@
cenbiq 然后给定 S=4 (每类 4 个) P=3 ( 3 类传感器),求 C 的收益最大化临界值,它给的结论是
“
- 当 C < 37 ,提升 C 的收益更大,优先优化决策与规划能力(如更好的 AI 训练、强化学习)。
- 当 C > 37 ,感知能力的提升开始逐渐接近甚至超过 C 的提升收益,合理分配资源。
- 当 C >= 60 ,感知能力的提升变得更有价值,因为决策系统已经足够成熟,可以利用更丰富的感知数据。
”
并最终建议
“
对于 S = 4, P = 3 这样的较强感知系统:
- 如果 C < 37 ,应该主要投入资源优化决策与规划能力。
- 如果 37 <= C <= 60 ,可以同时考虑提升感知能力,但提升 C 仍然更重要。
-如果 C >= 60 ,感知能力的提升成为主要瓶颈,应重点优化传感器融合、数据处理能力等。
”
结合 GPT 的意见,再考虑到融合传感器带来的成本,尤其是考虑到目前 FSD 方案下纯视觉完全没有融合传感器的情况(这可能放大了融合的成本),FSD 极有可能目前仍然认为提升 C 值更具有性价比(并可同时提升 S 来放大 C 的收益,只要不提升 P 也就是传感器维度成本不会爆增加,也就是不融合其它传感器只是加强学习驾驶和增加摄像头,如果 FSD 如此,那么其它投入更小的自动驾驶方案呢?),但这也预示着最终提升 C 、S 值不再具有性价比,到时 FSD 必然只有提升 P 这一个选项,也就是增加传感维度。