Du kan antage, at Tesla er et velkendt navn i bilindustrien, når du tænker på dem. Tesla, en pioner inden for elektriske biler, er uden tvivl. Men de er et teknologisk firma, hvilket er hemmeligheden bag deres succes.
En af de ting, der har gjort deres forretning succesfuld, er brugen af kunstig intelligens teknologier. Den fulde automatisering af Teslas køretøjer er en af virksomhedens nuværende topprioriteter, og for at nå dette mål bruger de AI og dets mange komponenter.
Ved at annoncere sin ankomst i begyndelsen af 2021, Tesla skabte røre på subkontinentet. Elon Musk er næsten klar til at etablere Bangalore, Indien, som Tesla Indiens produktionshub.
AI-eksperter i Indien jublede, mens memes og tweets om, hvordan de meget roste "selvkørende biler" vil fungere i Indien fortsatte.
En hel bølge af kunstig intelligens, der i sidste ende vil regere kloden, er lige begyndt.
Dette indlæg vil undersøge i dybden, hvordan Tesla integrerer AI i sit system, herunder detaljer og anden information.
Så hvordan lærer AI autonom kørsel i biler?
Autonome køretøjer analyserer løbende data fra deres sensorer og maskinsynskameraer for at kunne køre selvstændigt. De bruger derefter disse data til at beslutte, hvad de skal gøre nu.
De bruger kunstig intelligens til at forstå og forudsige de næste bevægelser af cykler, fodgængere og biler. De kan bruge disse oplysninger til hurtigt at planlægge deres handlinger og træffe beslutninger på et splitsekund.
Skal bilen fortsætte i sin nuværende vognbane, eller skal den skifte vognbane? Skal den fortsætte, hvor den er, eller passere bilen foran dem? Hvornår skal køretøjet decelerere eller accelerere?
Tesla skal indsamle de relevante data for at træne algoritmerne og fodre sine AI'er for at gøre biler helt autonome. Bedre ydeevne vil altid være resultatet af flere træningsdata, og Tesla brillerer på dette område.
Det faktum, at Tesla crowdsourcer alle sine data fra de hundredtusindvis af Tesla-køretøjer, der nu er på vejen, giver dem en konkurrencefordel. Både interne og udvendige sensorer sporer, hvordan Teslaer opfører sig under en række forskellige omstændigheder.
De indsamler også oplysninger om førerens adfærd, herunder hvordan de reagerer på visse omstændigheder, og hvor ofte de rører ved rattet eller instrumentbrættet.
"Imitation learning" er navnet på Teslas strategi. Millioner af rigtige chauffører over hele verden foretager domme, reagerer og bevæger sig, og deres algoritmer lærer af disse handlinger. Alle disse kilometer resulterer i utroligt sofistikerede autonome køretøjer.
Deres sporingssystem er virkelig avanceret. For eksempel gemmer Tesla et datasnapshot af øjeblikket, føjer det til datasættet og genskaber derefter en abstrakt repræsentation af verden ved hjælp af farvekodede former, som neurale netværk kan lære af. Dette sker, når et Tesla-køretøj forudsiger en bils eller cykels adfærd forkert.
Andre virksomheder, der udvikler autonome køretøjer, er afhængige af syntetiske data, hvilket er væsentligt mindre effektivt end de virkelige data, der bruges af Tesla til at træne sine AI'er (for eksempel køreadfærd fra videospil som Grand Theft Auto).
Vi vil nu undersøge Tesla-komponenter, der udnytter kunstig intelligens.
Tesla-komponenter, der udnytter kunstig intelligens
Kamera og sensorer
De ansvarsområder, som Tesla skal opfylde, er ret velkendte. Alle disse operationer, fra vognbaneidentifikation til fodgængersporing, udføres i realtid. Tesla opererede ved hjælp af 8 kameraer af denne grund. Derudover sikrer tilstedeværelsen af så mange kameraer, at der ikke er nogen blind zone, og at hele området omkring bilen er dækket.
Det er rigtigt, hvad du lige har læst! ingen LIDAR Intet system til high-definition mapping. Tesla vil kun bruge computersyn, machine learning, og kameravideofeeds for at oprette autopilotmodellen. Convolutional Neural Networks (CNN'er) bruges derefter til at analysere den rå video for at spore og opdage genstande.
Tesla autopilot har også radar- og ultralydssensorer foruden kameraer. Radaren bruges til at registrere og måle adskillelsen mellem køretøjer og andre objekter. For at optimere førersikkerheden fungerer ultralydssensorerne også i overensstemmelse med overvågning af nærhed med passive objekter.
For at forstå bilens omgivelser og gøre autopilotens muligheder så lydhøre som muligt, er neurale netværk integreret med Tesla-hardwaren.
Tesla FSD Chip -3
For forbedret ydeevne og sikkerhed på vejene inkluderer Tesla-systemer to AI-processorer. Tesla-systemet stræber efter at være fejlfrit. Selvom en enhed fejler, kan bilen stadig fungere ved at bruge de ekstra enheder på grund af backup-strøm og datainputkilder.
Tesla bruger disse ekstra foranstaltninger til at sikre, at bilerne er veludstyrede for at undgå kollisioner i tilfælde af en uforudset fejl. Kun den menneskelige hjerne kan udføre flere operationer i sekundet end den nye Tesla-mikroprocessor (1 kvadrillion operationer pr. sek.). Det er omkring 21 gange mere potent end de Tesla Nvidia-mikrochips, der tidligere var i brug.
Tesla er uden tvivl førende på markedet for fuldt autonome lokomotiver, men der er stadig langt fra at producere en banebrydende autopilotbil.
I fremtiden vil en bil med de kvaliteter, vi har skitseret i dette essay, uden tvivl blive almindelig. Tesla har skabt sine egne banebrydende AI-processorer og neurale netværksarkitektur.
Neural netværkstræning
Modellen skal også trænes efter de neurale netværk er blevet oprettet. Vi er klar over, at Tesla har indført en bred vifte af biblioteker og værktøjer for at tillade banebrydende computersynsfunktioner.
pytorch, som blev skabt af Facebooks AI Research-afdeling, er en sådan ramme (FAIR). PyTorch bruges af Tesla tech stack at træne deep learning-modellen.
Det er bemærkelsesværdigt, at Tesla ikke er afhængig af kort eller LIDAR for at opnå fuldstændig autonomi. Kameraerne og det rene computersyn bruges udelukkende, og alt foregår i realtid.
Tesla bruger Pytorch til træning samt forskellige hjælpeaktiviteter som f.eks automatiseret arbejdsgang planlægning, kalibrering af modeltærskler, grundig vurdering, passiv test, simulationstests mv.
Tesla bruger omkring 70,000 GPU-timer på at træne 48 netværk, der laver 1,000 forskellige forudsigelser. Denne uddannelse er løbende, ikke kun én gang. Vi er klar over, at kunstig intelligens er en iterativ proces, der udvikler sig over tid. Som et resultat forbliver alle 1000 separate prognoser nøjagtige og vakler aldrig.
HydraNet
Der er omkring 100 jobs under udvikling på et givet tidspunkt, selv når en bil ikke bevæger sig og højst sandsynligt står ved en skillevej. Det er dyrt og ineffektivt at bruge et neuralt netværk til hver opgave. Enorme mængder af information behandles i realtid af AI i Tesla-køretøjer.
Som et resultat heraf fungerer ResNet-50-delte backbone, som kan behandle 1000 x 1000 billeder på én gang, som den centrale behandlingsenhed for Computer Vision-arbejdsgangen.
Nær toppen af netværket opdeles HydraNet neurale netværksdesign i flere grene (eller hoveder). Ved at få hver mikrobatch af træningsdata vægtet forskelligt for de mange hoveder, undervises disse hoveder uafhængigt og lærer forskellige ting.
Selvfølgelig er der flere tilfælde af, at disse HydraNets arbejder sammen om at behandle AI for køretøjerne. Hvert HydraNets information bruges til at afhjælpe tilbagevendende problemer.
For eksempel kan en opgave være aktiv til at håndtere stopskilte, en anden til at håndtere fodgængere og endnu en til at undersøge trafiksignaler. Disse særskilte opgaver varetages alle af en fælles rygrad.
Ifølge HydraNet-arkitekturen er der kun brug for en lille brøkdel af det enorme neurale netværk til hver af disse opgaver.
Dette minder ret meget om transfer learning, hvor forskellige blokke trænes til en fælles blok for visse relaterede opgaver. Rygraden i HydraNets er trænet i en række forskellige ting, hvorimod hovederne undervises i bestemte job.
Dette reducerer mængden af tid, der er nødvendig for at træne modellen og fremskynder inferens.
Tesla Autopilot
Biler med autopilotfunktioner kan styre, accelerere og standse selvstændigt i en vognbane. Det er konstrueret ved hjælp af dybe neurale netværkskoncepter. Den observerer området omkring bilen ved hjælp af kameraer, ultralydssensorer og radar.
Chaufførerne bliver gjort opmærksomme på deres omgivelser af sensorer og kameraer, og denne information analyseres i løbet af millisekunder for at hjælpe med at gøre kørslen mere sikker og mindre stressende.
I lyse, mørke og forskellige vejrforhold bruges radar til at observere og estimere rummet omkring biler. I enhver situation bestemmer ultraviolette metoder nærheden, og passiv video identificerer genstande i nærheden og fremmer sikker kørsel.
Derudover er autopiloten designet til at hjælpe føreren og forvandler ikke en Tesla til et selvkørende køretøj. Det er almindelig praksis at advare bilister om at holde hænderne på rattet.
En række advarsler om at tage rattet udløses, hvis du ikke gør det. Hvis den ignoreres meget længere, begynder bilen at bremse, før den stopper. Ved at bremse, dreje eller deaktivere fartpilotsstangen kan føreren altid tilsidesætte autopilotens funktioner.
Fugleperspektiv
De billeder, som Tesla hardware ofte fortolker, kunne have brug for ekstra dimensioner. Bird's Eye View-funktionen gør det nemmere at måle længere afstande og giver en mere nøjagtig gengivelse af omverdenen.
Det er et visuelt overvågningssystem, der "gengiver" et billede fra oven af en bil for at gøre det nemt at parkere og navigere på små steder. Uden at skulle give en halt begrundelse for dine parkeringsevner, kan du nu trygt tage rattet.
Teslas fremtid
Hvis du leder efter en mellemstørrelse SUV med en stærk rækkevidde, 2022 Tesla Model Y er et fantastisk udgangspunkt for elbiler. På grund af regelmæssige softwareopgraderinger ændrer Model Y sig konstant, ligesom mange af Teslas andre produkter.
Ved at forbedre sikkerheden og funktionaliteten hjælper disse opgraderinger din bil til at være mere nyttig. For folk, der skal rejse lange afstande med familie og diverse bagage, gør den rummelige krop og adgangen til Teslas Supercharger-netværk det til et vidunderligt valg.
Siden starten har Tesla nydt godt af data fra sin nuværende kundebase, og dens arbejde med autonome køretøjer er en del af dens fortsatte ambition om at placere AI i kernen af alle sine operationer.
AI og big data vil fortsat være Elon Musk og hans team hos Teslas trofaste allierede, mens de bevæger sig ind i deres nyeste tiltag, herunder deres ambitioner om at transformere det elektriske net med deres hjemmesolcellepaneler.
Konklusion
Tesla, en virksomhed, der er anerkendt som en af markedets mest aggressive innovatører, har altid gjort dataindsamling og analyse til det mest kraftfulde værktøj. De fulgte de samme regler, når det kom til at lave deres egne chips.
Forretningen har udviklet autonome køretøjer, der har potentialet til fuldstændig at ændre, hvordan vi kører biler takket være kunstig intelligens og dataanalyse.
Lad os se, hvor godt platformen holder sine løfter og udvikler sin forretning. Hvor virksomheden vil gå hen på markedet for autonome køretøjer i fremtiden, er endnu uvist efter at have udnyttet disse teknologier.
Giv en kommentar