Cómo resuelve el FSD de Tesla la conectividad de carril (Cómo funciona

Vista aérea de una ilustración de conectividad de carriles

El sistema FSD de Tesla ha seguido constantemente un enfoque central: navegar e interactuar con el mundo físico utilizando únicamente detección por visión e inteligencia artificial generalizada.

Explicaciones previas sobre cómo funciona el FSD han descrito cómo sus redes neuronales construyen espacios tridimensionales a partir de píxeles bidimensionales y rastrean objetos en movimiento a lo largo del tiempo. Sin embargo, uno de los problemas más difíciles de la autonomía no son los obstáculos dinámicos, sino la lógica implícita, cambiante y centrada en el ser humano del diseño vial.

En una intersección compleja y sin mapear de varios carriles, un vehículo autónomo debe inferir qué carril de entrada conecta con qué trayectoria de salida. Empresas como Waymo y Zoox abordan esto dependiendo de mapas de alta definición localizados y frágiles. Tesla aborda la tarea como un problema de inferencia dinámica.

Una patente reciente, US 2026/0170852 A1, titulada "Modelo de aprendizaje automático basado en visión para la conectividad de carriles en la conducción autónoma o semiautónoma", describe una solución que adapta una arquitectura común en la IA generativa y los LLM: el transformador autorregresivo.

Tokenización del asfalto

Los modelos de lenguaje extensos (LLM) generan texto token por token. Cuando un sistema como Grok produce texto, selecciona el siguiente token más probable basándose en los tokens ya emitidos, en lugar de generar un párrafo completo en un solo paso.

Tesla aplica una estrategia similar a la geometría vial. A medida que el coche conduce, el sistema de visión introduce imágenes sin procesar en las redes neuronales del FSD. Las redes troncales procesan los píxeles y un transformador de atención cruzada fusiona múltiples vistas de cámara en un espacio vectorial tridimensional desde arriba, conocido como vista de pájaro (BEV).

El flujo integral es: [Píxeles de cámara] ➔ [Redes troncales] ➔ [Fusión multicámara] ➔ [Transformadores autorregresivos] ➔ [Grafo de carriles]

Con la representación espacial establecida, la red comienza a "leer" la intersección. Tokeniza las coordenadas de modo que las posiciones físicas de la carretera se representen como tokens discretos.

Los bloques autorregresivos seleccionan entonces una coordenada semilla, como el punto de inicio de un carril, y predicen puntos espaciales sucesivos (coordenadas X, Y) a lo largo de la trayectoria transitable.

El bucle autorregresivo

Predicción inicial: La red identifica un token de entrada en la boca de una intersección.

Alimentación contextual: Ese token se retroalimenta en los bloques autorregresivos junto con mapas de características espaciales.

Rastreo secuencial: Utilizando el contexto acumulado, el modelo predice el siguiente punto plausible en el carril, encadenando los tokens en una trayectoria precisa a través de la intersección.

Etiquetado de atributos estructurales: Paralelamente, el sistema asigna atributos a cada token de coordenada, etiquetando si un punto corresponde a una trayectoria de viaje estándar, un vector de incorporación, una desviación de bifurcación o el interior de una intersección sin líneas pintadas visibles.

El bucle se repite muchas veces, normalmente entre 64 y 108 inferencias por ciclo. Cuando un carril se ha trazado y terminado por completo, el proceso se reinicia para modelar los carriles vecinos.

Al expresar los carriles como una secuencia de tokens, la red escribe efectivamente una "oración" que captura toda la intersección. Incluso en una impredecible división de cinco vías o una curva cerrada, el transformador utiliza el contexto circundante para mantener una trayectoria consistente, de modo que el vehículo no cambie de camino a mitad de la intersección.

Superar la amnesia a través del tiempo y el espacio

La patente señala que las carreteras reales presentan a menudo interrupciones sensoriales: las marcas de los carriles pueden estar desgastadas, oscurecidas por escombros de obras o escondidas detrás de vehículos grandes, como camiones de carga. Para contrarrestar la amnesia espacial inmediata, el sistema incorpora un módulo dedicado de cola de video.

Esta cola de video proporciona memoria espacial y temporal a corto plazo. A medida que el vehículo avanza, se conservan las características de marcas de tiempo anteriores. Un paso de alineación de fotogramas las mantiene coherentes a lo largo del tiempo; por ejemplo, si el coche se desplaza 20 metros, los mapas de características históricos en la cola se desplazan para compensar el automovimiento.

Con esta alineación, si una línea de carril desaparece bajo un vehículo cercano, los bloques autorregresivos pueden hacer referencia a características históricas para seguir prediciendo la conectividad del carril sin interrupción.

Los mapas son una sugerencia, no la verdad

La industria ha argumentado durante mucho tiempo que una operación sin conductor segura requiere mapas HD con precisión de centímetros. Tesla Vision ya ha demostrado una alternativa generalizada, y esta patente detalla cómo ese enfoque puede funcionar para la conectividad de carriles.

Los datos cartográficos estándar pueden proporcionarse como una entrada auxiliar, pero solo como una sugerencia. La arquitectura puede inyectar una señal de "no sé" cuando los datos del mapa localizado parecen poco fiables u obsoletos para una zona geográfica determinada.

Priorizar la visión en vivo garantiza que el sistema se comporte más como un humano experto: considera la escena, interpreta el contexto de la intersección e infiere la ruta correcta mediante el razonamiento visual en lugar de depender de entradas de mapas obsoletas.

A medida que Tesla avanza hacia la comercialización de una red de transporte sin conductor supervisado, este trabajo indica que el sistema no solo está procesando imágenes, sino que está leyendo activamente el mundo.