Tesla RoboTaxi 挑战性测试：

$特斯拉(TSLA.US) 在油管看到一个针对 RoboTaxi 的挑战测试，结论是乐观的。https://youtu.be/OVqIkyDtxxo?si=faTo9kjyJkwRWD3n 让整理出来了完整测试的里面包含的 case。有趣的是，里面的 case，都是测试者自己扮演一个正常的乘客，然后寻找一些 Corner Case 不断的挑战 RoboTaxi

好的，以下是根据您提供的 YouTube 视频内容，对特斯拉 Robotaxi 进行的各项测试案例及其过程、结果和结论的详细整理：

测试案例 1：接送点即时调整——进入封闭区域受阻

• 测试目标/过程： 测试者故意阻挡 Robotaxi 进入他要求接载的院子。
• 结果： Robotaxi 没有像预期的那样停在路中间，而是接受了无法进入的事实，并即时调整了接载点到院子外的最近位置。
• 结论： 这表明了 “真正的智能”。与当前其他自动驾驶汽车经常停在不当位置且不顾交通堵塞的情况不同，Robotaxi 似乎真正考虑了交通流量，并努力寻找一个不妨碍交通的位置。

测试案例 2：接送点即时调整——无停车街道接载

• 测试目标/过程： 测试者要求在一条禁止停车的街道上接载，以观察 Robotaxi 是否会双重停车。
• 结果： Robotaxi 开过了请求的接载点，但继续缓慢行驶到街道尽头，并在那里找到了一个可以靠边停车且不阻碍交通的位置等待。
• 结论： 这种即时调整能力令人印象深刻，因为它考虑了交通流量，并从未让测试者感到不便，总是能找到一个安全且不妨碍他设置或收拾摄像装备的位置。这表明它在驾驶过程中对交通流有很好的考虑。

测试案例 3：车窗自动关闭功能

• 测试目标/过程： 测试者下车时故意将车窗摇下。
• 结果： Robotaxi 利用后座占用传感器感应到乘客离开后，自动将车窗摇回。如果之后再次摇下车窗，它们会保持打开状态直到下一位乘客。
• 结论： 测试者对此功能感到惊讶，认为特斯拉考虑到了这一点。

测试案例 4：驾驶员车门解锁状态

• 测试目标/过程： 测试者检查了 Robotaxi 的驾驶员车门。
• 结果： 发现驾驶员车门是解锁的。
• 结论： 这让测试者感到惊讶，Robotaxi 账户似乎也不太满意，但这可能可以通过软件更新解决。

测试案例 5：假装睡着测试（“小睡测试”）

• 测试目标/过程： 测试者在到达目的地后坐在后座假装睡着。此前，他曾不小心在车内打了个盹，并因此对 Robotaxi 产生了极大的信任。
• 结果： 等待 2 分钟后，一位远程支持人员通过汽车的扬声器询问是否一切正常，确认乘客已到达目的地但尚未下车。
• 结论： Robotaxi 对此情况 “有所考虑”。这项测试旨在了解如果乘客完全昏迷会发生什么。

测试案例 6：前保险杠摄像头使用情况——放置行李阻挡（第一次尝试）

• 测试目标/过程： 测试者将随身行李直接放在车前，前保险杠摄像头应该能清楚看到。他明确告知了安全员。
• 结果： Robotaxi 向前稍微冲了一下，然后危险警示灯亮起，车辆停止。安全员没有让车辆继续行驶，即使等待了很长时间。测试者最终移走了行李。
• 结论： 测试者认为，是安全员阻止了车辆前进，而不是车辆自己停下来的。

测试案例 7：前保险杠摄像头使用情况——放置行李阻挡（第二次尝试，悄悄进行）

• 测试目标/过程： 测试者悄悄地将行李放在车前，没有让安全员看到（因为那是安全员的盲区）。
• 结果： 视频中没有明确说明具体结果，但暗示车辆的行为表明它没有 “看到” 行李。
• 结论： 这 “基本证实” 了测试者关于Robotaxi 没有使用前保险杠摄像头的理论。他还观察到乘客车门打开和关闭的声音，这证实了他的另一个理论，即该按钮被安全员用作紧急停车按钮。因此，他得出结论，Robotaxi 是 **“更好版本的 V13”**，并且存在 V13 版本已有的问题，例如过早进入转弯车道或不必要的变道。他认为这是一个积极的信号，因为这意味着该软件可以在没有前保险杠摄像头的车辆上运行（硬件 4，而非硬件 3）。他相信，即使没有前保险杠摄像头，硬件 4 也足以实现无人驾驶。

测试案例 8：用赛博卡车 “骚扰” Robotaxi

• 测试目标/过程： 测试者的朋友驾驶赛博卡车，故意在 Robotaxi 前面无故减速，假装靠边停车，并阻挡 Robotaxi 的路径，车速远低于限速，试图 “激怒” 它。
• 结果： Robotaxi 决定绕过赛博卡车。当它需要右转而卡车阻挡了舒适的变道时，它首先尝试稍微加速以超车。当这不起作用时，它改变了策略，急剧减速，几乎完全停止在拐角处，以进入右侧车道。赛博卡车司机随后停止了干扰行为。
• 结论： 测试者认为 Robotaxi 处理得 “绝对完美”，展现了 “人性化” 的驾驶风格，并且似乎能理解人类驾驶员的意图。

测试案例 9：重新规划路线——停车场出口被堵

• 测试目标/过程： 停车场的一个出口被堵住了。
• 结果： Robotaxi 没有丝毫犹豫，立即找到了新的出停车场路线。
• 结论： 这显示了比当前 FSD 版本更好的重新规划路线能力。

测试案例 10：重新规划路线——左转车道拥堵

• 测试目标/过程： 导航要求从停车场左转，然后立即在红绿灯处再次左转，但左转车道已经严重拥堵。
• 结果： Robotaxi 没有等待，而是决定右转并绕过街区，甚至在导航路线更改之前就执行了此操作。
• 结论： 这一行为 “绝对棒”，展现了良好的判断和路线重新规划能力。

测试案例 11：恶劣天气（大雨/积水街道）下的驾驶

• 测试目标/过程： 在 “圣经般” 的大雨中，街道完全被洪水淹没的情况下驾驶。
• 结果： 车辆 “自信而平稳地” 行驶，从未要求人工干预。它在防滑和暴雨中表现出色。
• 结论： “特斯拉 AI 团队做得非常出色”。车辆的硬件 “非常能够在这种条件下驾驶”，这与当前 FSD 版本 “遇到一点雨就放弃” 形成鲜明对比。

测试案例 12：在地理围栏边缘下车/倒车进入得来速（首次事件）

• 测试目标/过程： 导航到地理围栏外部稍微远一点的目的地，导致 Robotaxi 在边缘（一家 Popeye's 快餐店）下客。乘客下车后，车辆右转，开始倒车进入得来速车道。
• 结果： 车辆在快要倒车进入得来速车道之前停了下来，然后 “缓慢地倒退”。
• 结论： 最初，测试者倾向于认为是远程操作，因为他自己的 FSD 通常会进行多点转向，而不是持续倒车。

测试案例 13：倒车进入得来速（重复测试）

• 测试目标/过程： 几分钟后，测试者叫了另一辆车到完全相同的位置，看是否会发生同样的错误。
• 结果： 车辆再次右转，并开始倒车进入得来速车道。安全员差点干预，但没有。车辆 “似乎自己理解” 它正在倒车，并自己进行了 “缓慢的倒退”。
• 结论： 尽管车辆不应该犯这个错误，但它之后的处理方式 “完美且非常有趣”。在随后的 6-7 次尝试中，车辆再也没有犯同样的错误，而是进行了三点转向或选择了新的下客点。

测试案例 14：通过积水区域/安全员干预（首次事件）

• 测试目标/过程： 从酒店接载时，车辆需要通过一段积水区域。安全员停止了车辆并按下了 “车道内停止” 按钮。
• 结果： 危险警示灯立即亮起，Robotaxi 停止。测试者最初以为是车辆自己停了下来。联系了远程支持，但由于技术问题无法连接，无法提供帮助。最终，行程被取消并重新预订。
• 结论： 这揭示了安全员可以手动将地理围栏内的区域标记为禁止车辆行驶的区域。这也暴露了远程支持连接和恢复方面的潜在问题。

测试案例 15：通过积水区域（后续测试/观察）

• 测试目标/过程： 在前一个事件发生后，测试者重新预订了从同一地点的行程。下一辆 Robotaxi 尝试了完全相同的方向。
• 结果： 这次，安全员没有阻止车辆通过积水。然而，在此之后，该整个区域都被禁止选作接送地点。在其他区域早期的尝试中，车辆显示出随机性，有时会直接穿过积水，有时会进行三点转向以避开，但即便在水下，它似乎也能理解路缘的位置。
• 结论： 确认了不同的安全员有不同的干预容忍度。还发现区域可以被手动禁用。车辆决策的随机性是神经网络的副产品。

总体观察/表现（非受控测试，但重要发现）

• 观察： Robotaxi 通常 “自信地执行周围所有人期望它做的事情”。尽管是白色座椅，但许多人甚至没有注意到驾驶座上没有人。
• 结论： 这是基于人类驾驶数据进行训练的一个主要优势。总体印象是 “非常深刻”，特别是考虑到这是它的第一个迭代版本。它是 “有史以来最糟糕的版本”，这意味着它只会越来越好。即使在犯错误时，也从未将测试者置于危险境地。当前 Robotaxi 最危险的部分是 “路上的其他人类驾驶员”。

观察/弱点：避免已知不良驾驶员

• 观察： Robotaxi 在识别和避免 “不良驾驶员”（例如，一辆斯巴鲁突然漂移到它的车道并刹车，驾驶员盯着手机）方面存在困难。它将他们视为普通车辆，并再次被 “套住”。
• 结论： 测试者希望下一代 FSD 能改进这一点，这可能需要 10 倍于当前版本的参数以获得更好的 “记忆”。