Poderías presumir que Tesla é un nome coñecido na industria do automóbil cando pensas neles. Tesla, pioneira nos automóbiles eléctricos, é sen dúbida. Non obstante, son unha empresa tecnolóxica, que é o segredo do seu éxito.
Unha das cousas que fixeron que o seu negocio teña éxito é o uso de intelixencia artificial tecnoloxías. A automatización total dos vehículos de Tesla é unha das principais prioridades actuais da compañía e, para acadar este obxectivo, están a utilizar a IA e os seus moitos compoñentes.
Ao anunciar a súa chegada a principios de 2021, Tesla provocou conmoción no subcontinente. Elon Musk está case listo para establecer Bangalore, na India, como o centro de fabricación de Tesla India.
Os expertos en IA na India aplaudiron mentres continuaban os memes e chíos sobre como funcionarán os tan eloxiados "coches autónomos" na India.
Toda unha onda de intelixencia artificial que acabará por gobernar o globo está comezando.
Esta publicación examinará en profundidade como Tesla está integrando a IA no seu sistema, incluíndo información específica e outra información.
Entón, como a IA ensina a conducción autónoma nos coches?
Vehículos autónomos analizar continuamente os datos dos seus sensores e cámaras de visión artificial para poder conducir de forma independente. Despois utilizan estes datos para decidir que facer a continuación.
Empregan a IA para comprender e predecir os próximos movementos de bicicletas, peóns e automóbiles. Poden usar esta información para planificar rapidamente as súas accións e tomar decisións en fracción de segundo.
O automóbil debe continuar no seu carril actual ou debería cambiar de carril? Debería continuar onde está ou pasar o automóbil por diante deles? Cando debe acelerar ou acelerar o vehículo?
Tesla ten que reunir os datos axeitados para adestrar os algoritmos e alimentar os seus IAs para que os coches sexan completamente autónomos. Un mellor rendemento sempre resultará de máis datos de adestramento, e Tesla brilla nesta área.
O feito de que Tesla recoñeza todos os seus datos dos centos de miles de vehículos Tesla que están agora en circulación dálles unha vantaxe competitiva. Tanto os sensores internos como os exteriores rastrexan como se comportan os Teslas nunha variedade de circunstancias.
Tamén recollen información sobre o comportamento do condutor, incluíndo como responden a determinadas circunstancias e con que frecuencia tocan o volante ou o cadro de mandos.
"Aprendizaxe por imitación" é o nome da estratexia de Tesla. Millóns de condutores reais en todo o mundo fan xuízos, responden e móvense, e os seus algoritmos aprenden desas accións. Todos eses quilómetros dan lugar a vehículos autónomos incriblemente sofisticados.
O seu sistema de seguimento é realmente avanzado. Por exemplo, Tesla almacena unha instantánea de datos do momento, engádea ao conxunto de datos e despois recrea unha representación abstracta do mundo usando formas codificadas por cores que rede neural pode aprender de. Isto ocorre cando un vehículo Tesla prevé o comportamento dun coche ou dunha bicicleta incorrectamente.
Outras empresas que desenvolven vehículos autónomos confían datos sintéticos, que é significativamente menos eficaz que os datos do mundo real utilizados por Tesla para adestrar as súas IA (por exemplo, o comportamento de condución de videoxogos como Grand Theft Auto).
Agora examinaremos os compoñentes de Tesla que aproveitan a IA.
Compoñentes de Tesla que aproveitan a IA
Cámara e sensores
As responsabilidades que Tesla debe asumir son bastante coñecidas. Todas estas operacións, desde a identificación do carril ata o seguimento de peóns, realízanse en tempo real. Tesla funcionou coa axuda de 8 cámaras por este motivo. Ademais, a presenza de tantas cámaras asegura que non haxa zona cega e que se cubra toda a contorna do coche.
É certo o que acabas de ler! sen LIDAR Sen sistema de cartografía de alta definición. Tesla quere usar só a visión por ordenador, aprendizaxe de máquina, e fontes de vídeo da cámara para crear o modelo de piloto automático. As redes neuronais convolucionais (CNN) utilízanse entón para analizar o vídeo en bruto co fin de rastrexar e detectar obxectos.
Piloto automático Tesla tamén conta con sensores de radar e ultrasóns ademais de cámaras. O radar úsase para detectar e medir a separación entre vehículos e outros obxectos. Co fin de optimizar a seguridade do condutor, os sensores de ultrasóns tamén funcionan de acordo co seguimento da proximidade con obxectos pasivos.
Para comprender o entorno do coche e facer que as capacidades do piloto automático respondan o máis posible, as redes neuronais están integradas co hardware de Tesla.
Chip Tesla FSD -3
Para mellorar o rendemento e a seguridade nas estradas, os sistemas de Tesla inclúen dous procesadores de intelixencia artificial. O sistema Tesla esfórzase por estar libre de erros. Aínda que falle unha unidade, o automóbil aínda pode funcionar usando as unidades adicionais debido á enerxía de reserva e ás fontes de entrada de datos.
Tesla utiliza estas medidas adicionais para asegurarse de que os coches estean ben equipados para evitar colisións en caso de falla imprevista. Só o cerebro humano pode executar máis operacións por segundo que o novo microprocesador Tesla (1 cuatrillón de operacións por segundo). Isto é unhas 21 veces máis potente que os microchips Tesla Nvidia que estaban en uso anteriormente.
TEsla é, sen dúbida, líder no mercado de locomotoras totalmente autónomas, pero aínda está moi lonxe de producir un coche de piloto automático de vangarda.
No futuro, un automóbil coas calidades que esbozamos neste ensaio converterase sen dúbida nun lugar común. Tesla creou os seus propios procesadores de IA e arquitectura de rede neuronal de vangarda.
Formación en redes neuronais
O modelo tamén debe ser adestrado despois das redes neuronais foron creados. Somos conscientes de que Tesla puxo en marcha unha ampla gama de bibliotecas e ferramentas para permitir capacidades de visión por ordenador de vangarda.
pitorca, que foi creado polo departamento de investigación de IA de Facebook, é un destes marcos (FAIR). PyTorch é usado polo Pila tecnolóxica de Tesla para adestrar o modelo de aprendizaxe profunda.
Cabe destacar que Tesla non confía en mapas nin en LIDAR para acadar a total autonomía. As cámaras e a visión por ordenador úsanse exclusivamente, e todo faise en tempo real.
Tesla emprega Pytorch para adestrar, así como para varias actividades auxiliares como fluxo de traballo automatizado programación, calibración de limiares do modelo, avaliación exhaustiva, probas pasivas, probas de simulación, etc.
Tesla dedica aproximadamente 70,000 horas de GPU adestrando 48 redes que fan 1,000 predicións distintas. Esta formación é continua, non só unha vez. Somos conscientes de que a intelixencia artificial é un proceso iterativo que avanza no tempo. Como resultado, as 1000 previsións separadas seguen sendo precisas e nunca fallan.
HydraNet
Hai uns 100 traballos en curso nun momento dado, aínda que un coche non se mova e o máis probable é que estea nunha encrucillada. Usar unha rede neuronal para cada tarefa é custoso e ineficaz. A IA procesa cantidades masivas de información en tempo real nos vehículos Tesla.
Como resultado, a columna vertebral compartida ResNet-50, que pode procesar imaxes de 1000 x 1000 á vez, serve como unidade central de procesamento para o fluxo de traballo de Computer Vision.
Preto da parte superior da rede, o deseño da rede neuronal HydraNet divídese en varias ramas (ou cabezas). Ao que cada microlote de datos de adestramento se pondere de forma diferente para os moitos xefes, estes ensinan de forma independente e aprenden cousas distintas.
Por suposto, hai varias instancias destas HydraNets que traballan xuntos para procesar a IA para os vehículos. A información de cada HydraNet utilízase para solucionar problemas recorrentes.
Por exemplo, unha tarefa pode estar activa para manexar os sinais de alto, outra para tratar cos peóns e outra para examinar os sinais de tráfico. Estes deberes distintos son todos operados por unha columna vertebral común.
Segundo a arquitectura HydraNet, só se necesita unha pequena fracción da enorme rede neuronal para cada unha destas tarefas.
Isto é bastante similar á aprendizaxe de transferencia, onde se adestran distintos bloques para un bloque común para determinadas tarefas relacionadas. As columnas vertebrales de HydraNets adestran nunha variedade de cousas, mentres que os xefes ensinan en traballos particulares.
Isto diminúe o tempo necesario para adestrar o modelo e acelera a inferencia.
Piloto automático Tesla
Os coches con capacidade de piloto automático poden dirixir, acelerar e deterse de forma autónoma nun carril. Constrúese utilizando conceptos de rede neuronal profunda. Observa a zona que rodea o coche mediante cámaras, sensores ultrasónicos e radar.
Os sensores e as cámaras fan que os condutores sexan conscientes do seu entorno, e esta información analízase en cuestión de milisegundos para axudar a que a condución sexa máis segura e menos estresante.
En circunstancias climáticas brillantes, escuras e diversas, o radar utilízase para observar e estimar o espazo que rodea os automóbiles. En todas as situacións, os métodos ultravioleta determinan a proximidade e o vídeo pasivo identifica os obxectos próximos e promove unha condución segura.
Ademais, o piloto automático está deseñado para axudar ao condutor e non transforma un Tesla nun vehículo autónomo. É unha práctica habitual advertir aos condutores que manteñan as mans no volante.
Se non o fas, activaranse unha serie de alertas para tomar o volante. Se se ignora moito máis tempo, o automóbil comeza a ralentizarse antes de deterse. Ao frear, virar ou desactivar o control de crucero, os condutores sempre poden anular as funcións do piloto automático.
Vista de paxaro
As imaxes que interpreta o hardware de Tesla a miúdo poden necesitar dimensións adicionais. A función de vista de paxaro facilita a medición de distancias máis afastadas e ofrece unha representación máis precisa do mundo exterior.
É un sistema de vixilancia visual que "renderiza" a imaxe superior dun coche para facilitar o aparcamento e a navegación por lugares pequenos. Sen ter que proporcionar unha xustificación coxa sobre as súas capacidades de aparcamento, agora pode tomar o volante con seguridade.
Futuro de Tesla
Se estás buscando un SUV de tamaño medio cunha gran autonomía, o 2022 Tesla Model Y é un fantástico punto de partida para os vehículos eléctricos. Debido ás actualizacións de software regulares, o Modelo Y está a cambiar constantemente, ao igual que moitos dos outros produtos de Tesla.
Ao mellorar a seguridade e a funcionalidade, estas actualizacións axudan a que o teu automóbil sexa máis útil. Para as persoas que precisan percorrer longas distancias coa familia e varias equipaxes, o corpo amplo e o acceso á rede Supercharger de Tesla fan que sexa unha opción marabillosa.
Desde o seu inicio, Tesla beneficiouse dos datos da súa base de clientes actual e o seu traballo en vehículos autónomos forma parte da súa ambición continua de situar a IA no núcleo de todas as súas operacións.
A intelixencia artificial e os grandes datos seguirán sendo Elon Musk e o seu equipo dos fieis aliados de Tesla a medida que avanzan nas súas iniciativas máis recentes, incluíndo as súas aspiracións de transformar a rede eléctrica cos seus paneis solares domésticos.
Conclusión
Tesla, unha empresa recoñecida como unha das innovadoras máis agresivas do mercado, sempre fixo da recollida e análise de datos a súa ferramenta máis poderosa. Seguiron as mesmas regras á hora de crear as súas propias fichas.
A empresa desenvolveu vehículos autónomos que teñen o potencial de cambiar completamente a forma de conducir os automóbiles grazas á intelixencia artificial e á análise de datos.
Vexamos o ben que a plataforma cumpre as súas promesas e desenvolve o seu negocio. A onde irá a compañía no mercado dos vehículos autónomos no futuro queda por ver despois de aproveitar estas tecnoloxías.
Deixe unha resposta