Դուք կարող եք ենթադրել, որ Tesla-ն հայտնի անուն է ավտոմոբիլային արդյունաբերության մեջ, երբ մտածում եք նրանց մասին: Tesla-ն, որը էլեկտրական մեքենաների առաջամարտիկն է, անկասկած է: Այնուամենայնիվ, նրանք տեխնոլոգիական ֆիրմա են, ինչը նրանց հաջողության գաղտնիքն է։
Իրենց բիզնեսը հաջողության հասած բաներից մեկը դրա օգտագործումն է Արհեստական բանականություն տեխնոլոգիաներ։ Tesla-ի մեքենաների ամբողջական ավտոմատացումը ընկերության ընթացիկ առաջնահերթություններից մեկն է, և այդ նպատակին հասնելու համար նրանք օգտագործում են AI-ն և դրա բազմաթիվ բաղադրիչները:
2021 թվականի սկզբին իր ժամանումը հայտարարելով. Tesla իրարանցում առաջացրեց թերակղզում: Իլոն Մասկը գրեթե պատրաստ է հիմնել Հնդկաստանի Բանգալորը որպես Tesla Հնդկաստանի արտադրական կենտրոն:
Հնդկաստանում ինտելեկտուալ ինտելեկտի փորձագետները ուրախանում էին, երբ շարունակվում էին մեմերն ու թվիթերը, թե ինչպես են Հնդկաստանում գործելու շատ գովելի «Ինքնակառավարվող մեքենաները»:
Արհեստական ինտելեկտի մի ամբողջ ալիք, որն ի վերջո կկառավարի աշխարհը, նոր է սկսվում:
Այս գրառումը խորությամբ կուսումնասիրի, թե ինչպես է Tesla-ն ինտեգրում AI-ն իր համակարգում՝ ներառյալ առանձնահատկությունները և այլ տեղեկություններ:
Այսպիսով, ինչպե՞ս է AI-ն սովորեցնում ինքնավար մեքենա վարել մեքենաներում:
Ինքնավար տրանսպորտային միջոցներ շարունակաբար վերլուծել իրենց սենսորների և մեքենայատեսության տեսախցիկների տվյալները, որպեսզի կարողանան ինքնուրույն վարել: Այնուհետև նրանք օգտագործում են այս տվյալները՝ որոշելու, թե ինչ անել հետո:
Նրանք օգտագործում են AI-ն՝ հասկանալու և կանխատեսելու հեծանիվների, հետիոտների և մեքենաների հաջորդ քայլերը: Նրանք կարող են օգտագործել այս տեղեկատվությունը իրենց գործողություններն արագ պլանավորելու և վայրկյանների ընթացքում որոշումներ կայացնելու համար:
Արդյո՞ք մեքենան պետք է շարունակի իր ներկայիս գոտին, թե՞ պետք է փոխի գիծը: Արդյո՞ք այն պետք է շարունակի այնտեղ, որտեղ կա, թե՞ անցնի մեքենան իրենց դիմացից: Ե՞րբ պետք է մեքենան արագանա կամ արագանա:
Tesla-ն պետք է հավաքի համապատասխան տվյալներ ալգորիթմները վարժեցնելու և իր AI-ները կերակրելու համար, որպեսզի մեքենաները լիովին ինքնավար դառնա: Ավելի լավ կատարողականությունը միշտ կհանգեցնի ավելի շատ մարզումների տվյալների, և Tesla-ն փայլում է այս ոլորտում:
Այն փաստը, որ Tesla-ն հավաքում է իր բոլոր տվյալները հարյուր հազարավոր Tesla-ի մեքենաներից, որոնք այժմ գտնվում են ճանապարհին, նրանց մրցակցային առավելություն է տալիս: Ե՛վ ներքին, և՛ արտաքին սենսորները հետևում են, թե ինչպես են Teslas-ն իրեն պահում տարբեր հանգամանքներում:
Նրանք նաև տեղեկություններ են հավաքում վարորդի վարքագծի մասին, ներառյալ, թե ինչպես են նրանք արձագանքում որոշակի հանգամանքների և որքան հաճախ են դիպչում ղեկին կամ վահանակին:
«Իմիտացիոն ուսուցում» այսպես է կոչվում Tesla-ի ռազմավարությունը: Ամբողջ աշխարհում միլիոնավոր իրական վարորդներ դատողություններ են անում, արձագանքում և շարժվում, և նրանց ալգորիթմները սովորում են այդ գործողություններից: Այս բոլոր կիլոմետրերը հանգեցնում են աներևակայելի բարդ ինքնավար մեքենաների:
Նրանց հետևելու համակարգը իսկապես առաջադեմ է: Օրինակ, Tesla-ն պահում է տվյալ պահի պատկերը, ավելացնում այն տվյալների հավաքածուին և այնուհետև վերստեղծում է աշխարհի վերացական պատկերը՝ օգտագործելով գունավոր կոդավորված ձևեր, որոնք նյարդային ցանց կարող է սովորել. Դա տեղի է ունենում, երբ Tesla մեքենան սխալ է կանխատեսում մեքենայի կամ հեծանիվի վարքագիծը:
Ինքնավար մեքենաներ մշակող այլ բիզնեսներ ապավինում են սինթետիկ տվյալներ, ինչը զգալիորեն ավելի քիչ արդյունավետ է, քան Tesla-ի իրական տվյալները, որոնք օգտագործվում են իր AI-ներին մարզելու համար (օրինակ՝ Grand Theft Auto-ի նման տեսախաղերից վարելու վարքագիծը):
Այժմ մենք կուսումնասիրենք Tesla-ի բաղադրիչները, որոնք օգտվում են AI-ի առավելություններից:
Tesla-ի բաղադրիչներ, որոնք օգտվում են AI-ի առավելություններից
Տեսախցիկ և սենսորներ
Այն պարտականությունները, որոնք պետք է կատարի Tesla-ն, բավականին հայտնի են: Այս բոլոր գործողությունները՝ սկսած գծի նույնականացումից մինչև հետիոտնի հետևում, իրականացվում են իրական ժամանակում: Tesla-ն այս պատճառով աշխատել է 8 տեսախցիկի օգնությամբ։ Բացի այդ, այսքան տեսախցիկների առկայությունը հավաստիացնում է, որ կույր գոտի չկա, և որ մեքենայի շուրջն ամբողջությամբ ծածկված է։
Ճիշտ է այն, ինչ դուք հենց նոր կարդացիք: ոչ LIDAR Չկան համակարգ բարձր հստակությամբ քարտեզագրման համար: Tesla-ն ցանկանում է օգտագործել միայն համակարգչային տեսլականը, Machine Learning, և տեսախցիկի վիդեո հոսքեր՝ ավտոմատ փորձնական մոդել ստեղծելու համար: Կովոլյուցիոն նեյրոնային ցանցերը (CNN) այնուհետև օգտագործվում են չմշակված տեսանյութը վերլուծելու համար՝ հետևելու և հայտնաբերել օբյեկտներ.
Tesla ավտոմատ տեսախցիկներից բացի ունի նաև ռադարային և ուլտրաձայնային սենսորներ: Ռադարն օգտագործվում է մեքենաների և այլ օբյեկտների միջև բաժանումը հայտնաբերելու և չափելու համար: Վարորդի անվտանգությունը օպտիմալացնելու համար ուլտրաձայնային սենսորները գործում են նաև պասիվ օբյեկտների հետ մոտիկության մոնիտորինգի համաձայն:
Մեքենայի շրջակայքը հասկանալու և ավտոմատ օդաչուի հնարավորությունները հնարավորինս արձագանքող դարձնելու համար նեյրոնային ցանցերը ինտեգրված են Tesla-ի ապարատին:
Tesla FSD Chip -3
Ճանապարհների վրա կատարողականի և անվտանգության բարելավման համար Tesla համակարգերը ներառում են երկու AI պրոցեսոր: Tesla համակարգը ձգտում է լինել առանց սխալների: Նույնիսկ եթե մեկ միավորը ձախողվի, մեքենան դեռ կարող է աշխատել՝ օգտագործելով լրացուցիչ միավորները՝ պահեստային էներգիայի և տվյալների մուտքագրման աղբյուրների պատճառով:
Tesla-ն օգտագործում է այս լրացուցիչ միջոցները՝ համոզվելու համար, որ մեքենաները լավ սարքավորված են՝ չնախատեսված խափանումների դեպքում բախումներից խուսափելու համար: Միայն մարդու ուղեղը կարող է վայրկյանում ավելի շատ գործողություններ կատարել, քան Tesla-ի նոր միկրոպրոցեսորը (վայրկյանում 1 կվադրիլիոն գործողություն): Դա մոտ 21 անգամ ավելի հզոր է, քան նախկինում օգտագործված Tesla Nvidia միկրոչիպերը:
Tesla-ն, անկասկած, շուկայի առաջատարն է լիովին ինքնավար լոկոմոտիվների համար, սակայն այն դեռ շատ հեռու է նորագույն ավտոպիլոտային մեքենա արտադրելուց:
Ապագայում մեր այս շարադրանքի մեջ նկարագրված որակներով ավտոմեքենան, անկասկած, սովորական կդառնա: Tesla-ն ստեղծել է իր նորագույն AI պրոցեսորները և նեյրոնային ցանցի ճարտարապետությունը:
Նյարդային ցանցերի ուսուցում
Մոդելը նույնպես պետք է վերապատրաստվի նեյրոնային ցանցերից հետո ստեղծվել են։ Մենք տեղյակ ենք, որ Tesla-ն տեղադրել է գրադարանների և գործիքների լայն տեսականի, որպեսզի թույլ տա համակարգչային տեսողության նորագույն հնարավորություններ:
Պիտորխ, որը ստեղծվել է Facebook-ի AI Research բաժնի կողմից, այդպիսի շրջանակներից մեկն է (FAIR): PyTorch-ն օգտագործվում է Tesla tech stack վերապատրաստել խորը ուսուցման մոդելը:
Հատկանշական է, որ Tesla-ն չի ապավինում քարտեզներին կամ LIDAR-ին՝ ամբողջական ինքնավարության հասնելու համար: Տեսախցիկները և մաքուր համակարգչային տեսլականը օգտագործվում են բացառապես, և ամեն ինչ արվում է իրական ժամանակում։
Tesla-ն օգտագործում է Pytorch-ը վերապատրաստման, ինչպես նաև տարբեր օժանդակ գործողությունների համար, ինչպիսիք են ավտոմատացված աշխատանքի արդյունքում պլանավորում, մոդելային շեմերի չափորոշում, մանրակրկիտ գնահատում, պասիվ թեստավորում, մոդելավորման թեստեր և այլն:
Tesla-ն մոտավորապես 70,000 GPU ժամ է ծախսում 48 ցանցերի վերապատրաստման համար, որոնք 1,000 տարբեր կանխատեսումներ են անում: Այս դասընթացը շարունակական է, ոչ թե մեկ անգամ: Մենք տեղյակ ենք, որ արհեստական ինտելեկտը կրկնվող գործընթաց է, որը ժամանակի ընթացքում զարգանում է: Արդյունքում, բոլոր 1000 առանձին կանխատեսումները մնում են ճշգրիտ և երբեք չեն տատանվում:
HydraNet
Ցանկացած պահի մոտ 100 աշխատատեղ կա, նույնիսկ երբ մեքենան չի շարժվում և, ամենայն հավանականությամբ, գտնվում է խաչմերուկում: Յուրաքանչյուր առաջադրանքի համար նեյրոնային ցանց օգտագործելը ծախսատար է և անարդյունավետ: Հսկայական քանակությամբ տեղեկատվություն իրական ժամանակում մշակվում է AI-ի կողմից Tesla մեքենաներում:
Արդյունքում, ResNet-50 համօգտագործվող ողնաշարը, որը կարող է միանգամից մշակել 1000 x 1000 նկարներ, ծառայում է որպես Computer Vision աշխատանքային հոսքի կենտրոնական մշակման միավոր:
Ցանցի վերին մասում HydraNet նեյրոնային ցանցի դիզայնը բաժանվում է մի քանի ճյուղերի (կամ գլուխների): Ունենալով ուսուցման յուրաքանչյուր միկրոխմբաքանակի տարբեր կշռադատված բազմաթիվ ղեկավարների համար, այս գլուխները ուսուցանվում են ինքնուրույն և սովորում են տարբեր բաներ:
Իհարկե, կան մի քանի դեպքեր, երբ այս HydraNets-ը համագործակցում է մեքենաների AI-ի մշակման համար: HydraNet-ի յուրաքանչյուր տեղեկատվություն օգտագործվում է կրկնվող խնդիրները շտկելու համար:
Օրինակ, առաջադրանքը կարող է ակտիվ լինել կանգառի նշանները մշակելու համար, մյուսը՝ հետիոտների հետ գործ ունենալը, և մյուսը՝ ճանապարհային ազդանշանները ուսումնասիրելը: Այս հստակ պարտականությունները բոլորն էլ գործարկվում են ընդհանուր ողնաշարի միջոցով:
Համաձայն HydraNet ճարտարապետության, այս առաջադրանքներից յուրաքանչյուրի համար անհրաժեշտ է հսկայական նեյրոնային ցանցի ընդամենը մի փոքր մասը:
Սա բավականին նման է փոխանցման ուսուցմանը, որտեղ առանձին բլոկներ վերապատրաստվում են ընդհանուր բլոկի համար որոշակի առնչվող առաջադրանքների համար: HydraNets-ի ողնաշարը ուսուցանվում է տարբեր բաների վրա, մինչդեռ ղեկավարներին ուսուցանում են որոշակի աշխատանքներ:
Սա նվազեցնում է մոդելը վարժեցնելու համար անհրաժեշտ ժամանակը և արագացնում է եզրակացությունը:
Tesla Autopilot
Ավտոպիլոտի հնարավորություններով մեքենաները կարող են ինքնուրույն կառավարել, արագացնել և կանգ առնել գոտիով: Այն կառուցված է խորը նեյրոնային ցանցի հայեցակարգերի միջոցով: Այն դիտում է մեքենան շրջապատող տարածքը՝ օգտագործելով տեսախցիկներ, ուլտրաձայնային սենսորներ և ռադարներ:
Վարորդները սենսորների և տեսախցիկների միջոցով տեղեկացվում են իրենց շրջապատի մասին, և այս տեղեկատվությունը վերլուծվում է միլիվայրկյանների ընթացքում՝ օգնելով մեքենա վարելն ավելի անվտանգ և ավելի քիչ սթրեսային դարձնել:
Պայծառ, մութ և եղանակային տարբեր հանգամանքներում ռադարն օգտագործվում է մեքենաների շրջակա տարածքը դիտարկելու և գնահատելու համար: Յուրաքանչյուր իրավիճակում ուլտրամանուշակագույն մեթոդները որոշում են մոտիկությունը, իսկ պասիվ տեսանյութը նույնականացնում է մոտակայքում գտնվող առարկաները և նպաստում է անվտանգ վարմանը:
Բացի այդ, ավտոմատ օդաչուն նախատեսված է վարորդին օգնելու համար և Tesla-ն չի վերածում ինքնակառավարվող մեքենայի: Ընդունված պրակտիկա է վարորդներին զգուշացնել, որ ձեռքերը պահեն ղեկի վրա:
Անիվը վերցնելու համար մի շարք ահազանգեր են գործարկվում, եթե դա չես անում: Եթե անտեսվի շատ ավելի երկար, մեքենան սկսում է դանդաղեցնել մինչև կանգ առնելը: Արգելակելով, պտտելով կամ անջատելով նավարկության կառավարման ցողունը, վարորդները միշտ կարող են խախտել ավտոմատ օդաչուի գործառույթները:
Թռչնի աչքի տեսք
Նկարները, որոնք Tesla-ի սարքավորումները հաճախ մեկնաբանում են, կարող են լրացուցիչ չափերի կարիք ունենալ: Bird's Eye View ֆունկցիան հեշտացնում է ավելի հեռու տարածությունները և առաջարկում է արտաքին աշխարհի ավելի ճշգրիտ պատկերացում:
Սա տեսողական մոնիտորինգի համակարգ է, որը «արտադրում» է մեքենայի վերևի տեսքը՝ կայանելը պարզեցնելու և փոքր վայրերում նավարկելու հեշտացման համար: Առանց կայանելու ձեր ունակությունների մասին աննկատ հիմնավորումներ ներկայացնելու, այժմ կարող եք ապահով կերպով վերցնել ղեկը:
Tesla-ի ապագան
Եթե դուք փնտրում եք միջին չափի ամենագնաց՝ հզոր միջակայքով, ապա 2022 Tesla Model Y ֆանտաստիկ մեկնարկային կետ է EV-ների համար: Ծրագրային ապահովման կանոնավոր արդիականացման շնորհիվ Model Y-ն անընդհատ փոխվում է, ինչպես Tesla-ի շատ այլ ապրանքներ:
Բարձրացնելով անվտանգությունն ու ֆունկցիոնալությունը՝ այս արդիականացումներն օգնում են ձեր մեքենան ավելի օգտակար լինել: Մարդկանց համար, ովքեր պետք է երկար ճանապարհներ անցնեն ընտանիքի և տարբեր ուղեբեռի հետ, ընդարձակ կորպուսը և Tesla-ի Supercharger ցանցի հասանելիությունը այն հիանալի ընտրություն են դարձնում:
Իր մեկնարկից ի վեր Tesla-ն օգտվել է իր ընթացիկ հաճախորդների բազայի տվյալներից, և ինքնավար մեքենաների վրա նրա աշխատանքը հանդիսանում է AI-ն իր բոլոր գործողությունների հիմքում դնելու շարունակական հավակնությունների մի մասը:
AI-ն և մեծ տվյալները կշարունակեն լինել Էլոն Մասկը և նրա թիմը Tesla-ի հավատարիմ դաշնակիցների մեջ, քանի որ նրանք շարժվում են դեպի իրենց նորագույն նախաձեռնությունները, ներառյալ էլեկտրական ցանցը տնային արևային էներգիայի վահանակներով փոխակերպելու իրենց ձգտումները:
Եզրափակում
Tesla ընկերությունը, որը ճանաչվում է որպես շուկայի ամենաագրեսիվ նորարարներից մեկը, միշտ տվյալների հավաքագրումն ու վերլուծությունը դարձրել է իր ամենահզոր գործիքը: Նրանք հետևում էին նույն կանոններին, երբ խոսքը գնում էր սեփական չիպերի ստեղծման մասին:
Բիզնեսը մշակել է ինքնավար տրանսպորտային միջոցներ, որոնք արհեստական ինտելեկտի և տվյալների վերլուծության շնորհիվ ունեն ներուժ ամբողջությամբ փոխելու մեր մեքենա վարելը:
Տեսնենք, թե հարթակը որքանով է կատարում իր խոստումները և զարգացնում իր բիզնեսը: Թե ուր է ընկերությունը գնալու ապագայում ինքնավար մեքենաների շուկայում, մնում է պարզել այս տեխնոլոգիաները օգտագործելուց հետո:
Թողնել գրառում