Inhoudsopgave[Zich verstoppen][Laten zien]
De wereld zoals we die nu kennen, kan veranderen als gevolg van kunstmatige intelligentie (AI). Wat betreft verbeteringen in semi-autonome systemen, maakt Tesla daar intensief gebruik van.
Daarnaast stelt Elon Musk dat het op termijn ook op andere terreinen zal worden toegepast. Voor zijn Full Self-Driving-technologie en Autopilot-systeem,
Tesla gebruikt computervisie, machine learningen kunstmatige intelligentie (FSD).
In dit stuk bespreken we wat Tesla tot een technologiebedrijf maakt en hoe het AI, computervisie, big data en andere technologieën gebruikt om zelfrijdende auto's te ontwikkelen. Laten we beginnen.
We zullen eerst onderzoeken hoe Tesla een technologiebedrijf is.
Waarom wordt Tesla beschouwd als een technologiebedrijf?
Tesla produceert een aanzienlijke hoeveelheid software. Tesla's kenmerkende infotainmentsysteem, gebruikersinterface, en functies voor autonoom rijden zijn allemaal gebaseerd op software.
Terwijl andere autofabrikanten nu pas beginnen te experimenteren met over-the-air upgrades, doet Tesla het al jaren. Tesla-medewerkers hebben de besturingssystemen voor Tesla-auto's gemaakt en verbeteren deze voortdurend.
Tesla produceert ook een verscheidenheid aan andere technologische producten, waaronder zonnepanelen, zonnepanelen op daken, verschillende soorten batterijen, laadstations, computers en belangrijke computercomponenten (voor Tesla-auto's).
Hoewel zowel Nokia als Blackberry software hadden, had de iPhone een uitgebalanceerde combinatie van beide, en daarom veroverde hij de mobiele telefoonbusiness en veranderde hij de manier waarop we onze telefoons momenteel gebruiken.
Dit is wat Tesla doet voor de autobusiness. Tesla's zijn voertuigen, ja (en SUV's en binnenkort pick-ups, semi-vrachtwagens en ATV's). Maar deze voertuigen bevatten software voor dagelijks gebruik die intern door Tesla is gemaakt of is opgenomen in het systeem van Tesla.
Terwijl je geparkeerd staat, heeft Tesla entertainmentkeuzes geïntroduceerd, waaronder TRAX, Caraoke en talloze games (en misschien ooit tijdens het transport). Beveiligingssysteem Sentry Mode, dat Tesla-hardware en -software combineert, heeft wetshandhavers geholpen bij het oplossen van misdaden zoals vandalisme. Uw smartphone dient als sleutel van uw Tesla.
Met uw telefoon kunt u uw Tesla bellen om naar u toe te komen. Bovendien zal de auto uw telefoon op de hoogte stellen als er een belangrijke gebeurtenis is dankzij Tesla's unieke Sentry Mode-technologie.
Aangezien Tesla de gegevens zal gebruiken die het heeft verzameld over het werkelijke rijgedrag van Tesla-bestuurders (het verzamelen van gegevens is een sleutelelement van technologie, vooral wanneer het op deze manier direct is en niet via marktonderzoeken), zal de verzekering van Tesla ook een uitbreiding zijn van de technische kant.
Welke technologie gebruikt Tesla voor Autopilot?
Ze creëren en gebruiken op grote schaal autonomie in machines als robots en auto's. Ze beweren dat de enige methode die een volledig antwoord kan bieden volledig is autonoom rijden en verder is er een die vertrouwt op geavanceerde AI voor planning en visie, aangevuld met effectieve hardware voor inferentie.
Tesla FSD-chip
Tesla-systemen worden geleverd met twee AI-processors voor verbeterde prestaties en verkeersveiligheid. Het Tesla-systeem streeft naar een foutloze werking. Vanwege de back-up stroom- en data-invoerbronnen kan de auto blijven rijden, zelfs als een eenheid defect raakt.
Tesla neemt deze aanvullende voorzorgsmaatregelen om ervoor te zorgen dat de voertuigen goed zijn voorbereid om ongevallen te voorkomen in het geval van een onverwachte storing.
Het enige apparaat dat meer bewerkingen per seconde kan uitvoeren dan de nieuwe Tesla-microprocessor, is het menselijk brein (1 biljard bewerkingen per seconde). Dat is zo'n 21 keer krachtiger dan de eerder gebruikte Tesla Nvidia-microchips.
Bouw AI-inferentieprocessors om hun volledig zelfsturende software van stroom te voorzien, rekening houdend met elke kleine architecturale en micro-architecturale verbetering, terwijl de siliciumprestaties per watt worden gemaximaliseerd.
Hoewel Tesla zonder twijfel marktleider is op het gebied van volledig autonome locomotieven, is het nog ver verwijderd van de ontwikkeling van een geavanceerd autopilot-voertuig.
Tesla Dojo-chip
Tesla onthulde de Tesla D1, een nieuwe processor met 362 TFLOP's aan vermogen in BF16/CFP8 die speciaal is gemaakt voor kunstmatige intelligentie. Dit werd onlangs bekendgemaakt tijdens een Tesla-AI Dag presentatie.
Een enorme chip wordt gemaakt door een netwerk van functionele eenheden aan te sluiten, een netwerk van functionele eenheden genaamd, waaraan de Tesla D1 in totaal 354 trainingsknooppunten toevoegt. Elke functionele eenheid heeft een quad-core, 64-bits ISA CPU met een op maat gemaakt, gespecialiseerd ontwerp voor link traversal, uitzendingen en transposities. De superscalaire implementatie wordt gebruikt door deze CPU (4-brede scalaire en 2-brede vectorpijplijnen).
Dit nieuwe Tesla-silicium is kleiner dan de GA100 GPU in de NVIDIA A100-versneller, die 826 vierkante mm groot is. Het wordt geproduceerd met behulp van een 7nm-proces, heeft in totaal 50,000 miljoen transistors en beslaat een oppervlak van 645 vierkante mm.
Tesla beweert dat zijn Dojo-chip computervisiegegevens vier keer sneller zal verwerken dan de huidige systemen, waardoor het bedrijf zijn zelfrijdende systeem volledig kan automatiseren.
De twee meest uitdagende technologische hoogstandjes, namelijk de tile-to-tile interconnect en software, zijn echter nog niet gerealiseerd door Tesla.
De hoogwaardige netwerkswitches kunnen niet concurreren met de externe bandbreedte van welke tegel dan ook. Om dit te doen, creëerde Tesla unieke interconnects.
Dojo-systeem
Creëer het Dojo-systeem, van de hoogwaardige software-API's om het te besturen tot de silicium firmware-interfaces. Maak gebruik van geavanceerde high-power leverings- en koeltechnologieën om uitdagende situaties op te lossen en creëer schaalbare regelkringen en bewakingssoftware.
Gebruik de volledige expertise van hun mechanische, thermische en elektrotechnische teams om de volgende generatie machine learning-computing te ontwikkelen voor gebruik in Tesla-datacenters. De enige beperking is je fantasie.
Werk met elk onderdeel van systeem ontwerp. Ontwikkel een openbare API die Dojo voor iedereen toegankelijk maakt en werk samen met Tesla Fleet Learning om trainingsworkloads te leveren met behulp van hun enorme datasets.
Autonomie-algoritmen
Maak een high-fidelity wereldmodel en plot een traject in die ruimte om de belangrijkste algoritmen te ontwikkelen die de auto besturen.
Door gegevens van de sensoren van de auto over plaats en tijd te aggregeren, kan een algoritme nauwkeurige en uitgebreide grondwaarheidsgegevens leveren die kunnen worden gebruikt om te trainen neurale netwerken anticiperen op deze voorstellingen.
Ze bouwen een sterk plannings- en besluitvormingssysteem met behulp van geavanceerde methodologieën die kunnen functioneren in uitdagende real-world scenario's met onzekerheid.
Het analyseren van de algoritmen op het niveau van de gehele Tesla-vloot is voordelig.
Neurale netwerken
Diepe neurale netwerken kunnen worden getraind op kwesties variërend van perceptie tot controle door gebruik te maken van baanbrekend onderzoek. Om semantische segmentatie, objectidentificatie en monoculaire diepteschatting te bereiken, onderzoeken hun netwerken per camera onbewerkte beelden.
Hun bird's-eye-view-netwerken gebruiken beelden van alle camera's om het top-down perspectief van de weglay-out, statische infrastructuur en 3D-objecten te genereren.
Hun netwerken worden voortdurend gevoed met gegevens van hun wagenpark van ongeveer 1 miljoen auto's, waaronder de meest complexe en gevarieerde omstandigheden ter wereld.
De 48 netwerken waaruit de hele constructie van de Autopilot neurale netwerken bestaat, hebben 70,000 GPU-uren nodig om te trainen. Bij elke tijdstap produceren ze gezamenlijk 1,000 verschillende tensoren (voorspellingen).
Infrastructuur evaluatie
Ze hebben ook infrastructuur en open- en closed-loop hardware-in-the-loop beoordelingstools op schaal gecreëerd om de snelheid van innovatie te versnellen, prestatieverbeteringen te bewaken en achteruitgang te stoppen.
Ze gebruiken de geanonimiseerde karakteristieke clips van hun vloot en nemen deze op in veel testscenario's. Schrijf code die hun werkelijke omgeving simuleert en ongelooflijk levensechte beelden en andere sensorgegevens genereert voor hun Autopilot-programma om te gebruiken voor geautomatiseerd testen of live foutopsporing.
Hoe maakt Tesla gebruik van Big Data, kunstmatige intelligentie en machine learning?
Big data
Big data wordt niet alleen door Tesla gebruikt om problemen aan te pakken; het wordt ook gebruikt om het consumentengeluk te verhogen. Ze verzamelen informatie van de online gemeenschappen van hun klanten en gebruiken deze om hun latere productie te verbeteren. Dit soort klantinteractie is ongehoord in het bedrijfsleven.
Big data ondersteunen de inspanningen van Tesla om kosten te besparen, nieuwe markten te vinden, consumenten tevreden te stellen, nieuwe producten te creëren en zijn voertuigen te verbeteren.
De informatie wordt gebruikt om uiterst gegevensdichte kaarten te maken die alles laten zien, van de locatie van risico's die bestuurders dwingen actie te ondernemen tot de gemiddelde stijging van de verkeerssnelheid over een bepaald stuk weg.
Edge computing bepaalt welke actie elke individuele auto op dit moment moet ondernemen, terwijl machine learning in de cloud zorgt voor de training van het hele wagenpark.
Daarnaast is er een derde besluitvormingsniveau, waarbij auto's verbinding kunnen maken met naburige Tesla-voertuigen om netwerken op te bouwen en kennis over het gebied te delen.
Deze netwerken zullen waarschijnlijk ook communiceren met voertuigen van andere fabrikanten en met andere systemen zoals verkeerscamera's, sensoren op de grond of telefoons in een nabije toekomst waar autonome auto's gemeengoed zijn.
Artificial Intelligence
Om zelfstandig te kunnen rijden, evalueren zelfrijdende auto's continu gegevens van hun sensoren en machine vision-camera's. Op basis van deze informatie nemen ze vervolgens beslissingen.
Ze gebruiken AI om de bewegingen van fietsen, voetgangers en auto's te begrijpen en erop te anticiperen. Met deze kennis kunnen ze in een fractie van een seconde oordelen en hun activiteiten snel plannen.
Moet de auto op de baan blijven waar hij nu staat, of moet hij veranderen? Moet hij doorgaan zoals hij is of de auto voor hem inhalen? Wanneer moet de auto vertragen of versnellen?
Om auto's volledig autonoom te maken, moet Tesla de nodige gegevens verzamelen om de algoritmen te trainen en zijn AI's te voeden. Meer trainingsgegevens zullen altijd leiden tot betere prestaties, en daarin blinkt Tesla uit.
Tesla heeft een concurrentievoordeel omdat het al zijn gegevens verzamelt van de honderdduizenden Tesla-voertuigen die nu op de weg rijden. Interne en externe sensoren houden bij hoe Tesla's werken onder verschillende omstandigheden.
Daarnaast observeren ze hoe chauffeurs zich gedragen, inclusief hun reacties op verschillende situaties en hoe vaak ze het stuur of het dashboard aanraken. Ze hebben een zeer geavanceerd volgsysteem.
Tesla registreert bijvoorbeeld een moment in de tijd, voegt het toe aan de gegevensverzameling en gebruikt vervolgens gekleurde vormen om een abstract beeld van de omgeving te genereren waaruit het neurale netwerk kan leren.
Dit gebeurt wanneer een Tesla-voertuig een onnauwkeurige aanname doet over hoe een auto of fiets zich zou gedragen.
Machine leren
Met het gebruik van interne en externe sensoren die zelfs informatie kunnen oppikken over de plaats van de hand van een bestuurder op de bedieningselementen en hoe ze nog steeds worden bediend, verzamelt Tesla machine learning met succes enkele van zijn belangrijkste gegevens van al zijn voertuigen, evenals hun chauffeurs.
De informatie wordt ook gebruikt om zeer gegevensrijke kaarten te maken die alles weergeven, van de gemiddelde stijging van de verkeerssnelheid over een bepaalde weglengte tot de aanwezigheid van gevaren en zelfs om bestuurders aan te zetten tot actie.
Terwijl een deel van de edge computing op elke individuele auto bepaalt welke actie de auto nu moet ondernemen, Tesla's cloudgebaseerde machine learning is verantwoordelijk voor het trainen van het hele wagenpark.
Om enkele lokale inzichten en informatie uit te wisselen, kunnen auto's netwerken met bepaalde andere Tesla-voertuigen in de buurt.
Conclusie
Tesla is altijd een bedrijf geweest dat gegevensverzameling en -analyse produceert, het krachtigste hulpmiddel voor wat het ook doet. Ze maakten geen uitzonderingen bij het ontwerpen van hun CPU's.
De ontwikkeling van autonome voertuigen en de analyse van statistische gegevens door het bedrijf heeft het mogelijk gemaakt om de manier waarop we rijden volledig te veranderen dankzij kunstmatige intelligentie, gegevensanalyse, big data, machine learning, computervisie, neurale netwerken, FSD-chip en vele andere algoritmen.
Laat een reactie achter