Du kan anta at Tesla er et velkjent navn i bilindustrien når du tenker på dem. Tesla, en pioner innen elektriske biler, er uten tvil. Imidlertid er de et teknologisk firma, som er hemmeligheten bak deres suksess.
En av tingene som har gjort virksomheten deres vellykket er bruken av kunstig intelligens teknologier. Full automatisering av Teslas kjøretøy er en av selskapets nåværende toppprioriteringer, og for å nå dette målet bruker de AI og dets mange komponenter.
Ved å kunngjøre sin ankomst i begynnelsen av 2021, Tesla skapte røre på subkontinentet. Elon Musk er nesten klar til å etablere Bangalore, India, som Tesla Indias produksjonsknutepunkt.
AI-eksperter i India jublet mens memene og tweetene om hvordan de mye roste «selvkjørende bilene» vil fungere i India fortsatte.
En hel bølge av kunstig intelligens som til slutt vil styre kloden er så vidt i gang.
Dette innlegget vil undersøke i dybden hvordan Tesla integrerer AI i systemet sitt, inkludert detaljer og annen informasjon.
Så hvordan lærer AI autonom kjøring i biler?
Autonome kjøretøy analyserer kontinuerlig data fra deres sensorer og maskinsynskameraer for å kunne kjøre uavhengig. De bruker deretter disse dataene til å bestemme hva de skal gjøre videre.
De bruker AI for å forstå og forutsi de neste bevegelsene til sykler, fotgjengere og biler. De kan bruke denne informasjonen til raskt å planlegge handlingene sine og ta avgjørelser på et sekund.
Bør bilen fortsette i sin nåværende kjørefelt eller bør den bytte fil? Skal den fortsette der den er eller passere bilen foran dem? Når skal kjøretøyet bremse eller øke hastigheten?
Tesla må samle riktige data for å trene algoritmene og mate sine AI-er for å gjøre bilene helt autonome. Bedre ytelse vil alltid resultere fra mer treningsdata, og Tesla skinner på dette området.
Det faktum at Tesla samler alle dataene sine fra de hundretusenvis av Tesla-kjøretøyer som nå er på veien, gir dem et konkurransefortrinn. Både interne og utvendige sensorer sporer hvordan Teslaer oppfører seg under en rekke omstendigheter.
De samler også informasjon om føreradferd, inkludert hvordan de reagerer på visse omstendigheter og hvor ofte de berører rattet eller dashbordet.
"Imitasjonslæring" er navnet på Teslas strategi. Millioner av ekte sjåfører over hele verden gjør vurderinger, reagerer og beveger seg, og algoritmene deres lærer av disse handlingene. Alle disse kilometerne resulterer i utrolig sofistikerte autonome kjøretøy.
Sporingssystemet deres er virkelig avansert. For eksempel lagrer Tesla et øyeblikksbilde av øyeblikket, legger det til datasettet og gjenskaper deretter en abstrakt representasjon av verden ved hjelp av fargekodede former som nevrale nettverket kan lære av. Dette skjer når et Tesla-kjøretøy forutsier oppførselen til en bil eller sykkel feil.
Andre virksomheter som utvikler autonome kjøretøy er avhengige av syntetiske data, som er betydelig mindre effektiv enn de virkelige dataene som brukes av Tesla for å trene AI-er (for eksempel kjøreatferd fra videospill som Grand Theft Auto).
Vi skal nå undersøke Tesla-komponenter som drar nytte av AI.
Tesla-komponenter som drar nytte av AI
Kamera og sensorer
Ansvaret som Tesla må fullføre er ganske velkjent. Alle disse operasjonene, fra kjørefeltidentifikasjon til fotgjengersporing, utføres i sanntid. Tesla opererte med hjelp av 8 kameraer av denne grunn. I tillegg sikrer tilstedeværelsen av så mange kameraer at det ikke er noen blindsone og at hele området rundt bilen er dekket.
Det er sant det du nettopp leste! ingen LIDAR Ikke noe system for høydefinisjonskartlegging. Tesla vil bare bruke datasyn, maskinlæring, og kameravideofeeder for å lage autopilotmodellen. Convolutional Neural Networks (CNNs) brukes deretter til å analysere den rå videoen for å spore og oppdage gjenstander.
Tesla autopilot har også radar- og ultralydsensorer i tillegg til kameraer. Radaren brukes til å oppdage og måle avstanden mellom kjøretøy og andre objekter. For å optimalisere førersikkerheten fungerer ultralydsensorene også i samsvar med overvåking av nærhet til passive objekter.
For å forstå omgivelsene til bilen og gjøre autopilotfunksjonene så responsive som mulig, er nevrale nettverk integrert med Tesla-maskinvaren.
Tesla FSD-brikke -3
For forbedret ytelse og sikkerhet på veiene inkluderer Tesla-systemene to AI-prosessorer. Tesla-systemet streber etter å være feilfritt. Selv om en enhet svikter, kan bilen fortsatt fungere ved å bruke de ekstra enhetene på grunn av reservestrøm og datainngangskilder.
Tesla bruker disse ekstra tiltakene for å sørge for at bilene er godt utstyrt for å unngå kollisjoner ved en uforutsett feil. Bare den Menneskehjerne kan utføre flere operasjoner per sekund enn den nye Tesla-mikroprosessoren (1 kvadrillion operasjoner per sek). Det er omtrent 21 ganger mer potent enn Tesla Nvidia-mikrobrikkene som tidligere var i bruk.
Tesla er utvilsomt markedsleder for helt autonome lokomotiver, men det er fortsatt et stykke unna å produsere en banebrytende autopilotbil.
I fremtiden vil en bil med de egenskapene vi skisserte i dette essayet utvilsomt bli vanlig. Tesla har laget sine egne banebrytende AI-prosessorer og nevrale nettverksarkitektur.
Opplæring i nevrale nettverk
Modellen må også trenes etter de nevrale nettverkene har blitt opprettet. Vi er klar over at Tesla har fått på plass et bredt utvalg av biblioteker og verktøy for å tillate banebrytende datasynsfunksjoner.
pytorch, som ble opprettet av Facebooks AI Research-avdeling, er et slikt rammeverk (FAIR). PyTorch brukes av Tesla tech stack å trene dyplæringsmodellen.
Det er bemerkelsesverdig at Tesla ikke er avhengig av kart eller LIDAR for å oppnå fullstendig autonomi. Kameraene og ren datasyn brukes utelukkende, og alt gjøres i sanntid.
Tesla bruker Pytorch til trening samt ulike hjelpeaktiviteter som automatisert arbeidsflyt planlegging, kalibrering av modellterskler, grundig vurdering, passiv testing, simuleringstester m.m.
Tesla bruker omtrent 70,000 48 GPU-timer på å trene 1,000 nettverk som gir 1000 forskjellige spådommer. Denne opplæringen pågår, ikke bare én gang. Vi er klar over at kunstig intelligens er en iterativ prosess som går videre over tid. Som et resultat forblir alle XNUMX separate prognoser nøyaktige og vakler aldri.
HydraNet
Det er rundt 100 jobber under arbeid til enhver tid, selv når en bil ikke beveger seg og mest sannsynlig står ved et veiskille. Å bruke et nevralt nettverk for hver oppgave er kostbart og ineffektivt. Enorme mengder informasjon behandles i sanntid av AI i Tesla-kjøretøyer.
Som et resultat fungerer ResNet-50-delte ryggrad, som kan behandle 1000 x 1000 bilder samtidig, som den sentrale prosessorenheten for Computer Vision-arbeidsflyten.
Nær toppen av nettverket deler HydraNet nevrale nettverksdesign seg inn i flere grener (eller hoder). Ved å la hver mikrobatch med treningsdata vektes forskjellig for de mange hodene, blir disse hodene undervist uavhengig og lærer forskjellige ting.
Selvfølgelig er det flere tilfeller av disse HydraNets som jobber sammen for å behandle AI for kjøretøyene. Hvert HydraNets informasjon brukes til å avhjelpe tilbakevendende problemer.
En oppgave kan for eksempel være aktiv for å håndtere stoppskilt, en annen for å håndtere fotgjengere, og enda en for å undersøke trafikksignaler. Disse distinkte pliktene drives alle av en felles ryggrad.
I følge HydraNet-arkitekturen trengs bare en liten brøkdel av det enorme nevrale nettverket for hver av disse oppgavene.
Dette er ganske likt overføringslæring, der distinkte blokker trenes for en felles blokk for visse relaterte oppgaver. Ryggraden til HydraNets er trent på en rekke ting, mens hodene blir undervist på bestemte jobber.
Dette reduserer tiden som trengs for å trene modellen og øker slutningen.
Tesla Autopilot
Biler med autopilotfunksjoner kan styre, akselerere og stanse selvstendig i et kjørefelt. Den er konstruert ved hjelp av dype nevrale nettverkskonsepter. Den observerer området rundt bilen ved hjelp av kameraer, ultralydsensorer og radar.
Førerne blir gjort oppmerksomme på omgivelsene sine ved hjelp av sensorer og kameraer, og denne informasjonen analyseres i løpet av millisekunder for å gjøre kjøringen tryggere og mindre stressende.
I lyse, mørke og forskjellige værforhold brukes radar til å observere og estimere plassen rundt biler. I enhver situasjon bestemmer ultrafiolette metoder nærhet, og passiv video identifiserer objekter i nærheten og fremmer sikker kjøring.
I tillegg er autopiloten designet for å hjelpe føreren og forvandler ikke en Tesla til et selvkjørende kjøretøy. Det er vanlig praksis å advare sjåfører om å holde hendene på rattet.
En rekke varsler om å ta rattet utløses hvis du ikke gjør det. Hvis den ignoreres mye lenger, begynner bilen å bremse opp før den stopper. Ved å bremse, snu eller deaktivere cruisekontrollspaken kan sjåførene alltid overstyre autopilotfunksjonene.
Fugleperspektiv
Bildene som Tesla-maskinvare ofte tolker kan trenge ekstra dimensjoner. Bird's Eye View-funksjonen gjør det lettere å måle lengre avstander og gir en mer nøyaktig representasjon av omverdenen.
Det er et visuelt overvåkingssystem som "gjengir" et toppbilde av en bil for å gjøre det enklere å parkere og navigere på små steder. Uten å måtte gi en halt begrunnelse om parkeringsevnene dine, kan du nå trygt ta rattet.
Teslas fremtid
Hvis du leter etter en mellomstor SUV med stor rekkevidde, 2022 Tesla Model Y er et fantastisk utgangspunkt for elbiler. På grunn av regelmessige programvareoppgraderinger er Model Y i stadig endring, omtrent som mange av Teslas andre produkter.
Ved å forbedre sikkerheten og funksjonaliteten hjelper disse oppgraderingene at bilen din blir mer nyttig. For folk som trenger å reise lange avstander med familie og diverse bagasjer, gjør den romslige kroppen og tilgangen til Teslas Supercharger-nettverk det til et fantastisk valg.
Siden starten har Tesla dratt nytte av data fra sin nåværende kundebase, og arbeidet med autonome kjøretøy er en del av den pågående ambisjonen om å plassere AI i kjernen av all virksomhet.
AI og big data vil fortsette å være Elon Musk og teamet hans hos Teslas trofaste allierte når de går inn i sine nyeste initiativer, inkludert ambisjonene deres om å transformere det elektriske nettet med solcellepaneler hjemme.
konklusjonen
Tesla, et selskap som er anerkjent som en av markedets mest aggressive innovatører, har alltid gjort datainnsamling og analyse til det kraftigste verktøyet. De fulgte de samme reglene når det kom til å lage sine egne sjetonger.
Virksomheten har utviklet autonome kjøretøy som har potensial til å fullstendig endre måten vi kjører biler på takket være kunstig intelligens og dataanalyse.
La oss se hvor godt plattformen holder løftene og utvikler virksomheten. Hvor selskapet vil gå i markedet for autonome kjøretøy i fremtiden gjenstår å se etter å ha utnyttet disse teknologiene.
Legg igjen en kommentar