Galite manyti, kad Tesla yra gerai žinomas vardas automobilių pramonėje, kai galvojate apie juos. Tesla, elektrinių automobilių pradininkė, be jokios abejonės. Tačiau jie yra technologinė įmonė, o tai yra jų sėkmės paslaptis.
Vienas iš dalykų, dėl kurių jų verslas buvo sėkmingas, yra naudojimas dirbtinis intelektas technologijas. Visiškas „Tesla“ transporto priemonių automatizavimas yra vienas iš svarbiausių bendrovės dabartinių prioritetų, o siekdami šio tikslo jie naudoja dirbtinį intelektą ir daugelį jo komponentų.
Pranešdama apie savo atvykimą 2021 m. pradžioje, Tesla sukėlė ažiotažą subkontinente. Elonas Muskas beveik pasiruošęs įkurti Bengalūrą, Indiją, kaip „Tesla India“ gamybos centrą.
Indijos dirbtinio intelekto ekspertai džiaugėsi, kai tęsiasi memai ir tviteris apie tai, kaip Indijoje veiks daug giriami „savarankiški automobiliai“.
Visa dirbtinio intelekto banga, kuri galiausiai valdys pasaulį, tik prasideda.
Šiame įraše bus nuodugniai išnagrinėta, kaip Tesla integruoja AI į savo sistemą, įskaitant specifiką ir kitą informaciją.
Taigi, kaip AI moko savarankiško vairavimo automobiliuose?
Autonominės transporto priemonės nuolat analizuoti savo jutiklių ir mašininio vaizdo kamerų duomenis, kad galėtų vairuoti savarankiškai. Tada jie naudoja šiuos duomenis, kad nuspręstų, ką daryti toliau.
Jie naudoja dirbtinį intelektą, kad suprastų ir nuspėtų kitus dviračių, pėsčiųjų ir automobilių judesius. Jie gali naudoti šią informaciją norėdami greitai planuoti savo veiksmus ir priimti sprendimus per sekundės dalį.
Ar automobilis turėtų važiuoti dabartine eismo juosta ar persirikiuoti? Ar jis turėtų tęstis ten, kur yra, ar praleisti priešais esantį automobilį? Kada transporto priemonė turėtų sulėtinti arba pagreitinti?
„Tesla“ turi surinkti reikiamus duomenis, kad galėtų išmokyti algoritmus ir maitinti savo AI, kad automobiliai taptų visiškai autonomiški. Geresnį našumą visada lems daugiau treniruočių duomenų, o „Tesla“ spindi šioje srityje.
Tai, kad Tesla sutelkia visus savo duomenis iš šimtų tūkstančių dabar važiuojančių Tesla transporto priemonių, suteikia jiems konkurencinį pranašumą. Tiek vidiniai, tiek išoriniai jutikliai stebi, kaip Teslas elgiasi įvairiomis aplinkybėmis.
Jie taip pat renka informaciją apie vairuotojo elgesį, įskaitant tai, kaip jie reaguoja į tam tikras aplinkybes ir kaip dažnai liečia vairą arba prietaisų skydelį.
„Mokymasis imituojant“ – taip vadinasi „Tesla“ strategija. Milijonai tikrų vairuotojų visame pasaulyje priima sprendimus, reaguoja ir juda, o jų algoritmai mokosi iš tų veiksmų. Visi šie kilometrai lemia neįtikėtinai sudėtingas autonomines transporto priemones.
Jų sekimo sistema tikrai pažangi. Pavyzdžiui, „Tesla“ išsaugo momentinį duomenų vaizdą, prideda jį prie duomenų rinkinio ir atkuria abstrakčią pasaulio vaizdą, naudodama spalvomis pažymėtas formas, kurias neuroninis tinklas gali pasimokyti iš. Taip atsitinka, kai Tesla transporto priemonė neteisingai numato automobilio ar dviračio elgesį.
Kitos įmonės, kuriančios autonomines transporto priemones, remiasi sintetiniai duomenys, kuris yra daug mažiau efektyvus nei realūs duomenys, kuriuos „Tesla“ naudoja mokydama savo AI (pavyzdžiui, vairavimo elgseną iš vaizdo žaidimų, tokių kaip „Grand Theft Auto“).
Dabar išnagrinėsime „Tesla“ komponentus, kurie naudojasi AI.
Tesla komponentai, kurie naudoja AI pranašumus
Kamera ir jutikliai
Pareigos, kurias turi atlikti Tesla, yra gana gerai žinomos. Visos šios operacijos – nuo eismo juostos identifikavimo iki pėsčiųjų sekimo – atliekamos realiu laiku. Dėl šios priežasties Tesla veikė 8 kamerų pagalba. Be to, tiek daug kamerų užtikrina, kad nėra aklosios zonos ir kad visa zona aplink automobilį yra uždengta.
Tai tiesa, ką ką tik perskaitėte! nėra LIDAR Nėra didelės raiškos žemėlapių sudarymo sistemos. Tesla nori naudoti tik kompiuterinį regėjimą, mašininis mokymasis, ir fotoaparato vaizdo sklaidos kanalus, kad sukurtumėte automatinio pilotavimo modelį. Konvoliuciniai neuroniniai tinklai (CNN) naudojami neapdorotam vaizdo įrašui analizuoti, kad būtų galima sekti ir aptikti objektus.
„Tesla“ autopilotas be kamerų taip pat turi radarų ir ultragarso jutiklius. Radaras naudojamas aptikti ir išmatuoti atstumą tarp transporto priemonių ir kitų objektų. Siekiant optimizuoti vairuotojo saugumą, ultragarsiniai jutikliai taip pat veikia pagal pasyvių objektų artumo stebėjimą.
Siekiant suprasti automobilio aplinką ir maksimaliai reaguoti į autopiloto galimybes, su Tesla aparatine įranga integruoti neuroniniai tinklai.
Tesla FSD lustas -3
Siekiant pagerinti našumą ir saugumą keliuose, Tesla sistemose yra du AI procesoriai. Tesla sistema siekia būti be klaidų. Net jei vienas blokas sugenda, automobilis vis tiek gali veikti naudodamas papildomus įrenginius dėl atsarginės energijos ir duomenų įvesties šaltinių.
Tesla taiko šias papildomas priemones, kad įsitikintų, jog automobiliai yra gerai įrengti, kad nenumatyto gedimo atveju išvengtų susidūrimų. Tik žmogaus smegenys gali atlikti daugiau operacijų per sekundę nei naujasis Tesla mikroprocesorius (1 kvadrilijonas operacijų per sekundę). Tai yra maždaug 21 kartą galingesnis nei Tesla Nvidia mikroschemos, kurios buvo naudojamos anksčiau.
TEsla neabejotinai yra visiškai autonominių lokomotyvų rinkos lyderis, tačiau jai dar toli iki pažangiausio autopiloto automobilio gamybos.
Ateityje automobilis, pasižymintis savybėmis, kurias aprašėme šiame rašinyje, neabejotinai taps įprastas dalykas. „Tesla“ sukūrė savo pažangiausius AI procesorius ir neuroninio tinklo architektūrą.
Neuroninių tinklų mokymas
Modelis taip pat turi būti apmokytas po neuroninių tinklų buvo sukurti. Žinome, kad Tesla įdiegė daugybę bibliotekų ir įrankių, kad suteiktų pažangiausias kompiuterinio matymo galimybes.
Pytorchas, kurį sukūrė Facebook AI tyrimų skyrius, yra viena iš tokių sistemų (FAIR). PyTorch naudoja „Tesla“ technologijų krūva lavinti giluminio mokymosi modelį.
Pastebėtina, kad „Tesla“ nepasitiki žemėlapiais ar LIDAR, kad pasiektų visišką autonomiją. Naudojamos išskirtinai kameros ir grynas kompiuterinis matymas, viskas daroma realiu laiku.
„Tesla“ naudoja „Pytorch“ mokymams ir įvairiai pagalbinei veiklai, pvz automatizuota darbo eiga planavimas, modelio slenksčių kalibravimas, kruopštus įvertinimas, pasyvus testavimas, modeliavimo testai ir kt.
Tesla praleidžia maždaug 70,000 48 GPU valandų treniruodama 1,000 tinklus, kurie sudaro 1000 skirtingų prognozių. Šie mokymai vyksta nuolat, ne vieną kartą. Mes žinome, kad dirbtinis intelektas yra pasikartojantis procesas, kuris laikui bėgant tobulėja. Dėl to visos XNUMX atskirų prognozių išlieka tikslios ir niekada neklysta.
HydraNet
Bet kuriuo metu atliekama apie 100 darbų, net kai automobilis nejuda ir greičiausiai yra kryžkelėje. Neuroninio tinklo naudojimas kiekvienai užduočiai yra brangus ir neefektyvus. Tesla automobiliuose dirbtinis intelektas realiu laiku apdoroja didžiulius informacijos kiekius.
Dėl to ResNet-50 bendras stuburas, galintis vienu metu apdoroti 1000 x 1000 nuotraukų, yra centrinis Computer Vision darbo eigos procesorius.
Netoli tinklo viršaus HydraNet neuroninio tinklo dizainas yra padalintas į keletą šakų (arba galvučių). Kadangi kiekviena treniruočių duomenų mikro partija įvairioms galvoms pasveriama skirtingai, šios galvos yra mokomos savarankiškai ir išmoksta skirtingų dalykų.
Žinoma, yra keletas atvejų, kai šie „HydraNets“ dirba kartu, kad apdorotų transporto priemonių AI. Kiekviena „HydraNet“ informacija naudojama pasikartojančioms problemoms išspręsti.
Pavyzdžiui, užduotis gali būti aktyvi tvarkyti sustojimo ženklus, kita užduotis – elgtis su pėsčiaisiais ir dar kita – tikrinti eismo signalus. Visos šios skirtingos pareigos atliekamos iš bendro pagrindo.
Pagal HydraNet architektūrą kiekvienai iš šių užduočių reikia tik nedidelės milžiniško neuroninio tinklo dalies.
Tai gana panašu į mokymosi perdavimą, kai atskiri blokai mokomi bendram blokui tam tikroms susijusioms užduotims atlikti. „HydraNets“ stuburai yra mokomi įvairių dalykų, o vadovai – tam tikrų darbų.
Tai sumažina laiką, reikalingą modeliui išmokyti, ir pagreitina išvadas.
„Tesla Autopilot“
Automobiliai su autopiloto galimybėmis gali savarankiškai vairuoti, įsibėgėti ir sustoti eismo juostoje. Jis sukurtas naudojant giliųjų neuroninių tinklų koncepcijas. Jis stebi aplinką automobilį naudodamas kameras, ultragarsinius jutiklius ir radarą.
Jutikliai ir kameros vairuotojus informuoja apie juos supančią aplinką, o ši informacija išanalizuojama per kelias milisekundes, kad vairavimas būtų saugesnis ir mažiau įtemptas.
Šviesiomis, tamsiomis ir įvairiomis oro sąlygomis radaras naudojamas stebėti ir įvertinti erdvę aplink automobilius. Kiekvienoje situacijoje ultravioletiniai metodai nustato artumą, o pasyvus vaizdo įrašas atpažįsta šalia esančius objektus ir skatina saugų vairavimą.
Be to, autopilotas yra skirtas padėti vairuotojui ir nepaverčia Tesla į savarankiškai važiuojančią transporto priemonę. Įprasta praktika įspėti vairuotojus laikyti rankas ant vairo.
Jei to nepadarysite, suveikia keletas įspėjimų, kad perimtumėte vairą. Jei nepaisoma daug ilgiau, automobilis pradeda sulėtinti greitį prieš sustodamas. Stabdydami, pasukdami arba išjungdami pastovaus greičio palaikymo svirtį, vairuotojai visada gali nepaisyti autopiloto funkcijų.
Paukščio skrydžio vaizdas
Nuotraukoms, kurias dažnai interpretuoja „Tesla“ aparatinė įranga, gali prireikti papildomų matmenų. Vaizdo iš paukščio skrydžio funkcija leidžia lengviau įvertinti tolimesnius atstumus ir suteikia tikslesnį išorinio pasaulio vaizdą.
Tai vizualinio stebėjimo sistema, kuri „perteikia“ automobilio vaizdą iš viršaus, kad būtų paprasta statyti automobilį ir lengviau orientuotis nedidelėse vietose. Nereikės niūriai pagrįsti savo gebėjimų statyti automobilį, dabar galite saugiai perimti vairą.
Tesla ateitis
Jei ieškote vidutinio dydžio visureigio su dideliu asortimentu, 2022 m. Tesla Model Y yra puikus atspirties taškas elektromobiliams. Dėl reguliarių programinės įrangos atnaujinimų Y modelis nuolat keičiasi, kaip ir daugelis kitų „Tesla“ produktų.
Didinant saugumą ir funkcionalumą, šie atnaujinimai padeda jūsų automobiliui būti naudingesniam. Žmonėms, kuriems reikia keliauti didelius atstumus su šeima ir įvairiu bagažu, erdvus korpusas ir prieiga prie Tesla Supercharger tinklo yra puikus pasirinkimas.
Nuo pat įkūrimo „Tesla“ naudojosi duomenimis iš dabartinės klientų bazės, o jos darbas su autonominėmis transporto priemonėmis yra dalis jos nuolatinio siekio, kad dirbtinis intelektas būtų visų savo operacijų pagrindas.
Dirbtinis intelektas ir dideli duomenys ir toliau bus Elonas Muskas ir jo komanda, ištikimi Tesla sąjungininkai, kai jie imsis naujausių iniciatyvų, įskaitant siekius pakeisti elektros tinklą naudojant namų saulės energijos plokštes.
Išvada
„Tesla“, įmonė, pripažinta kaip viena agresyviausių rinkos novatorių, duomenų rinkimą ir analizę visada laikė galingiausiu įrankiu. Kurdami savo lustus jie laikėsi tų pačių taisyklių.
Verslas sukūrė autonomines transporto priemones, kurios dėl dirbtinio intelekto ir duomenų analizės gali visiškai pakeisti mūsų vairavimo būdą.
Pažiūrėkime, kaip platforma laikosi savo pažadų ir plėtoja savo verslą. Kur įmonė eis autonominių transporto priemonių rinkoje ateityje, belieka pamatyti, panaudojus šias technologijas.
Palikti atsakymą