Tesla est une entreprise américaine de fabrication de véhicules fondée par Elon Musk dès 2003.
L'entreprise est surtout connue pour ses voitures électriques et pour sa spécialisation dans les panneaux solaires et le stockage d'énergie par batterie lithium-ion.
Les voitures Tesla sont dotées de nombreuses fonctionnalités révolutionnaires, notamment la super-charge, l'accès par carte-clé et un mode de pilote automatique.
Le mode pilote automatique a été possible grâce aux idées de l'intelligence artificielle (IA) et L'architecture de réseau neuronal avancée de Tesla.
Discutons en détail de l'architecture du réseau de neurones Tesla.
Que sont les réseaux de neurones ?
Les réseaux de neurones, ou NN, sont une série d'algorithmes modélisés d'après l'activité biologique du cerveau humain. Les réseaux de neurones sont constitués de nœuds, également appelés neurones. Une collection de nœuds verticaux est connue sous le nom de couches.
Chaque couche est constituée de nœuds, également appelés neurones, où se déroulent les calculs. Les nœuds d'une couche sont connectés à la couche suivante via des lignes de transmission, comme indiqué ci-dessous.
Dans le diagramme suivant, les cercles représentent les nœuds et la collection verticale de nœuds représente les couches. Il y a trois couches dans ce modèle.
Comment apprennent-ils ?
Les données sont introduites dans le modèle une entité à la fois avec une étiquette. Les données sont décomposées en morceaux et transmises à chaque nœud du modèle.
Les nœuds effectuent des opérations mathématiques sur ces morceaux. Après une série de calculs dans une couche, les données passent à la couche suivante et ainsi de suite.
Une fois terminé, notre modèle prédit l'étiquette de données au niveau de la couche de sortie. Le modèle procède ensuite à la comparaison de cette valeur prédite avec celle de la valeur réelle de l'étiquette.
Si les valeurs correspondent, notre modèle prendra l'entrée suivante, mais si les valeurs diffèrent, le modèle calculera la différence entre les deux valeurs, appelée perte, et ajustera les calculs des nœuds pour produire des étiquettes correspondantes la prochaine fois.
L'architecture du réseau neuronal de Tesla
Tesla utilise des recherches de pointe pour former des réseaux de neurones profonds sur des problèmes allant de la perception au contrôle.
Les réseaux par caméra de Tesla analysent les images brutes pour effectuer une segmentation sémantique, la détection d'objets et estimation de la profondeur monoculaire.
Les ensembles de données
Les réseaux de neurones sont formés sur des images brutes extraites de vidéos prises à partir de caméras réseau à vue à vol d'oiseau qui produisent le tracé de la route, l'infrastructure statique et les objets 3D directement dans la vue descendante.
Les images de données ne sont pas étiquetées et couvrent de nombreux scénarios divers à travers le monde et se composent d'un million de véhicules en temps réel.
Comment cela fonctionne ?
Le réseau se compose de 70,000 48 unités de traitement graphique (GPU), qui forment XNUMX l'apprentissage en profondeur .
Les composants matériels de la voiture, y compris les caméras et les capteurs, fournissent des données non supervisées qui sont transmises via le réseau de ces modèles.
La voiture apprend les objets possibles dans un environnement, comme un piéton, un arbre, etc. à partir des données fournies.
L'architecture se compose également de deux puces AI qui utilisent les principes de l'apprentissage en profondeur. Ces puces aident à prendre des décisions en temps réel pour la voiture, comme quand et comment tourner, pendant la conduite.
L'architecture du réseau de neurones comprend de nombreux dispositifs et concepts puissants qui contribuent à son fonctionnement, notamment :
Puce FSD
Auto-conduite complète (DSE) sont des puces d'inférence IA qui exécutent le logiciel de pilote automatique de Tesla. Ces puces ont été conçues avec des améliorations micro-architecturales qui pressent la performance maximale du silicium par watt.
Les FSD implémentent la planification au sol, la synchronisation et l'analyse de puissance tout en écrivant des tests et des tableaux de bord robustes pour vérifier la fonctionnalité et les performances de l'IA.
Puces et systèmes Dojo
Dojo est le super système informatique de Tesla qui résout les problèmes difficiles avec une technologie de pointe pour la distribution et le refroidissement à haute puissance.
Les puces Dojo incluent l'IA qui alimente ces systèmes et sont conçues pour des performances, un débit et une bande passante maximum à chaque granularité.
Ensemble, les puces et les systèmes sont utilisés pour optimiser la puissance et les performances du NN de Tesla.
Algorithmes d'autonomie
Les algorithmes d'autonomie sont les algorithmes de base qui pilotent la voiture en créant une représentation haute fidélité du monde et en planifiant des trajectoires dans un espace donné.
À former des réseaux de neurones pour prédire de telles représentations, Tesla crée de manière algorithmique des données exactes et à grande échelle sur le terrain en combinant les informations des capteurs de la voiture dans l'espace et dans le temps.
Ces algorithmes utilisent des techniques avancées pour construire un système de planification et de prise de décision robuste qui fonctionne dans des situations complexes du monde réel dans des conditions d'incertitude.
Infrastructure d'évaluation
L'infrastructure d'évaluation de Tesla comprend des outils d'évaluation en boucle ouverte, en boucle fermée et hardware-in-the-loop et une infrastructure à grande échelle.
Cette infrastructure permet à l'IA de suivre les améliorations de performances et d'empêcher les régressions.
Principales caractéristiques du NN de Tesla
- Des caméras, des capteurs à ultrasons et des radars perçoivent l'environnement
- Un radar mesure la distance autour de la voiture
- Les techniques ultraviolettes mesurent la proximité et la vidéo passive reconnaît les objets autour de la voiture
- Utilise deux puces AI construites sur les principes des réseaux de neurones profonds
- Des puces IA composées de 6 milliards de transistors
- 21 fois plus rapide que les puces Nvidia
- Les puces AI ont 32 mégaoctets de mémoire SRAM haute vitesse
- Se compose de 48 modèles d'apprentissage en profondeur
- Contient 70,000 XNUMX unités de traitement graphique (GPU)
- Produit 1000 tenseurs distincts (prédictions) à chaque pas de temps
Conclusion
La pointe de Tesla Les réseaux de neurones et l'architecture de l'IA a fait de l'idée des voitures autonomes une réalité.
Ce succès du premier constructeur automobile basé sur l'IA est le résultat de ses avancées Puces FSD, puces Dojo, algorithmes d'autonomie, infrastructure d'évaluation, etc.
Si vous souhaitez en savoir plus sur l'IA, le Deep Learning et les dernières tendances technologiques, consultez nos autres articles intéressants.
Soyez sympa! Laissez un commentaire