从特斯拉迭代历程看智能驾驶算法升级趋势.docxVIP

图 17. 高精度地图、BEV 地图及矢量地图对比 13 图 18. 特斯拉 Lanes Network 模型架构 14 图 19. 自动驾驶系统模块 14 图 20. UniAD 自动驾驶大模型架构 15 图 21. 2018 年特斯拉已初步构建数据闭环 15 图 22. 特斯拉影子模式 16 图 23. 基于单个图像的 2D 标注 17 图 24. 特斯拉自动驾驶模型单次训练所需约 7 万个 GPU 时（2020 年 2 月） 17 图 25. 特斯拉数据闭环系统（2022） 18 图 26. 特斯拉 4D 自动标注系统 18 图 27. 自动标注系统大幅提高标注效率 19 图 28. 仿真场景中对同一路口生成不同街景进行场景泛化 19 图 29. 对同一路口生成不同车道关系进行场景泛化 19 图 30. 特斯拉基于英伟达 GPU 的超算中心规模持续上升 20 图 31. D1 芯片在跑自动标注及占用网络模型的效率高于 A100 20 图 32. 2024 年 2 月 Dojo 超算中心将具备等效于 10 万个英伟达 A100 的算力 21 图 33. HW3.0 采用双冗余设计 22 图 34. 特斯拉 FSD 芯片结构 22 图 35. L1 到 L5 级别无人驾驶汽车对算力需求成倍增长 24 图 3