第二步，根据跟踪再去计算这个障碍物的速度。采用Rule-based代表传统的方法，物体遮挡后很可能会跟丢；VTA网络采用的data-driven算法是通过数据驱动模型学习出来的，具备比较长的记忆能力，能够在消失之后，知道这还是之前见过的同一个物体，这是视觉能力的重大飞跃。
速度估计方面，传统的方法用距离除以时间得出速度，但是因为帧与帧之间只有1/10秒，分母太小，也就意味着如果在三维位置的估计上稍有不准，这个速度的值就会很跳变。
用传统方法算出来的障碍物速度，因为中间有遮挡等等原因，速度非常的不连续，决策规划达到一定速度，就很难做出一个正确的判断。但是通过端到端的机器学习，就可以持续输出一个相对稳定的速度估计，非常精准的一条速度估计曲线。
03
新增实时建图能力
此外，VTA网络新增了视觉的实时建图的能力。
极越的纯视觉的建图能力有几个大的特点，首先有非常丰富的道路元素感知能力，极越支持总共101类，建图场景需要识别的元素，基本覆盖了道路所有元素，例如鱼骨线，曲化道路，阶梯停止线，五岔路口等，都在识别范围内。
第二，非常精准的几何测距和建图的能力，结合之前在场景里面检测一些车道线的特征点，再通过后处理，把这些特征点组织起来拟合成曲线，用VTA网络直接去学习这个道路的结构，这个曲线不用再去做后处理的拟合，直接就从VTA网络里面吐出来，天然就是一条完整的车道线，非常便于后续的建图，使精度是达到厘米级。
第三，广泛的道路拓扑构建能力，能够发现和应对现实的变更，对地图的误差做冗余和消化的能力。
04
视觉场景阅读理解能力
VTA网络还增强了对视觉阅读理解能力。
人类能判断的一些事情，比如这个人是不是要穿过马路，还是他会老老实实的等红绿灯，还是说这个车到底是一个违停的车辆在路边，还是在排队等红绿灯，人是马上就能反应过来。但对算法来说，是一个比较难的问题，可能需要若干的小模型和一堆的if else的条件假设参数去做这样的判断。VTA网络通过video连续帧通过transformer，可以学习到很多道路参与者的意图。
极越也对决策规划算法进行了比较大的升级。现在极越采用一颗更深更广的决策树来对复杂城市场景里面的交互博弈进行处理。
按scaling laws的逻辑，随着模型大小、数据集大小和用于训练的计算浮点数的增加，模型的性能会提高。为了获得最佳性能，所有三个因素必须同时放大。当不受其他两个因素的制约时，模型性能与每个单独的因素都有幂律关系.