据外媒报道，日前，特斯拉获得了“使用视觉图像数据估计物体属性”的新专利，旨在降低自动驾驶汽车视觉传感器日益增长的成本和复杂性。此种方法可以让车辆通过图像数据和机器学习，检测并解释与周围环境的距离。

（图片来源：www.teslarati.com）

该项专利使用两个神经网络，仅使用图像数据，测量与物体之间的距离。其中一个神经网络可确定物体与车载摄像头捕捉到的图像之间的距离。另一个神经网络以标注图像的形式，为前者创建训练材料。

在该项专利中，特斯拉表示，需要在不限制车载传感器捕捉和处理数据量的情况下，确定合适的传感器数量。特斯拉表示，视觉传感器，如雷达、激光雷达和超声波传感器，安装成本较高，而且会增加自动驾驶系统的“输入带宽要求”。该专利描述了传感器和摄像头的平衡配置，以确定车辆与周围物体的距离。这将使特斯拉能够采用性能可与行业领先企业媲美的系统，同时尽可能降低成本。

特斯拉称，“随着传感器数量和类型的增加，系统的复杂性和成本也在增加。此外，每增加一个传感器，都会增加自动驾驶系统的输入带宽要求。因此，需要找到传感器的最优配置，限制传感器的总数，而不限制其捕捉数据的数量和类型，从而准确描述周围环境，安全控制车辆。”

此外，该项专利还为特斯拉提供自动标注视觉数据的方法。由于标注是特斯拉FSD（全自动驾驶）开发过程中最耗时的部分之一，因此该系统可能会加速该公司FSD和 Autopilot套件的开发和更新。

特斯拉还表示，“在各种实施方案中，辅助数据与视觉数据的收集和关联都是自动完成的，并且几乎不需要人工干预。例如，使用视觉技术识别的物体不需要手工标注，显著提高了机器学习训练的效率。训练数据可以自动生成，并用于训练机器学习模型，从而能以很高的精度预测物体属性。”

特斯拉专利中描述的配置将显著提升其FSD技术。此种方法可能会减少特斯拉对传感器的依赖，并增加从图像中提取的数据量，从而改善FSD测试版本性能。