Come l'FSD di Tesla risolve la connettività delle corsie (Come funzion

Overhead view of lane connectivity illustration

L’FSD di Tesla ha seguito in modo coerente un approccio centrale: orientarsi e interagire con il mondo fisico usando solo la visione come sensore e un’intelligenza artificiale generalizzata.

Le prime spiegazioni del funzionamento di FSD hanno descritto come le sue reti neurali costruiscano spazi tridimensionali a partire da pixel bidimensionali e tengano traccia degli oggetti in movimento nel tempo. Eppure, uno dei problemi più difficili nell’autonomia non sono gli ostacoli dinamici, ma la logica implicita, mutevole e centrata sull’essere umano della progettazione stradale.

In un incrocio complesso, non mappato e a più corsie, un veicolo autonomo deve dedurre quale corsia in ingresso si collega a quale percorso in uscita. Aziende come Waymo e Zoox affrontano questo problema affidandosi a mappe locali ad alta definizione ma fragili. Tesla affronta il compito come un problema di inferenza dinamica.

Una recente domanda di brevetto, US 2026/0170852 A1, intitolata "Vision-Based Machine Learning Model for Lane Connectivity in Autonomous or Semi-Autonomous Driving", descrive una soluzione che adatta un'architettura comune all'IA generativa e agli LLM: il trasformatore autoregressivo.

Tokenizzare l’asfalto

I Large Language Model generano testo token per token. Quando un sistema come Grok produce testo, seleziona il token successivo più probabile in base ai token già emessi, invece di generare un intero paragrafo in un solo passaggio.

Tesla applica una strategia simile alla geometria stradale. Mentre l’auto guida, il sistema di visione invia immagini grezze alle reti neurali di FSD. Le reti backbone elaborano i pixel e un transformer con cross-attention fonde le viste di più telecamere in uno spazio vettoriale tridimensionale dall’alto, noto come vista a volo d’uccello (BEV).

Il flusso end-to-end è: [Pixel della telecamera] ➔ [Reti backbone] ➔ [Fusione multicamera] ➔ [Transformer autoregressivi] ➔ [Grafo della corsia]

Una volta stabilita la rappresentazione spaziale, la rete inizia a "leggere" l’incrocio. Tokenizza le coordinate in modo che le posizioni fisiche della strada siano rappresentate come token discreti.

I blocchi autoregressivi scelgono quindi una coordinata iniziale, come il punto di partenza di una corsia, e prevedono punti spaziali successivi (coordinate X, Y) lungo il percorso percorribile.

Il ciclo autoregressivo

Previsione iniziale: La rete identifica un token di ingresso alla bocca di un incrocio.

Alimentazione contestuale: Quel token viene reinserito nei blocchi autoregressivi insieme alle mappe delle caratteristiche spaziali.

Tracciamento sequenziale: Utilizzando il contesto accumulato, il Model prevede il successivo punto plausibile nella corsia, concatenando token in un percorso preciso attraverso l'incrocio.

Etichettatura degli attributi strutturali: In parallelo, il sistema assegna attributi a ogni token di coordinata, etichettando se un punto corrisponde a un percorso di marcia standard, a un vettore di fusione, a una deviazione di biforcazione o all’interno di un incrocio senza linee di vernice visibili.

Il ciclo si ripete molte volte, in genere tra 64 e 108 inferenze per ciclo. Quando una corsia viene tracciata completamente e terminata, il processo ricomincia per creare il Model delle corsie adiacenti.

Esprimendo le corsie come una sequenza di token, la rete scrive di fatto una "frase" che cattura l’intero incrocio. Anche in una divisione imprevedibile a cinque vie o in una curva stretta, il transformer usa il contesto circostante per mantenere una traiettoria coerente, così che il veicolo non cambi percorso a metà incrocio.

Superare l’amnesia nel tempo e nello spazio

Il brevetto osserva che le strade reali presentano spesso interruzioni sensoriali: le linee di corsia possono essere usurate, oscurate da detriti di cantiere o nascoste dietro grandi veicoli precedenti come camion telonati commerciali. Per contrastare l’amnesia spaziale immediata, il sistema integra un modulo dedicato di coda video.

Questa coda video fornisce memoria spaziale e temporale a breve termine. Man mano che il veicolo avanza, le caratteristiche dei timestamp precedenti vengono conservate. Una fase di allineamento dei frame le mantiene coerenti nel tempo; per esempio, se l’auto si sposta di 20 meters, le mappe delle caratteristiche storiche nella coda vengono traslate per compensare il movimento ego.

Con questo allineamento, se una linea di corsia scompare sotto un veicolo vicino, i blocchi autoregressivi possono fare riferimento alle caratteristiche storiche per continuare a prevedere la connettività della corsia senza interruzioni.

Le mappe sono un indizio, non la verità

Da tempo il settore sostiene che un funzionamento sicuro senza conducente richieda mappe HD con precisione centimetrica. Tesla Vision ha già dimostrato un’alternativa generalizzata, e questo brevetto descrive come tale approccio possa funzionare per la connettività delle corsie.

I dati cartografici standard possono essere forniti come input ausiliario, ma solo come indizio. L’architettura può inserire un segnale "non lo so" quando i dati cartografici localizzati risultano inaffidabili o obsoleti per una determinata area geografica.

Dare priorità alla visione dal vivo fa sì che il sistema si comporti più come un umano esperto: considera la scena, interpreta il contesto dell’incrocio e deduce il percorso corretto attraverso il ragionamento visivo invece di dipendere da voci di mappa datate.

Mentre Tesla si muove verso la commercializzazione di una rete di ride-hailing senza supervisione, questo lavoro indica che lo stack non si limita a elaborare immagini: sta leggendo attivamente il mondo.