杨
杨继峰
章
章翔
薛
薛越
陆
陆星宇
陆星宇：特斯拉FSD在中国遇到的问题，一部分原因是定位精度不足，这与缺乏地面站辅助纠正和地图信息缺失有关。国内自动驾驶企业通常使用高精度地图来提高定位精度，但特斯拉由于数据出境限制和在美国不允许建立训练中心，难以在中国进行数据训练。
薛越：特斯拉FSD V13虽然在复杂场景处理和车辆博弈方面表现出色，但其在中国表现不佳的主要原因是缺乏对中国道路法规的理解。中国道路交通规则的复杂性和多样性，以及缺乏统一公开的规则信息，给外国车企带来了巨大的挑战。
杨继峰：特斯拉在中国的数据收集和训练受到双重限制，这使得其难以在中国进行模型训练。国内新势力车企数据量不足，世界模型技术是解决数据不足问题的新兴方法。要解决端到端自动驾驶的安全性问题，需要从其他维度来辅助解决，例如增加冗余、规则兜底、额外监督模式、自我检测机制等。V2X技术可以作为重要的辅助信息来源，提高自动驾驶系统的安全性。
章翔：根据HSE R2P2原则，需要确定最大可接受风险比率来定义自动驾驶的安全标准。L3级及以上自动驾驶系统需要大量数据来评估AI主导的驾驶行为的风险，而目前缺乏足够的事故数据。自动驾驶系统需要遵循ALARP原则，不断降低风险并迭代更新。要向社会开放自动驾驶，需要积累足够的数据来证明其安全性，并解决AI功能和安全如何兼顾的问题。需要设定最大可接受风险（maximum tolerable risk），以量化自动驾驶的安全目标。
杨继峰：解决端到端自动驾驶的安全性问题，可能是一个伪命题，需要从其他维度来辅助解决。增加冗余度后，需要解决仲裁问题，即决定哪个输出作为最终执行结果。目前L2+自动驾驶处于一个监管相对宽松的阶段，技术发展较快。自动驾驶需要有明确的安全目标和社会可接受值，才能进行有效的监管。需要收集完整的数据，才能为自动驾驶的监管放松设定可能性，并为ALARP原则提供指导。许多厂商在安全标准中引用的数据是理想情况下的实验室数据，缺乏实际道路数据。美军军标之所以可靠，是因为其拥有完整的数据收集和处理流程，数据积累时间长。中国自动驾驶企业需要建立完整的数据收集和处理流程，为监管提供数据支撑。政府层面需要建立数据收集机制，才能为自动驾驶的监管提供数据支持。HSE R2P2为整个社会和工业体系提供了风险评估和管理的指导规范。
Deep Dive
Shownotes Transcript