A Tesla egy amerikai járműgyártó cég, amelyet a Elon Musk A 2003.
A cég leginkább elektromos autóiról, valamint a napelemekre és a lítium-ion akkumulátorokra szakosodott energiatárolóiról ismert.
A Tesla autók számos forradalmi funkcióval rendelkeznek, beleértve a szupertöltést, a kulcskártyás hozzáférést és az autopilot módot.
Az automata pilóta mód a mesterséges intelligencia (AI) és a A Tesla fejlett neurális hálózati architektúrája.
Beszéljük meg részletesen a Tesla Neural Network architektúráját.
Mik azok a neurális hálózatok?
A neurális hálózatok vagy NN-ek olyan algoritmusok sorozata, amelyeket a biológiai aktivitása alapján modelleztek emberi agy. Neurális hálózatok csomópontokból állnak, amelyeket neuronoknak is neveznek. A függőleges csomópontok gyűjteményét rétegeknek nevezzük.
Minden réteg csomópontokból, más néven neuronokból áll, ahol a számítások zajlanak. Az egyik réteg csomópontjai átviteli vonalakon keresztül kapcsolódnak a következő réteghez, amint az alább látható.
A következő ábrán a körök a csomópontokat, a függőleges csomópontok pedig a rétegeket jelölik. Ebben a modellben három réteg található.
Hogyan tanulnak?
Az adatok egy-egy entitást adnak a modellhez egy címkével együtt. Az adatokat darabokra bontják, és a modell minden csomópontján áthaladják.
A csomópontok matematikai műveleteket hajtanak végre ezeken a darabokon. Az egyik rétegben végzett számítások sorozata után az adatok a következő rétegre kerülnek, és így tovább.
Miután elkészült, modellünk előrejelzi az adatcímkét a kimeneti rétegen. A modell ezután összehasonlítja ezt a becsült értéket a tényleges címkeértékkel.
Ha az értékek egyeznek, a modellünk a következő bemenetet veszi, de ha az értékek eltérnek, a modell kiszámítja a két érték közötti különbséget, amelyet veszteségnek neveznek, és módosítja a csomópontszámításokat, hogy legközelebb megfelelő címkéket állítson elő.
A Tesla neurális hálózati architektúrája
A Tesla élvonalbeli kutatásokat használ a mély neurális hálózatok képzésére az észleléstől az irányításig terjedő problémákra.
A Tesla kameránkénti hálózatai nyers képeket elemeznek a szemantikai szegmentálás, az objektumészlelés és a monokuláris mélységbecslés.
Az adatkészletek
A neurális hálózatokat olyan nyers képekre képezik, amelyeket madártávlatból készült hálózati kamerákból vettek ki, amelyek közvetlenül felülről lefelé mutató nézetben jelenítik meg az útelrendezést, a statikus infrastruktúrát és a 3D objektumokat.
Az adatképek címkézetlenek, és sokféle forgatókönyvet fednek le szerte a világon, és valós időben egymillió járműből állnak.
Hogyan működik?
A hálózat 70,000 48 grafikus feldolgozó egységből (GPU) áll, amelyek XNUMX darabot képeznek. mély tanulás modellek.
Az autó hardverelemei, beleértve a kamerákat és az érzékelőket, felügyelet nélküli adatokat szolgáltatnak, amelyek e modellek hálózatán keresztül jutnak el.
Az autó a megadott adatokból megismeri a környezetben lévő lehetséges tárgyakat, mint például gyalogos, fa stb.
Az architektúra két mesterséges intelligencia chipből is áll, amelyek az alapelveket használják mély tanulás. Ezek a chipek segítenek valós idejű döntések meghozatalában az autóval kapcsolatban, például, hogy mikor és hogyan forduljon vezetés közben.
A neurális hálózat architektúrája számos hatékony eszközt és koncepciót tartalmaz, amelyek hozzájárulnak a működéséhez, többek között:
FSD chip
Teljes önvezetés (FSD) chipek mesterséges intelligencia-következtető chipek, amelyek a Tesla robotpilóta szoftverét futtatják. Ezeket a chipeket mikro-architektúra fejlesztésekkel tervezték, amelyek csökkentik a wattonkénti maximális szilíciumteljesítményt.
Az FSD-k alaptervezést, időzítést és teljesítményelemzést hajtanak végre, miközben robusztus teszteket és eredménytáblákat írnak az AI funkcionalitásának és teljesítményének ellenőrzésére.
Dojo chipek és rendszerek
dojo a Tesla szuperszámítógép-rendszere, amely a nagy teljesítményű szállítás és hűtés fejlett technológiájával megoldja a nehéz problémákat.
A Dojo chipek magukban foglalják az AI-t, amely ezeket a rendszereket táplálja, és a maximális teljesítményre, átviteli sebességre és sávszélességre tervezték minden részletességgel.
A chipeket és a rendszereket együtt használják a Tesla NN teljesítményének és teljesítményének optimalizálására.
Autonómia algoritmusok
Az autonómia-algoritmusok azok az alapvető algoritmusok, amelyek meghajtják az autót azáltal, hogy létrehozzák a világ nagy pontosságú ábrázolását, és megtervezik a pályákat egy adott térben.
Nak nek neurális hálózatok képzése Az ilyen ábrázolások előrejelzéséhez a Tesla algoritmikusan pontos és nagyszabású földi igazságadatokat hoz létre az autó érzékelőitől származó információk térben és időben történő kombinálásával.
Ezek az algoritmusok fejlett technikákat alkalmaznak egy robusztus tervezési és döntéshozatali rendszer felépítésére, amely bonyolult, valós helyzetekben, bizonytalanság mellett is működik.
Értékelési infrastruktúra
A Tesla kiértékelő infrastruktúrája nyílt hurkú, zárt hurkú és hardver-in-the-loop kiértékelő eszközöket és infrastruktúrát foglal magában.
Ez az infrastruktúra lehetővé teszi a mesterséges intelligencia számára a teljesítményjavulás nyomon követését és a regressziók megelőzését.
A Tesla NN főbb jellemzői
- Kamerák, ultrahangos érzékelők és radar érzékelik a környezetet
- A radar méri az autó körüli távolságot
- Az ultraibolya technikák a közelséget mérik, a passzív videó pedig felismeri az autó körüli tárgyakat
- Két mesterséges intelligencia chipet használ, amelyek a mély neurális hálózatok elveire épülnek
- 6 milliárd tranzisztorból álló AI chipek
- 21-szer gyorsabb, mint az Nvidia chipek
- Az AI chipek 32 megabájt nagy sebességű SRAM memóriával rendelkeznek
- 48 Deep Learning modellből áll
- 70,000 XNUMX grafikus feldolgozó egységet (GPU) tartalmaz
- 1000 különböző tenzort (előrejelzést) ad ki minden időlépésben
Következtetés
A Tesla élvonala Neurális hálózatok és a mesterséges intelligencia architektúrája valóra váltotta az önvezető autók ötletét.
A vezető mesterséges intelligencia-alapú autógyártó sikere a fejlett technológia eredménye FSD chipek, Dojo chipek, autonómia algoritmusok, kiértékelő infrastruktúra és még sok más.
Ha többet szeretne megtudni az AI-ról, a Deep Learningről és a legújabb technológiai trendekről, tekintse meg további érdekes cikkeinket.
Hagy egy Válaszol