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 tvrtka, što je tajna njihovog uspjeha.
Jedna od stvari koja je učinila njihovo poslovanje uspješnim je korištenje umjetna inteligencija tehnologije. Potpuna automatizacija Teslinih vozila jedan je od trenutnih glavnih prioriteta tvrtke, a za postizanje tog cilja koriste umjetnu inteligenciju i njezine brojne komponente.
Najavom svog dolaska početkom 2021. Tesla stvorio pometnju na potkontinentu. Elon Musk je gotovo spreman uspostaviti Bangalore u Indiji kao proizvodno središte Tesla Indije.
Stručnjaci za umjetnu inteligenciju u Indiji navijali su dok se memovi i tweetovi o tome kako će hvaljeni "samovozeći automobili" raditi u Indiji nastavili.
Cijeli val umjetne inteligencije koji će na kraju zavladati globusom tek počinje.
Ovaj će post detaljno ispitati kako Tesla integrira AI u svoj sustav, uključujući specifičnosti i druge informacije.
Dakle, kako AI podučava autonomnu vožnju u automobilima?
Autonomna vozila neprestano analiziraju podatke svojih senzora i kamera strojnog vida kako bi mogli samostalno voziti. Zatim koriste te podatke kako bi odlučili što učiniti sljedeće.
Oni koriste umjetnu inteligenciju kako bi shvatili i predvidjeli sljedeće pokrete bicikala, pješaka i automobila. Te informacije mogu koristiti za brzo planiranje svojih radnji i donošenje odluka u djeliću sekunde.
Treba li automobil nastaviti svojim sadašnjim trakom ili bi trebao promijeniti traku? Treba li nastaviti tamo gdje jest ili proći automobil ispred njih? Kada bi vozilo trebalo usporiti ili ubrzati?
Tesla mora prikupiti odgovarajuće podatke kako bi trenirao algoritme i hranio svoju umjetnu inteligenciju kako bi automobili bili potpuno autonomni. Bolja izvedba uvijek će rezultirati iz više podataka o treningu, a Tesla sjaji u ovom području.
Činjenica da Tesla prikuplja sve svoje podatke iz stotina tisuća Teslinih vozila koja su sada na cesti daje im konkurentsku prednost. I unutarnji i vanjski senzori prate kako se Tesla ponašaju u različitim okolnostima.
Također prikupljaju informacije o ponašanju vozača, uključujući kako reagiraju na određene okolnosti i koliko često dodiruju volan ili nadzornu ploču.
“Imitacijsko učenje” naziv je Tesline strategije. Milijuni pravih vozača diljem svijeta donose presude, reagiraju i kreću se, a njihovi algoritmi uče iz tih radnji. Svi ti kilometri rezultiraju nevjerojatno sofisticiranim autonomnim vozilima.
Njihov sustav praćenja je stvarno napredan. Na primjer, Tesla pohranjuje podatkovnu snimku trenutka, dodaje je u skup podataka i zatim ponovno stvara apstraktni prikaz svijeta koristeći oblike označene bojama koje neuronska mreža može učiti od. To se događa kada vozilo Tesla pogrešno predvidi ponašanje automobila ili bicikla.
Ostale tvrtke koje razvijaju autonomna vozila oslanjaju se na sintetički podaci, što je znatno manje učinkovito od podataka iz stvarnog svijeta koje Tesla koristi za treniranje svoje umjetne inteligencije (na primjer, ponašanje u vožnji iz videoigara poput Grand Theft Auto).
Sada ćemo ispitati Tesline komponente koje iskorištavaju AI.
Tesline komponente koje iskorištavaju AI
Kamera i senzori
Odgovornosti koje Tesla mora ispuniti prilično su poznate. Sve ove operacije, od identifikacije traka do praćenja pješaka, provode se u stvarnom vremenu. Tesla je iz tog razloga djelovao uz pomoć 8 kamera. Dodatno, prisutnost ovoliko kamera osigurava da nema slijepe zone i da je cijelo područje oko automobila pokriveno.
Istina je što ste upravo pročitali! nema LIDAR Nema sustava za mapiranje visoke razlučivosti. Tesla želi koristiti samo računalni vid, stroj za učenje, i video izvore kamere za izradu modela autopilota. Konvolucijske neuronske mreže (CNN) zatim se koriste za analizu neobrađenog videa kako bi se pratilo i otkriti objekte.
Tesla autopilot također ima radarske i ultrazvučne senzore uz kamere. Radar se koristi za otkrivanje i mjerenje razmaka između vozila i drugih objekata. Kako bi se optimizirala sigurnost vozača, ultrazvučni senzori također funkcioniraju u skladu s praćenjem blizine s pasivnim objektima.
Kako bi se razumjelo okruženje automobila i što je moguće bolje mogućnosti autopilota, neuronske mreže integrirane su s Teslinim hardverom.
Tesla FSD čip -3
Za poboljšane performanse i sigurnost na cestama, Tesla sustavi uključuju dva AI procesora. Tesla sustav nastoji biti 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 nego novi Teslin mikroprocesor (1 kvadrilijun operacija u sekundi). To je oko 21 puta jače od Tesla Nvidia mikročipova koji su prije bili u uporabi.
Tesla je nedvojbeno tržišni lider za potpuno autonomne lokomotive, ali je još uvijek daleko od proizvodnje najsuvremenijih automobila s autopilotom.
U budućnosti će automobil s kvalitetama koje smo opisali u ovom eseju nesumnjivo postati uobičajen. Tesla je stvorio vlastite vrhunske AI procesore i arhitekturu neuronske mreže.
Trening neuronske mreže
Model također mora biti obučen nakon neuronskih mreža su stvorene. Svjesni smo da je Tesla postavio širok raspon knjižnica i alata kako bi omogućio vrhunske sposobnosti računalnog vida.
Pitorh, koji je kreirao Facebookov odjel za istraživanje umjetne inteligencije, jedan je takav okvir (FAIR). PyTorch koristi Teslin tehnološki skup za treniranje modela dubokog učenja.
Važno je napomenuti da se Tesla ne oslanja na karte ili LIDAR da bi postigao potpunu autonomiju. Koriste se isključivo kamere i čisti računalni vid, a sve se radi u realnom vremenu.
Tesla koristi Pytorch za obuku kao i razne pomoćne aktivnosti poput automatizirani tijek rada zakazivanje, kalibracija pragova modela, temeljita procjena, pasivno testiranje, simulacijski testovi itd.
Tesla troši otprilike 70,000 GPU sati trenirajući 48 mreža koje daju 1,000 različitih predviđanja. Ova obuka je u tijeku, ne samo jednom. Svjesni smo da je umjetna inteligencija iterativni proces koji napreduje s vremenom. Kao rezultat toga, svih 1000 zasebnih predviđanja ostaju točne i nikada ne pokolebaju.
HydraNet
U tijeku je oko 100 poslova u svakom trenutku, čak i kada se automobil ne kreće i najvjerojatnije je na raskrižju. Korištenje neuronske mreže za svaki zadatak je skupo i neučinkovito. Umjetna inteligencija u Teslinim vozilima obrađuje ogromne količine informacija u stvarnom vremenu.
Kao rezultat toga, ResNet-50 zajednička okosnica, koja može obraditi 1000 x 1000 slika odjednom, služi kao središnja procesorska jedinica za radni tijek Computer Vision.
Blizu vrha mreže, dizajn neuronske mreže HydraNet dijeli se na nekoliko grana (ili glava). Ako svaka mikroserija podataka za obuku bude različito ponderirana za mnoge glavešine, ti se voditelji podučavaju neovisno i uče različite stvari.
Naravno, postoji nekoliko primjera ovih HydraNeta koji rade zajedno na procesuiranju AI za vozila. Svaka HydraNet-ova informacija koristi se za rješavanje ponavljajućih problema.
Na primjer, zadatak može biti aktivan za rukovanje znakovima za zaustavljanje, drugi za rješavanje pješaka, a treći za ispitivanje prometne signalizacije. Sve te različite dužnosti obavlja zajednička okosnica.
Prema HydraNet arhitekturi, za svaki od ovih zadataka potreban je samo mali dio ogromne neuronske mreže.
Ovo je vrlo slično učenju prijenosa, gdje se različiti blokovi osposobljavaju za zajednički blok za određene povezane zadatke. Okosnice HydraNets-a obučavaju se o raznim stvarima, dok se voditelji podučavaju na određenim poslovima.
To smanjuje količinu vremena potrebnog za treniranje modela i ubrzava zaključivanje.
Tesla Autopilot
Automobili s mogućnostima autopilota mogu autonomno upravljati, ubrzavati i zaustavljati se u traci. Konstruiran je korištenjem koncepata dubokih neuronskih mreža. Promatra područje oko automobila pomoću kamera, ultrazvučnih senzora i radara.
Senzori i kamere osvještavaju vozače o svojoj okolini, a te se informacije analiziraju u 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 identificira objekte u blizini i potiče 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 aktivira se ako to ne učinite. Ako se dulje ignorira, automobil počinje usporavati prije nego što se zaustavi. Kočenjem, okretanjem ili deaktiviranjem ručice tempomata, vozači uvijek mogu nadjačati funkcije autopilota.
Ptičja perspektiva
Slike koje Tesla hardver često tumači mogle bi trebati dodatne dimenzije. Značajka Bird's Eye View olakšava mjerenje daljih udaljenosti i nudi točniji prikaz vanjskog svijeta.
To je sustav vizualnog nadzora koji "očinja" sliku automobila odozgo kako bi parkiranje bilo jednostavnije i navigacija na malim mjestima lakša. Bez potrebe da dajete jadno opravdanje o svojim mogućnostima parkiranja, sada možete sigurno preuzeti volan.
Teslina budućnost
Ako tražite SUV srednje veličine sa jakim rasponom, Tesla Model Y 2022 je fantastično polazište za EV. Zbog redovitih nadogradnji softvera, Model Y se stalno mijenja, slično kao i mnogi drugi Teslini proizvodi.
Povećanjem sigurnosti i funkcionalnosti, ove nadogradnje pomažu vašem automobilu da bude korisniji. Za ljude koji trebaju putovati na velike udaljenosti s obitelji i raznolikom prtljagom, prostrana karoserija i pristup Teslinoj mreži Supercharger čine ga prekrasnim izborom.
Od svog početka, Tesla ima koristi od podataka iz svoje trenutne baze kupaca, a njezin rad na autonomnim vozilima dio je njezine stalne ambicije da AI stavi 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 svoje težnje za transformacijom električne mreže pomoću svojih kućnih solarnih panela.
Zaključak
Tesla, tvrtka koja je prepoznata kao jedan od najagresivnijih inovatora na tržištu, oduvijek je prikupljanje i analizu podataka činila svojim najmoćnijim alatom. Slijedili su ista pravila kada je u pitanju stvaranje vlastitih čipova.
Tvrtka je razvila autonomna vozila koja imaju potencijal u potpunosti promijeniti način na koji vozimo automobile zahvaljujući umjetnoj inteligenciji i analizi podataka.
Pogledajmo koliko dobro platforma ispunjava svoja obećanja i razvija svoje poslovanje. Gdje će tvrtka ići na tržištu autonomnih vozila u budućnosti, ostaje za vidjeti nakon što iskoristi ove tehnologije.
Ostavi odgovor