Tesla yra Amerikos automobilių gamybos įmonė, kurią įkūrė Elonas muskusas 2003.
Bendrovė geriausiai žinoma dėl savo elektromobilių ir specializacija saulės baterijų bei ličio jonų baterijų energijos kaupimo srityje.
„Tesla“ automobiliuose yra daug revoliucinių funkcijų, įskaitant superįkrovimą, prieigą prie raktų kortelės ir autopiloto režimą.
Autopiloto režimas buvo įmanomas dėl dirbtinio intelekto (AI) idėjų ir Tesla pažangi neuronų tinklo architektūra.
Išsamiai aptarkime Tesla neuronų tinklo architektūrą.
Kas yra neuroniniai tinklai?
Neuroniniai tinklai arba NN yra algoritmų serija, modeliuojama pagal biologinį aktyvumą žmogaus smegenys. Neuroniniai tinklai susideda iš mazgų, dar vadinamų neuronais. Vertikalių mazgų rinkinys yra žinomas kaip sluoksniai.
Kiekvienas sluoksnis susideda iš mazgų, dar vadinamų neuronais, kuriuose atliekami skaičiavimai. Vieno sluoksnio mazgai yra prijungti prie kito sluoksnio perdavimo linijomis, kaip parodyta toliau.
Toliau pateiktoje diagramoje apskritimai žymi mazgus, o vertikali mazgų rinkinys – sluoksnius. Šiame modelyje yra trys sluoksniai.
Kaip jie mokosi?
Duomenys į modelį pateikiami po vieną objektą kartu su etikete. Duomenys suskirstomi į dalis ir perduodami per kiekvieną modelio mazgą.
Mazgai atlieka matematines operacijas su šiais gabalais. Po daugybės skaičiavimų viename sluoksnyje duomenys pereina į kitą sluoksnį ir pan.
Baigęs mūsų modelis numato duomenų etiketę išvesties sluoksnyje. Tada modelis palygina šią numatomą vertę su faktine etiketės verte.
Jei reikšmės sutampa, mūsų modelis paims kitą įvestį, bet jei reikšmės skiriasi, modelis apskaičiuos skirtumą tarp abiejų reikšmių, vadinamų nuostoliais, ir pakoreguos mazgo skaičiavimus, kad kitą kartą būtų sukurtos atitinkamos etiketės.
Tesla neuroninio tinklo architektūra
„Tesla“ naudoja pažangiausius tyrimus, kad apmokytų giluminius neuroninius tinklus sprendžiant problemas nuo suvokimo iki valdymo.
„Tesla“ kamerų tinklai analizuoja neapdorotus vaizdus, kad galėtų atlikti semantinį segmentavimą, objektų aptikimą ir monokuliarinio gylio įvertinimas.
Duomenų rinkiniai
Neuroniniai tinklai mokomi naudojant neapdorotus vaizdus, išgautus iš vaizdo įrašų, nufilmuotų iš paukščio skrydžio tinklo kamerų, kurios išveda kelio išdėstymą, statinę infrastruktūrą ir 3D objektus tiesiai rodinyje iš viršaus į apačią.
Duomenų vaizdai yra be etikečių ir apima daugybę įvairių scenarijų visame pasaulyje ir susideda iš vieno milijono transporto priemonių realiuoju laiku.
Kaip tai veikia?
Tinklas susideda iš 70,000 48 grafinių procesorių (GPU), kurie treniruoja XNUMX gilus mokymasis modeliai.
Automobilio techninės įrangos komponentai, įskaitant kameras ir jutiklius, teikia neprižiūrimus duomenis, perduodamus per šių modelių tinklą.
Iš pateiktų duomenų automobilis sužino apie galimus objektus aplinkoje, pvz., pėsčiąjį, medį ir pan.
Architektūrą taip pat sudaro du AI lustai, kuriuose naudojami principai gilus mokymasis. Šie lustai padeda priimti sprendimus dėl automobilio realiuoju laiku, pvz., kada ir kaip pasukti vairuojant.
Neuroninio tinklo architektūra apima daug galingų įrenginių ir koncepcijų, kurios prisideda prie jos veikimo, įskaitant:
FSD lustas
Visiškas savarankiškas vairavimas (FSD) lustai yra AI išvadų lustai, kuriuose veikia Tesla autopiloto programinė įranga. Šie lustai buvo sukurti su mikroarchitektūriniais patobulinimais, kurie sumažina maksimalų silicio našumą vatui.
FSD įgyvendina grindų planavimą, laiko ir galios analizę, rašydami patikimus testus ir rezultatų lenteles, kad patikrintų AI funkcionalumą ir našumą.
Dojo lustai ir sistemos
Dojo yra Tesla super kompiuterinė sistema, kuri išsprendžia sudėtingas problemas naudojant pažangias didelio galingumo tiekimo ir aušinimo technologijas.
„Dojo Chips“ apima dirbtinį intelektą, kuris maitina šias sistemas ir yra sukurtas maksimaliam našumui, pralaidumui ir pralaidumui užtikrinti bet kokiu tikslumu.
Kartu lustai ir sistemos yra naudojamos optimizuoti Tesla NN galią ir našumą.
Autonomijos algoritmai
Autonomijos algoritmai yra pagrindiniai algoritmai, kurie vairuoja automobilį kurdami aukšto tikslumo pasaulio vaizdą ir planuodami trajektorijas tam tikroje erdvėje.
Iki treniruoti neuroninius tinklus Siekdama numatyti tokius vaizdus, „Tesla“ algoritmiškai sukuria tikslius ir didelio masto žemės tiesos duomenis, derindama informaciją iš automobilio jutiklių erdvėje ir laike.
Šie algoritmai naudoja pažangias technologijas, kad sukurtų tvirtą planavimo ir sprendimų priėmimo sistemą, kuri veiktų sudėtingose realaus pasaulio situacijose esant neapibrėžtumui.
Vertinimo infrastruktūra
„Tesla“ vertinimo infrastruktūra apima atvirojo ciklo, uždarojo ciklo ir techninės įrangos ciklo vertinimo įrankius ir infrastruktūrą.
Ši infrastruktūra leidžia AI stebėti našumo patobulinimus ir užkirsti kelią regresijai.
Pagrindinės Tesla NN savybės
- Kameros, ultragarsiniai jutikliai ir radaras suvokia aplinką
- Radaras matuoja atstumą aplink automobilį
- Ultravioletiniai metodai matuoja artumą, o pasyvus vaizdo įrašas atpažįsta aplink automobilį esančius objektus
- Naudoja du AI lustus, sukurtus remiantis giliųjų neuroninių tinklų principais
- AI lustai, sudaryti iš 6 milijardų tranzistorių
- 21 kartą greičiau nei Nvidia lustai
- AI lustai turi 32 megabaitus didelės spartos SRAM atminties
- Susideda iš 48 giluminio mokymosi modelių
- Sudėtyje yra 70,000 XNUMX grafinių procesorių (GPU)
- Kiekviename laiko žingsnyje išveda 1000 skirtingų tenzorių (numatymo).
Išvada
Pažangiausias Tesla Neuroniniai tinklai ir dirbtinio intelekto architektūra idėją apie savarankiškai važiuojančius automobilius pavertė realybe.
Ši pirmaujančio dirbtinio intelekto automobilių gamintojo sėkmė yra jo pažangos rezultatas FSD lustai, Dojo lustai, autonomijos algoritmai, vertinimo infrastruktūra ir kt.
Jei norite sužinoti daugiau apie AI, gilųjį mokymąsi ir naujausias technologijų tendencijas, peržiūrėkite kitus įdomius straipsnius.
Palikti atsakymą