Kada pomislite na njih, mogli biste pretpostaviti da je Tesla dobro poznato ime u automobilskoj industriji. Tesla, pionir električnih automobila, je bez sumnje. Međutim, oni su tehnološka firma, što je tajna njihovog uspjeha.
Jedna od stvari koja je učinila njihovo poslovanje uspješnim je korištenje umjetne inteligencije tehnologije. Potpuna automatizacija Teslinih vozila jedan je od trenutnih prioriteta kompanije, a da bi postigli ovaj cilj, koriste AI i njegove brojne komponente.
Najavom svog dolaska početkom 2021. Tesla stvorio pometnju na potkontinentu. Elon Musk je skoro spreman da uspostavi Bangalore, Indija, kao proizvodni centar Tesla Indije.
Stručnjaci za umjetnu inteligenciju u Indiji navijali su dok se nastavljaju memovi i tvitovi o tome kako će hvaljeni „automobili koji se sami voze“ raditi u Indiji.
Čitav val umjetne inteligencije koji će na kraju zavladati svijetom tek počinje.
Ovaj post će detaljno ispitati kako Tesla integriše AI u svoj sistem, uključujući specifičnosti i druge informacije.
Dakle, kako AI podučava autonomnu vožnju u automobilima?
Autonomna vozila kontinuirano analiziraju podatke sa svojih senzora i kamera za mašinski vid kako bi mogli samostalno voziti. Zatim koriste ove podatke kako bi odlučili šta dalje.
Oni koriste umjetnu inteligenciju da shvate i predvide sljedeće pokrete bicikala, pješaka i automobila. Oni mogu koristiti ove informacije da brzo planiraju svoje akcije i donose odluke u djeliću sekunde.
Da li automobil treba da nastavi svojom sadašnjom trakom ili da promeni traku? Da li da nastavi tamo gde jeste ili da prođe automobil ispred njih? Kada vozilo treba usporiti ili ubrzati?
Tesla mora prikupiti odgovarajuće podatke kako bi trenirao algoritme i hranio svoju umjetnu inteligenciju kako bi automobili bili potpuno autonomni. Bolji učinak uvijek će biti rezultat više podataka o treningu, a Tesla blista u ovoj oblasti.
Činjenica da Tesla prikuplja sve svoje podatke od stotina hiljada Teslinih vozila koja su sada na putu daje im konkurentsku prednost. I unutrašnji i vanjski senzori prate kako se Tesla ponašaju u različitim okolnostima.
Oni takođe prikupljaju informacije o ponašanju vozača, uključujući kako reaguju na određene okolnosti i koliko često dodiruju volan ili kontrolnu tablu.
„Učenje imitacijom“ naziv je Tesline strategije. Milioni pravih vozača širom svijeta donose presude, odgovaraju i kreću se, a njihovi algoritmi uče iz tih radnji. Svi ti kilometri rezultiraju nevjerovatno sofisticiranim autonomnim vozilima.
Njihov sistem praćenja je zaista napredan. Na primjer, Tesla pohranjuje trenutni snimak podataka, dodaje ga skupu podataka, a zatim rekreira apstraktni prikaz svijeta koristeći oblike označene bojama koje neuronska mreža mogu učiti od. Ovo se dešava kada vozilo Tesla pogrešno predvidi ponašanje automobila ili bicikla.
Druge kompanije koje razvijaju autonomna vozila oslanjaju se na sintetički podaci, što je znatno manje efikasno od podataka iz stvarnog svijeta koje Tesla koristi za obuku svojih AI (na primjer, ponašanje u vožnji iz video igrica poput Grand Theft Auto).
Sada ćemo ispitati Tesline komponente koje koriste prednosti AI.
Tesline komponente koje koriste prednosti AI
Kamera i senzori
Odgovornosti koje Tesla mora ispuniti su prilično dobro poznate. Sve ove operacije, od identifikacije trake do praćenja pješaka, izvode se u realnom vremenu. Tesla je iz tog razloga radio uz pomoć 8 kamera. Osim toga, prisustvo ovolikih kamera osigurava da nema slijepe zone i da je cijelo područje oko automobila pokriveno.
Istina je ono što ste upravo pročitali! nema LIDAR Nema sistema za mapiranje visoke definicije. Tesla želi da koristi samo kompjuterski vid, mašinsko učenje, i video feedove kamere za kreiranje modela auto-pilota. Konvolucione neuronske mreže (CNN) se zatim koriste za analizu sirovog videa kako bi se pratile i detektovati objekte.
Teslin autopilot takođe ima radarske i ultrazvučne senzore pored kamera. Radar se koristi za otkrivanje i mjerenje razmaka između vozila i drugih objekata. Kako bi se optimizirala sigurnost vozača, ultrazvučni senzori također funkcionišu u skladu s praćenjem blizine s pasivnim objektima.
Da bi se razumjelo okruženje automobila i da bi mogućnosti autopilota bile što osjetljivije, neuronske mreže su integrirane sa Teslinim hardverom.
Tesla FSD čip -3
Za poboljšane performanse i sigurnost na putevima, Tesla sistemi uključuju dva AI procesora. Tesla sistem nastoji da bude bez grešaka. Čak i ako jedna jedinica pokvari, automobil i dalje može funkcionirati koristeći dodatne jedinice zbog rezervnog napajanja i izvora unosa podataka.
Tesla koristi ove dodatne mjere kako bi osigurao da su automobili dobro opremljeni kako bi izbjegli sudare u slučaju nepredviđenog kvara. Samo ljudski mozak može izvršiti više operacija u sekundi od novog Teslinog mikroprocesora (1 kvadrilion operacija u sekundi). To je oko 21 puta snažnije od Tesla Nvidia mikročipova koji su ranije bili u upotrebi.
TEsla je nesumnjivo tržišni lider za potpuno autonomne lokomotive, ali je još uvijek daleko od proizvodnje najmodernijeg autopilota.
U budućnosti će automobil sa kvalitetima koje smo opisali u ovom eseju nesumnjivo postati uobičajen. Tesla je kreirao vlastite vrhunske AI procesore i arhitekturu neuronske mreže.
Obuka neuronske mreže
Model također mora biti obučen nakon neuronskih mreža su kreirani. Svjesni smo da je Tesla postavio širok spektar biblioteka i alata kako bi omogućio vrhunske mogućnosti kompjuterskog vida.
pytorch, koji je kreirao Facebookov odjel za istraživanje umjetne inteligencije, jedan je od takvih okvira (FAIR). PyTorch koristi Tesla tech stack trenirati model dubokog učenja.
Važno je napomenuti da se Tesla ne oslanja na mape ili LIDAR da bi postigao potpunu autonomiju. Koriste se isključivo kamere i čisti kompjuterski vid, a sve se radi u realnom vremenu.
Tesla koristi Pytorch za obuku kao i razne pomoćne aktivnosti kao što su automatizirani tijek rada zakazivanje, kalibracija pragova modela, temeljna procjena, pasivno testiranje, simulacijski testovi, itd.
Tesla troši oko 70,000 GPU sati obučavajući 48 mreža koje prave 1,000 različitih predviđanja. Ova obuka je u toku, ne samo jednom. Svjesni smo da je umjetna inteligencija iterativni proces koji napreduje s vremenom. Kao rezultat toga, svih 1000 zasebnih prognoza ostaju tačne i nikada ne padaju.
HydraNet
U toku je oko 100 poslova u svakom trenutku, čak i kada se automobil ne kreće i najvjerovatnije je na raskrsnici. Upotreba neuronske mreže za svaki zadatak je skupa i neefikasna. Ogromne količine informacija obrađuju se u realnom vremenu pomoću AI u Teslinim vozilima.
Kao rezultat toga, ResNet-50 zajednička okosnica, koja može obraditi 1000 x 1000 slika odjednom, služi kao centralna procesorska jedinica za radni tok Computer Vision.
Blizu vrha mreže, HydraNet neuronska mreža se dijeli na nekoliko grana (ili glava). Ako svaka mikro serija podataka za obuku bude različito ponderisana za mnoge glave, ove glave se podučavaju nezavisno i uče različite stvari.
Naravno, postoji nekoliko primjera ovih HydraNet-ova koji rade zajedno na procesuiranju AI za vozila. Svaka HydraNet informacija se koristi za otklanjanje ponavljajućih problema.
Na primjer, zadatak može biti aktivan za rukovanje znakovima za zaustavljanje, drugi za rješavanje pješaka, a treći za ispitivanje saobraćajne signalizacije. Sve ove različite dužnosti obavlja zajednička kičma.
Prema HydraNet arhitekturi, za svaki od ovih zadataka potreban je samo mali dio ogromne neuronske mreže.
Ovo je prilično slično transfernom učenju, gdje se različiti blokovi obučavaju za zajednički blok za određene povezane zadatke. Okosnice HydraNets-a se obučavaju za razne stvari, dok se glave podučavaju na određenim poslovima.
Ovo smanjuje količinu vremena potrebnog za obuku modela i ubrzava zaključivanje.
Tesla autopilot
Automobili sa mogućnostima autopilota mogu autonomno upravljati, ubrzavati i zaustavljati se u traci. Konstruiran je korištenjem koncepata dubokih neuronskih mreža. Posmatra područje oko automobila pomoću kamera, ultrazvučnih senzora i radara.
Senzori i kamere obavještavaju vozače o svom okruženju, a ove informacije se analiziraju u roku od nekoliko milisekundi kako bi pomogle da vožnja bude sigurnija i manje stresna.
U svijetlim, tamnim i raznim vremenskim okolnostima, radar se koristi za promatranje i procjenu prostora koji okružuje automobile. U svakoj situaciji ultraljubičaste metode određuju blizinu, a pasivni video identifikuje objekte u blizini i promoviše sigurnu vožnju.
Osim toga, autopilot je dizajniran da pomogne vozaču i ne pretvara Teslu u samovozeće vozilo. Uobičajena je praksa upozoravati vozače da drže ruke na volanu.
Niz upozorenja da preuzmete volan se aktivira ako to ne učinite. Ako se ignoriše mnogo duže, automobil počinje da usporava pre nego što se zaustavi. Kočenjem, okretanjem ili deaktiviranjem ručice tempomata, vozači uvijek mogu nadjačati funkcije autopilota.
Pogled iz ptičje perspektive
Slike koje Tesla hardver često tumači mogle bi zatrebati dodatne dimenzije. Funkcija Bird's Eye View olakšava mjerenje daljih udaljenosti i nudi precizniji prikaz vanjskog svijeta.
To je sistem vizuelnog nadzora koji „renderuje“ sliku automobila odozgo kako bi parkiranje bilo jednostavnije i navigacija na malim mestima lakša. Bez potrebe da dajete jadno opravdanje o svojim mogućnostima parkiranja, sada možete bezbedno da preuzmete volan.
Budućnost Tesle
Ako tražite SUV srednje veličine sa jakim rasponom, 2022 Tesla Model Y je fantastična polazna tačka za EV. Zbog redovnih nadogradnji softvera, Model Y se stalno mijenja, kao i mnogi drugi Teslini proizvodi.
Povećavajući sigurnost i funkcionalnost, ove nadogradnje pomažu vašem automobilu da bude korisniji. Za ljude koji trebaju putovati na velike udaljenosti sa porodicom i raznim prtljagom, prostrana karoserija i pristup Teslinoj mreži Supercharger čine ga odličnim izborom.
Od svog početka, Tesla ima koristi od podataka iz svoje trenutne baze korisnika, a njen rad na autonomnim vozilima dio je njene stalne ambicije da stavi AI u srž svih svojih operacija.
AI i veliki podaci i dalje će biti Elon Musk i njegov tim u Teslinim vjernim saveznicima dok se kreću u svoje najnovije inicijative, uključujući njihove težnje da transformišu električnu mrežu pomoću svojih kućnih solarnih panela.
zaključak
Tesla, kompanija koja je prepoznata kao jedan od najagresivnijih inovatora na tržištu, oduvijek je prikupljanje i analizu podataka činila svojim najmoćnijim alatom. Oni su slijedili ista pravila kada je u pitanju stvaranje vlastitih čipova.
Kompanija je razvila autonomna vozila koja imaju potencijal da u potpunosti promene način na koji vozimo automobile zahvaljujući veštačkoj inteligenciji i analizi podataka.
Hajde da vidimo koliko dobro platforma ispunjava svoja obećanja i razvija svoje poslovanje. Gdje će kompanija ići na tržištu autonomnih vozila u budućnosti, ostaje da se vidi nakon što iskoristi ove tehnologije.
Ostavite odgovor