जेव्हा तुम्ही त्यांचा विचार करता तेव्हा तुम्ही टेस्ला हे ऑटोमोबाईल उद्योगातील एक प्रसिद्ध नाव असल्याचे गृहीत धरू शकता. इलेक्ट्रिक ऑटोमोबाईलमधील अग्रणी टेस्ला, यात शंका नाही. तथापि, ते एक तांत्रिक फर्म आहेत, जे त्यांच्या यशाचे रहस्य आहे.
त्यांचा व्यवसाय यशस्वी बनवलेल्या गोष्टींपैकी एक म्हणजे वापर कृत्रिम बुद्धिमत्ता तंत्रज्ञान टेस्लाच्या वाहनांचे संपूर्ण ऑटोमेशन हे कंपनीच्या सध्याच्या सर्वोच्च प्राधान्यांपैकी एक आहे आणि हे उद्दिष्ट साध्य करण्यासाठी ते AI आणि त्याच्या अनेक घटकांचा वापर करत आहेत.
2021 च्या सुरूवातीला त्याच्या आगमनाची घोषणा करून, टेस्ला उपखंडात खळबळ उडाली. इलॉन मस्क टेस्ला इंडियाचे मॅन्युफॅक्चरिंग हब म्हणून बंगलोर, भारताची स्थापना करण्यास जवळजवळ तयार आहे.
भारतातील AI तज्ञांनी भारतामध्ये खूप प्रशंसनीय “सेल्फ-ड्रायव्हिंग कार” कशा चालवल्या जातील याविषयी मीम्स आणि ट्विट करत आनंद व्यक्त केला.
कृत्रिम बुद्धिमत्तेची एक संपूर्ण लहर जी अखेरीस जगावर राज्य करेल, नुकतीच सुरुवात होत आहे.
हे पोस्ट तपशील आणि इतर माहितीसह, टेस्ला त्याच्या सिस्टममध्ये AI कसे समाकलित करत आहे याचे सखोल परीक्षण करेल.
तर, एआय कारमध्ये ऑटोनॉमस ड्रायव्हिंग कसे शिकवते?
स्वायत्त वाहने स्वतंत्रपणे वाहन चालवण्यास सक्षम होण्यासाठी त्यांच्या सेन्सर्स आणि मशीन व्हिजन कॅमेर्यांकडून डेटाचे सतत विश्लेषण करा. त्यानंतर पुढे काय करायचे ते ठरवण्यासाठी ते या डेटाचा वापर करतात.
ते सायकल, पादचारी आणि ऑटोच्या पुढील हालचाली समजून घेण्यासाठी आणि अंदाज लावण्यासाठी AI वापरतात. ते या माहितीचा वापर त्यांच्या कृतींचे त्वरीत नियोजन करण्यासाठी आणि विभाजित-सेकंद निर्णय घेण्यासाठी करू शकतात.
ऑटोमोबाईल सध्याच्या लेनमध्ये चालू ठेवावी की लेन बदलली पाहिजे? ते जिथे आहे तिथे चालू ठेवावे की त्यांच्या समोरून ऑटोमोबाईल पास करावी? वाहनाचा वेग कधी कमी किंवा वाढवावा?
टेस्लाला अल्गोरिदम प्रशिक्षित करण्यासाठी आणि कार पूर्णपणे स्वायत्त बनवण्यासाठी त्याच्या एआय फीड करण्यासाठी योग्य डेटा गोळा करावा लागेल. अधिक प्रशिक्षण डेटामुळे नेहमीच चांगली कामगिरी होईल आणि टेस्ला या क्षेत्रात चमकेल.
टेस्ला आता रस्त्यावर असलेल्या शेकडो हजारो टेस्ला वाहनांमधून त्याचा सर्व डेटा क्राउडसोर्स करते ही वस्तुस्थिती त्यांना स्पर्धात्मक फायदा देते. टेस्लास विविध परिस्थितीत कसे वागतात हे दोन्ही अंतर्गत आणि बाह्य सेन्सर ट्रॅक करतात.
ते ड्रायव्हरच्या वर्तनाबद्दल माहिती देखील गोळा करतात, ज्यात ते विशिष्ट परिस्थितींना कसा प्रतिसाद देतात आणि स्टीयरिंग व्हील किंवा डॅशबोर्डला किती वारंवार स्पर्श करतात.
“अनुकरण शिक्षण” हे टेस्लाच्या धोरणाचे नाव आहे. जगभरातील लाखो वास्तविक ड्रायव्हर्स निर्णय घेतात, प्रतिसाद देतात आणि हालचाल करतात आणि त्यांचे अल्गोरिदम त्या क्रियांमधून शिकतात. त्या सर्व किलोमीटरचा परिणाम आश्चर्यकारकपणे अत्याधुनिक स्वायत्त वाहनांमध्ये होतो.
त्यांची ट्रॅकिंग सिस्टीम खरोखरच प्रगत आहे. उदाहरणार्थ, टेस्ला त्या क्षणाचा डेटा स्नॅपशॉट संग्रहित करते, डेटा सेटमध्ये जोडते आणि नंतर रंग-कोडेड आकार वापरून जगाचे अमूर्त प्रतिनिधित्व पुन्हा तयार करते. मज्जासंस्थेसंबंधीचा नेटवर्क पासून शिकू शकतो. जेव्हा टेस्ला वाहन कार किंवा सायकलच्या वर्तनाचा चुकीचा अंदाज लावतो तेव्हा असे होते.
स्वायत्त वाहने विकसित करणारे इतर व्यवसाय अवलंबून असतात सिंथेटिक डेटा, जे टेस्लाने त्याच्या AI ला प्रशिक्षित करण्यासाठी वापरलेल्या वास्तविक-जगातील डेटापेक्षा लक्षणीयरीत्या कमी प्रभावी आहे (उदाहरणार्थ, ग्रँड थेफ्ट ऑटो सारख्या व्हिडिओ गेममधून ड्रायव्हिंग वर्तन).
आम्ही आता टेस्ला घटकांचे परीक्षण करू जे AI चा फायदा घेतात.
टेस्ला घटक जे AI चा लाभ घेतात
कॅमेरा आणि सेन्सर्स
टेस्लाने ज्या जबाबदाऱ्या पूर्ण केल्या पाहिजेत त्या सर्वज्ञात आहेत. लेन ओळखण्यापासून ते पादचारी ट्रॅकिंगपर्यंतच्या या सर्व ऑपरेशन्स रिअल-टाइममध्ये केल्या जातात. टेस्लाने या कारणासाठी 8 कॅमेऱ्यांच्या मदतीने ऑपरेट केले. याव्यतिरिक्त, या अनेक कॅमेर्यांची उपस्थिती खात्री देते की तेथे कोणतेही अंध क्षेत्र नाही आणि कारच्या आजूबाजूचा संपूर्ण भाग व्यापलेला आहे.
तुम्ही जे वाचले ते खरे आहे! हाय-डेफिनिशन मॅपिंगसाठी LIDAR नाही. टेस्लाला फक्त संगणक दृष्टी वापरायची आहे, मशीन शिक्षण, आणि ऑटो-पायलट मॉडेल तयार करण्यासाठी कॅमेरा व्हिडिओ फीड. कॉन्व्होल्युशनल न्यूरल नेटवर्क्स (सीएनएन) नंतर ट्रॅक करण्यासाठी कच्च्या व्हिडिओचे विश्लेषण करण्यासाठी वापरले जातात आणि वस्तू शोधणे.
टेस्ला ऑटोपायलट कॅमेरा व्यतिरिक्त रडार आणि अल्ट्रासोनिक सेन्सर देखील आहेत. रडारचा वापर वाहने आणि इतर वस्तूंमधील पृथक्करण शोधण्यासाठी आणि मोजण्यासाठी केला जातो. ड्रायव्हर सुरक्षितता ऑप्टिमाइझ करण्यासाठी, अल्ट्रासोनिक सेन्सर्स निष्क्रिय वस्तूंसह जवळच्या निरीक्षणाच्या अनुषंगाने देखील कार्य करतात.
कारच्या सभोवतालची परिस्थिती समजून घेण्यासाठी आणि ऑटोपायलट क्षमता शक्य तितक्या प्रतिसादात्मक बनवण्यासाठी, न्यूरल नेटवर्क टेस्ला हार्डवेअरसह एकत्रित केले जातात.
टेस्ला एफएसडी चिप -3
सुधारित कार्यप्रदर्शन आणि रस्त्यांवरील सुरक्षिततेसाठी, टेस्ला सिस्टममध्ये दोन एआय प्रोसेसर समाविष्ट आहेत. टेस्ला प्रणाली त्रुटी-मुक्त होण्याचा प्रयत्न करते. जरी एक युनिट अयशस्वी झाले, तरीही बॅकअप पॉवर आणि डेटा इनपुट स्त्रोतांमुळे ऑटोमोबाईल अतिरिक्त युनिट वापरून कार्य करू शकते.
अप्रत्याशित बिघाड झाल्यास टक्कर टाळण्यासाठी कार सुसज्ज असल्याची खात्री करण्यासाठी टेस्ला या अतिरिक्त उपायांचा वापर करते. फक्त द मानवी मेंदू नवीन टेस्ला मायक्रोप्रोसेसर (प्रति सेकंद 1 क्वाड्रिलियन ऑपरेशन्स) पेक्षा प्रति सेकंद अधिक ऑपरेशन्स करू शकतात. पूर्वी वापरात असलेल्या टेस्ला एनव्हीडिया मायक्रोचिपपेक्षा ते सुमारे 21 पट अधिक शक्तिशाली आहे.
Tesla निःसंशयपणे पूर्णपणे स्वायत्त लोकोमोटिव्हसाठी मार्केट लीडर आहे, परंतु अत्याधुनिक ऑटोपायलट कारचे उत्पादन करणे अद्याप खूप लांब आहे.
भविष्यात, आम्ही या निबंधात वर्णन केलेल्या गुणांसह एक ऑटोमोबाईल निःसंशयपणे सामान्य होईल. टेस्लाने स्वतःचे अत्याधुनिक AI प्रोसेसर आणि न्यूरल नेटवर्क आर्किटेक्चर तयार केले आहे.
न्यूरल नेटवर्क प्रशिक्षण
न्यूरल नेटवर्क्स नंतर मॉडेल देखील प्रशिक्षित करणे आवश्यक आहे तयार केले आहेत. आम्हाला माहिती आहे की टेस्लाने अत्याधुनिक संगणक दृष्टी क्षमतांना अनुमती देण्यासाठी लायब्ररी आणि टूल्सची विस्तृत श्रेणी ठेवली आहे.
पायटोर्च, जे Facebook च्या AI संशोधन विभागाने तयार केले आहे, हे असेच एक फ्रेमवर्क (FAIR) आहे. PyTorch द्वारे वापरले जाते टेस्ला टेक स्टॅक सखोल शिक्षण मॉडेल प्रशिक्षित करण्यासाठी.
हे लक्षात घेण्यासारखे आहे की टेस्ला संपूर्ण स्वायत्तता प्राप्त करण्यासाठी नकाशे किंवा LIDAR वर अवलंबून नाही. कॅमेरे आणि शुद्ध संगणक दृष्टी केवळ वापरली जाते आणि सर्वकाही रिअल-टाइममध्ये केले जाते.
टेस्ला प्रशिक्षणासाठी तसेच विविध सहाय्यक क्रियाकलापांसाठी पायटोर्चची नियुक्ती करते स्वयंचलित कार्यप्रवाह शेड्युलिंग, मॉडेल थ्रेशोल्डचे कॅलिब्रेशन, कसून मूल्यांकन, निष्क्रिय चाचणी, सिम्युलेशन चाचण्या इ.
टेस्ला अंदाजे 70,000 GPU तासांचे प्रशिक्षण 48 नेटवर्क्ससाठी खर्च करते जे 1,000 वेगळे अंदाज लावतात. हे प्रशिक्षण एकदाच नाही तर चालू आहे. आम्हाला माहिती आहे की कृत्रिम बुद्धिमत्ता ही एक पुनरावृत्ती प्रक्रिया आहे जी कालांतराने पुढे जाते. परिणामी, सर्व 1000 स्वतंत्र अंदाज अचूक राहतात आणि कधीही चुकत नाहीत.
हायड्रानेट
कोणत्याही वेळी सुमारे 100 नोकर्या प्रगतीपथावर आहेत, जरी एखादी कार हलत नसताना आणि बहुधा क्रॉसरोडवर असते. प्रत्येक कामासाठी न्यूरल नेटवर्क वापरणे महाग आणि कुचकामी आहे. टेस्ला वाहनांमध्ये AI द्वारे रिअल-टाइममध्ये मोठ्या प्रमाणावर माहितीवर प्रक्रिया केली जाते.
परिणामी, ResNet-50 शेअर्ड बॅकबोन, जे एकाच वेळी 1000 x 1000 चित्रांवर प्रक्रिया करू शकते, संगणक व्हिजन वर्कफ्लोसाठी केंद्रीय प्रक्रिया युनिट म्हणून काम करते.
नेटवर्कच्या शीर्षस्थानी, HydraNet न्यूरल नेटवर्क डिझाइन अनेक शाखांमध्ये (किंवा डोके) विभाजित करते. प्रशिक्षण डेटाच्या प्रत्येक सूक्ष्म-बॅचचे अनेक हेडसाठी वेगळ्या पद्धतीने वजन केल्यामुळे, हे हेड स्वतंत्रपणे शिकवले जातात आणि वेगळ्या गोष्टी शिकतात.
अर्थात, वाहनांसाठी AI वर प्रक्रिया करण्यासाठी या HydraNets एकत्र काम करत असल्याची अनेक उदाहरणे आहेत. प्रत्येक HydraNet ची माहिती आवर्ती समस्यांचे निराकरण करण्यासाठी वापरली जाते.
उदाहरणार्थ, स्टॉपची चिन्हे हाताळण्यासाठी एक कार्य सक्रिय असू शकते, दुसरे पादचाऱ्यांना हाताळण्यासाठी आणि दुसरे ट्रॅफिक सिग्नल तपासण्यासाठी. ही भिन्न कर्तव्ये सर्व सामान्य पाठीच्या कण्याद्वारे चालविली जातात.
HydraNet आर्किटेक्चरनुसार, या प्रत्येक कामासाठी प्रचंड न्यूरल नेटवर्कचा एक छोटासा भाग आवश्यक आहे.
हे हस्तांतरण शिक्षणासारखेच आहे, जेथे विशिष्ट संबंधित कार्यांसाठी सामान्य ब्लॉकसाठी वेगळे ब्लॉक्स प्रशिक्षित केले जातात. HydraNets च्या पाठीचा कणा विविध गोष्टींवर प्रशिक्षित केला जातो, तर प्रमुखांना विशिष्ट कामांवर शिकवले जाते.
यामुळे मॉडेलला प्रशिक्षित करण्यासाठी लागणारा वेळ कमी होतो आणि अनुमानाची गती वाढते.
टेस्ला ऑटोपायलट
ऑटोपायलट क्षमता असलेल्या कार स्वायत्तपणे चालवू शकतात, वेग वाढवू शकतात आणि लेनमध्ये थांबू शकतात. हे डीप न्यूरल नेटवर्क संकल्पना वापरून तयार केले आहे. हे कॅमेरे, अल्ट्रासोनिक सेन्सर आणि रडार वापरून कारच्या आजूबाजूच्या परिसराचे निरीक्षण करते.
सेन्सर्स आणि कॅमेऱ्यांद्वारे ड्रायव्हर्सना त्यांच्या सभोवतालच्या परिसराची जाणीव करून दिली जाते आणि ड्रायव्हिंग अधिक सुरक्षित आणि कमी तणावपूर्ण बनवण्यासाठी या माहितीचे मिलिसेकंदांमध्ये विश्लेषण केले जाते.
चमकदार, गडद आणि विविध हवामान परिस्थितीत, रडारचा वापर मोटारगाड्यांभोवतीच्या जागेचे निरीक्षण आणि अंदाज घेण्यासाठी केला जातो. प्रत्येक परिस्थितीत, अल्ट्राव्हायोलेट पद्धती जवळचेपणा निर्धारित करतात आणि निष्क्रिय व्हिडिओ जवळपासच्या वस्तू ओळखतात आणि सुरक्षित ड्रायव्हिंगला प्रोत्साहन देतात.
याव्यतिरिक्त, ऑटोपायलट ड्रायव्हरला मदत करण्यासाठी डिझाइन केलेले आहे आणि ते टेस्लाला स्वयं-ड्रायव्हिंग वाहनात बदलत नाही. वाहनचालकांना चाकावर हात ठेवण्याची ताकीद देणे सामान्य आहे.
जर तुम्ही तसे केले नाही तर चाक घेण्याच्या सूचनांची मालिका ट्रिगर केली जाते. जास्त काळ दुर्लक्ष केल्यास, थांबण्यापूर्वी ऑटोमोबाईल मंद होऊ लागते. क्रूझ कंट्रोल स्टॉकला ब्रेक लावून, वळवून किंवा निष्क्रिय करून, ड्रायव्हर्स नेहमी ऑटोपायलट फंक्शन्स ओव्हरराइड करू शकतात.
पक्ष्यांचे डोळे पहा
टेस्ला हार्डवेअर ज्या चित्रांचा अर्थ लावतो त्यांना अतिरिक्त परिमाणांची आवश्यकता असू शकते. बर्ड्स आय व्ह्यू वैशिष्ट्य अधिक दूरचे अंतर मोजणे सोपे करते आणि बाह्य जगाचे अधिक अचूक प्रतिनिधित्व देते.
ही एक व्हिज्युअल मॉनिटरिंग सिस्टीम आहे जी पार्किंग सोपी करण्यासाठी आणि छोट्या ठिकाणी नेव्हिगेट करणे सोपे करण्यासाठी कारची शीर्ष दृश्य प्रतिमा "रेंडर" करते. आपल्या पार्किंग क्षमतेबद्दल एक लंगडी औचित्य प्रदान न करता, आपण आता सुरक्षितपणे चाक घेऊ शकता.
टेस्लाचे भविष्य
तुम्ही मजबूत रेंज असलेली मध्यम आकाराची SUV शोधत असल्यास, 2022 टेस्ला मॉडेल Y ईव्हीसाठी एक विलक्षण प्रारंभ बिंदू आहे. नियमित सॉफ्टवेअर सुधारणांमुळे, टेस्लाच्या इतर उत्पादनांप्रमाणे Y मॉडेल सतत बदलत आहे.
सुरक्षा आणि कार्यक्षमता वाढवून, हे अपग्रेड तुमच्या ऑटोमोबाईलला अधिक उपयुक्त होण्यास मदत करतात. ज्या लोकांना कुटुंब आणि विविध सामानासह लांब पल्ल्याचा प्रवास करण्याची आवश्यकता आहे, अशा लोकांसाठी, प्रशस्त बॉडी आणि टेस्लाच्या सुपरचार्जर नेटवर्कमध्ये प्रवेश यामुळे ही एक अद्भूत निवड आहे.
त्याच्या सुरुवातीपासून, टेस्लाला त्याच्या सध्याच्या ग्राहकांच्या डेटाचा फायदा झाला आहे, आणि स्वायत्त वाहनांवरील त्याचे कार्य त्याच्या सर्व ऑपरेशन्सच्या केंद्रस्थानी AI ला ठेवण्याच्या त्याच्या सुरू असलेल्या महत्त्वाकांक्षेचा एक भाग आहे.
AI आणि बिग डेटा टेस्लाच्या विश्वासू सहयोगींमध्ये एलोन मस्क आणि त्यांची टीम बनून राहतील कारण ते त्यांच्या घरातील सौर उर्जा पॅनेलसह इलेक्ट्रिक ग्रिडचे रूपांतर करण्याच्या त्यांच्या आकांक्षांसह त्यांच्या नवीन उपक्रमांमध्ये जातात.
निष्कर्ष
Tesla, एक कंपनी जी बाजारातील सर्वात आक्रमक नवोन्मेषकांपैकी एक म्हणून ओळखली जाते, तिने नेहमीच डेटा गोळा करणे आणि विश्लेषण करणे हे सर्वात शक्तिशाली साधन बनवले आहे. जेव्हा त्यांची स्वतःची चिप्स तयार करण्याची वेळ आली तेव्हा त्यांनी समान नियमांचे पालन केले.
व्यवसायाने स्वायत्त वाहने विकसित केली आहेत ज्यात कृत्रिम बुद्धिमत्ता आणि डेटा विश्लेषणामुळे आम्ही ऑटोमोबाईल कसे चालवतो ते पूर्णपणे बदलण्याची क्षमता आहे.
प्लॅटफॉर्म आपली आश्वासने किती चांगल्या प्रकारे पाळतो आणि त्याचा व्यवसाय विकसित करतो ते पाहूया. या तंत्रज्ञानाचा वापर केल्यानंतर कंपनी भविष्यात स्वायत्त वाहनांसाठी बाजारात कोठे जाईल हे पाहणे बाकी आहे.
प्रत्युत्तर द्या