Feltételezheti, hogy a Tesla jól ismert név az autóiparban, ha rájuk gondol. A Tesla, az elektromos autók úttörője kétségtelenül az. Ők azonban egy technológiai cég, ami sikerük titka.
Az egyik dolog, ami sikeressé tette vállalkozásukat, az a használata mesterséges intelligencia technológiákat. A Tesla járműveinek teljes automatizálása a vállalat egyik legfontosabb prioritása jelenleg, és ennek elérése érdekében az AI-t és annak számos összetevőjét használják fel.
2021 eleji érkezésének bejelentésével Tesla feltűnést keltett a szubkontinensen. Elon Musk már majdnem készen áll arra, hogy az indiai Bangalore-ban a Tesla India gyártási központja legyen.
Az indiai mesterséges intelligencia-szakértők ujjongtak, miközben folytatódtak a mémek és tweetek arról, hogy a sokat dicsért „önvezető autók” hogyan fognak működni Indiában.
A mesterséges intelligencia egy egész hulláma, amely végül uralni fogja a Földet, most kezdődik.
Ez a bejegyzés részletesen megvizsgálja, hogy a Tesla hogyan integrálja az AI-t rendszerébe, beleértve a részleteket és egyéb információkat.
Tehát hogyan tanítja az AI autonóm vezetést az autókban?
Autonóm járművek folyamatosan elemzik az érzékelőikből és gépi kameráikból származó adatokat, hogy önállóan tudjanak vezetni. Azután ezeket az adatokat használják fel a következő lépések eldöntésére.
AI-t alkalmaznak a kerékpárok, gyalogosok és autók következő lépéseinek megértésére és előrejelzésére. Ezeket az információkat felhasználhatják cselekvéseik gyors megtervezéséhez és a másodperc töredéke alatti döntések meghozatalához.
Az autó a jelenlegi sávjában haladjon tovább, vagy váltson sávot? Folytassa ott, ahol van, vagy elhaladjon az előttük lévő autó mellett? Mikor kell a járműnek lassítani vagy gyorsítani?
A Teslának össze kell gyűjtenie a megfelelő adatokat az algoritmusok betanításához és a mesterséges intelligencia táplálásához, hogy az autókat teljesen autonóm legyen. A több edzési adat mindig jobb teljesítményt eredményez, és a Tesla ezen a területen ragyog.
Versenyelőnyt jelent számukra az a tény, hogy a Tesla összes adatát a több százezer, jelenleg úton lévő Tesla járműből szerzi be. Mind a belső, mind a külső érzékelők nyomon követik a Teslák viselkedését különféle körülmények között.
Ezenkívül információkat gyűjtenek a vezető viselkedéséről, beleértve azt is, hogyan reagálnak bizonyos körülményekre, és milyen gyakran érintik meg a kormányt vagy a műszerfalat.
„Imitációs tanulás” – ez a Tesla stratégiájának neve. Valódi sofőrök milliói szerte a világon ítélkeznek, reagálnak és mozognak, és algoritmusaik tanulnak ezekből a cselekedetekből. Mindezen kilométerek hihetetlenül kifinomult autonóm járműveket eredményeznek.
A nyomkövető rendszerük nagyon fejlett. Például a Tesla eltárolja a pillanatnyi adatfelvételt, hozzáadja az adatkészlethez, majd színkódolt alakzatok segítségével újra létrehozza a világ absztrakt ábrázolását. neurális hálózat tanulhat belőle. Ez akkor fordul elő, ha egy Tesla jármű hibásan jósolja meg egy autó vagy kerékpár viselkedését.
Más autonóm járműveket fejlesztő vállalkozások támaszkodnak szintetikus adatok, amely lényegesen kevésbé hatékony, mint a Tesla által mesterséges intelligencia betanításához használt valós adatok (például a videojátékok, például a Grand Theft Auto vezetési viselkedése).
Most megvizsgáljuk a Tesla olyan összetevőit, amelyek kihasználják az AI előnyeit.
Tesla alkatrészek, amelyek kihasználják az AI előnyeit
Kamera és érzékelők
A Teslának teljesítendő feladatok meglehetősen jól ismertek. Mindezek a műveletek, a sáv azonosításától a gyalogos követésig, valós időben történik. A Tesla emiatt 8 kamera segítségével működött. Ezen túlmenően a sok kamera jelenléte biztosítja, hogy nincs vak zóna, és hogy az autó körüli teljes terület le van fedve.
Igaz amit most olvastál! nincs LIDAR Nincs rendszer nagyfelbontású leképezéshez. A Tesla csak a számítógépes látást akarja használni, gépi tanulás, és a kamera videó feedjeit az automatikus pilóta modell létrehozásához. A konvolúciós neurális hálózatokat (CNN) ezután a nyers videó elemzésére használják, hogy nyomon követhessék és tárgyakat észlelni.
Tesla autopilóta a kamerákon kívül radar- és ultrahangos szenzorokkal is rendelkezik. A radar a járművek és más tárgyak közötti távolság észlelésére és mérésére szolgál. A vezető biztonságának optimalizálása érdekében az ultrahangos érzékelők a passzív tárgyak közelségének megfigyelésével is összhangban működnek.
Annak érdekében, hogy megértsük az autó környezetét, és a lehető legérzékenyebbé tegyük az autopilóta képességeit, a neurális hálózatok integrálva vannak a Tesla hardverével.
Tesla FSD chip -3
A jobb teljesítmény és biztonság érdekében az utakon a Tesla rendszerek két mesterséges intelligencia processzort tartalmaznak. A Tesla rendszer arra törekszik, hogy hibamentes legyen. Még ha az egyik egység meghibásodik is, az autó továbbra is tud működni az extra egységekkel a tartalék tápellátás és az adatbeviteli források miatt.
A Tesla ezekkel az extra intézkedésekkel gondoskodik arról, hogy az autók jól felszereltek legyenek, hogy elkerüljék az ütközéseket váratlan meghibásodás esetén. Csak a emberi agy másodpercenként több műveletet tud végrehajtani, mint az új Tesla mikroprocesszor (1 kvadrillió művelet másodpercenként). Ez körülbelül 21-szer erősebb, mint a korábban használt Tesla Nvidia mikrochipek.
TAz esla kétségtelenül piacvezető a teljesen autonóm mozdonyok terén, de még mindig nagyon messze van a legmodernebb robotpilóta autók gyártásától.
A jövőben az ebben az esszében felvázolt tulajdonságokkal rendelkező autó kétségtelenül mindennapossá válik. A Tesla megalkotta saját élvonalbeli AI-processzorait és neurális hálózati architektúráját.
Neurális hálózatok képzése
A modellt a neurális hálózatok után is betanítani kell létrejöttek. Tisztában vagyunk vele, hogy a Tesla könyvtárak és eszközök széles skáláját vezette be annak érdekében, hogy a legmodernebb számítógépes látási képességeket tegye lehetővé.
pytorch, amelyet a Facebook AI-kutatási részlege hozott létre, egy ilyen keretrendszer (FAIR). A PyTorch-ot a Tesla tech stack a mély tanulási modell képzésére.
Figyelemre méltó, hogy a Tesla nem támaszkodik a térképekre vagy a LIDAR-ra a teljes autonómia eléréséhez. A kamerákat és a tiszta számítógépes látást kizárólagosan használják, és minden valós időben történik.
A Tesla a Pytorch-ot alkalmazza a képzéshez, valamint különféle kiegészítő tevékenységekhez, mint pl automatizált munkafolyamat ütemezés, modell küszöbértékek kalibrálása, alapos értékelés, passzív tesztelés, szimulációs tesztek stb.
A Tesla nagyjából 70,000 48 GPU-órát tölt 1,000 hálózat képzésével, amelyek 1000 különböző előrejelzést adnak. Ez a képzés folyamatos, nem csak egyszer. Tisztában vagyunk vele, hogy a mesterséges intelligencia egy iteratív folyamat, amely idővel fejlődik. Ennek eredményeként mind az XNUMX különálló előrejelzés pontos marad, és soha nem lankad.
HydraNet
Egy adott időpontban körülbelül 100 munka van folyamatban, még akkor is, ha egy autó nem mozog, és nagy valószínűséggel válaszút előtt áll. Neurális hálózat használata minden feladathoz költséges és nem hatékony. Az AI hatalmas mennyiségű információt dolgoz fel valós időben a Tesla járművekben.
Ennek eredményeként a ResNet-50 megosztott gerinchálózat, amely egyszerre 1000 x 1000 képet képes feldolgozni, a Computer Vision munkafolyamat központi feldolgozó egységeként szolgál.
A hálózat tetejének közelében a HydraNet neurális hálózat több ágra (vagy fejre) oszlik. Azáltal, hogy a képzési adatok egyes mikrokötegeit eltérően súlyozzák a sok fej esetében, ezek a fejek egymástól függetlenül tanítanak, és különböző dolgokat tanulnak meg.
Természetesen számos példa van arra, hogy ezek a HydraNet-ek együtt dolgoznak a járművek mesterséges intelligenciájának feldolgozásában. A HydraNet minden egyes információja az ismétlődő problémák orvoslására szolgál.
Például egy feladat aktív lehet a stoptáblák kezelésére, egy másik a gyalogosok kezelésére, egy másik pedig a közlekedési jelzések vizsgálatára. Ezeket a különálló feladatokat egy közös gerinc végzi.
A HydraNet architektúra szerint a hatalmas neurális hálózatnak csak egy kis töredékére van szükség minden egyes feladathoz.
Ez nagyon hasonlít az átviteli tanuláshoz, ahol különböző blokkokat képeznek egy közös blokkhoz bizonyos kapcsolódó feladatokhoz. A HydraNets gerincét különféle dolgokra, míg a fejeket bizonyos munkákra tanítják.
Ez csökkenti a modell betanításához szükséges időt és felgyorsítja a következtetést.
Tesla autopilóta
Az automata pilóta funkcióval rendelkező autók önállóan kormányozhatnak, gyorsíthatnak és megállhatnak egy sávban. A mély neurális hálózati koncepciók felhasználásával készült. Kamerák, ultrahangos érzékelők és radar segítségével figyeli az autó körüli területet.
Az érzékelők és kamerák felhívják a vezetők figyelmét a környezetükre, és ezeket az információkat ezredmásodpercek alatt elemzik, hogy biztonságosabbá és kevésbé stresszessé tegyék a vezetést.
Világos, sötét és különböző időjárási körülmények között a radar segítségével megfigyelik és becsülik meg az autókat körülvevő teret. Az ultraibolya módszerek minden helyzetben meghatározzák a közelséget, a passzív videó pedig azonosítja a közelben lévő tárgyakat, és elősegíti a biztonságos vezetést.
Ezenkívül az autopilotot úgy tervezték, hogy segítse a vezetőt, és nem alakítja át a Teslát önvezető járművé. Általános gyakorlat, hogy figyelmeztetik a járművezetőket, hogy tartsák a kezüket a kormányon.
Ha nem teszi meg, a rendszer riasztások sorozatát indítja el, hogy átvegye a kormányt. Ha hosszabb ideig figyelmen kívül hagyjuk, az autó lassítani kezd, mielőtt megáll. Fékezéssel, elfordítással vagy a tempomat kapcsolókarjának kikapcsolásával a vezetők bármikor felülbírálhatják az autopilot funkcióit.
Madártávlat
A Tesla hardvere által gyakran értelmezett képeknek extra méretekre lehet szükségük. A Bird's Eye View funkció megkönnyíti a távolabbi távolságok mérését, és pontosabb képet ad a külvilágról.
Ez egy vizuális megfigyelő rendszer, amely felülnézeti képet „renderel” egy autóról, hogy egyszerűbbé tegye a parkolást és könnyebbé tegye a kis helyeken való navigálást. Anélkül, hogy béna indoklást kellene adnia parkolási képességeivel kapcsolatban, most már nyugodtan átveheti a kormányt.
A Tesla jövője
Ha egy közepes méretű SUV-t keres, nagy választékkal, a 2022-es Tesla Model Y fantasztikus kiindulópont az elektromos járművek számára. A rendszeres szoftverfrissítések miatt a Model Y folyamatosan változik, hasonlóan a Tesla többi termékéhez.
A biztonság és a funkcionalitás fokozásával ezek a fejlesztések segítik autóját, hogy hasznosabb legyen. Azok számára, akiknek nagy távolságokat kell megtenniük családjukkal és különféle csomagokkal, a tágas karosszéria és a Tesla Supercharger hálózatához való hozzáférés nagyszerű választás.
A Tesla indulása óta hasznot húz jelenlegi ügyfélbázisának adataiból, és az autonóm járművekkel kapcsolatos munkája része annak a törekvésének, hogy az AI-t minden tevékenysége középpontjába helyezze.
A mesterséges intelligencia és a nagy adatforgalom továbbra is Elon Musk és csapata marad a Tesla hűséges szövetségeseinél, miközben új kezdeményezéseikbe lépnek, beleértve az elektromos hálózat átalakítására irányuló törekvéseiket otthoni napelemekkel.
Következtetés
A Tesla, a piac egyik legagresszívebb újítójaként elismert vállalat mindig is az adatgyűjtést és -elemzést tette a leghatékonyabb eszközévé. Ugyanazokat a szabályokat követték, amikor saját zsetonjaik létrehozásáról volt szó.
A vállalkozás olyan autonóm járműveket fejlesztett ki, amelyek a mesterséges intelligenciának és az adatelemzésnek köszönhetően teljesen megváltoztathatják az autóvezetésünket.
Lássuk, mennyire tartja be a platform ígéreteit és fejleszti üzletét. Az, hogy a vállalat a jövőben merre halad az autonóm járművek piacán, e technológiák kiaknázása után még nem látható.
Hagy egy Válaszol