• 독일(출시 예정)
• 벨기에(출시 예정)

14.1. 대한민국 출시 현황

15. 관련 문서 및 링크

• 테슬라 소프트웨어
• 전기자동차
• 자율주행 자동차
• 오토파일럿 공식 사이트
• Andrej Karpathy 테슬라 비전팀 리더 2019년 11월
• 테슬라 오토파일럿 행사/오토노미 데이 풀영상
• Andrej Karpathy - AI for Full-Self Driving 2020년 2월
• Andrej Karpathy - 컴퓨터 비젼과 패턴 인식 2020년 컨퍼런스, Workshop on Scalability in Autonomous Driving 2020년 6월

이 문서의 내용 중 전체 또는 일부는

테슬라 모델 3

테슬라 모델 3

문서의 r507 판

, 번 문단

에서 가져왔습니다. 이전 역사 보러 가기

이 문서의 내용 중 전체 또는 일부는 다른 문서에서 가져왔습니다.

[ 펼치기 · 접기 ]

테슬라 모델 3

테슬라 모델 3

문서의 r507 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)

문서의 r 판

, 번 문단

(이전 역사)