Você pode presumir que Tesla é um nome bem conhecido na indústria automobilística quando pensa neles. A Tesla, pioneira em automóveis elétricos, é sem dúvida. No entanto, eles são uma empresa tecnológica, que é o segredo do seu sucesso.
Uma das coisas que tornaram seus negócios bem-sucedidos é o uso de inteligência artificial tecnologias. A automação total dos veículos da Tesla é uma das principais prioridades atuais da empresa e, para atingir esse objetivo, eles estão utilizando a IA e seus muitos componentes.
Ao anunciar a sua chegada no início de 2021, Tesla criou um rebuliço no subcontinente. Elon Musk está quase pronto para estabelecer Bangalore, na Índia, como o centro de fabricação da Tesla India.
Especialistas em IA na Índia aplaudiram enquanto os memes e tweets sobre como os tão elogiados “carros autônomos” operariam na Índia continuaram.
Uma onda inteira de inteligência artificial que eventualmente dominará o mundo está apenas começando.
Este post examinará em profundidade como a Tesla está integrando a IA em seu sistema, incluindo detalhes e outras informações.
Então, como a IA ensina direção autônoma em carros?
Veículos autônomos analisam continuamente os dados de seus sensores e câmeras de visão de máquina para poder dirigir de forma independente. Eles então utilizam esses dados para decidir o que fazer a seguir.
Eles empregam IA para compreender e prever os próximos movimentos de bicicletas, pedestres e automóveis. Eles podem usar essas informações para planejar rapidamente suas ações e tomar decisões em frações de segundo.
O automóvel deve continuar em sua faixa atual ou deve mudar de faixa? Deve continuar onde está ou passar o automóvel à sua frente? Quando o veículo deve desacelerar ou acelerar?
A Tesla precisa reunir os dados apropriados para treinar os algoritmos e alimentar suas IAs para tornar os carros completamente autônomos. Um melhor desempenho sempre resultará de mais dados de treinamento, e a Tesla brilha nessa área.
O fato de a Tesla reunir todos os seus dados de centenas de milhares de veículos Tesla que estão agora na estrada lhes dá uma vantagem competitiva. Os sensores internos e externos rastreiam como os Teslas se comportam em várias circunstâncias.
Eles também coletam informações sobre o comportamento do motorista, incluindo como eles respondem a determinadas circunstâncias e com que frequência tocam no volante ou no painel.
“Aprendizagem por imitação” é o nome da estratégia de Tesla. Milhões de motoristas reais em todo o mundo fazem julgamentos, respondem e se movem, e seus algoritmos aprendem com essas ações. Todos esses quilômetros resultam em veículos autônomos incrivelmente sofisticados.
Seu sistema de rastreamento é realmente avançado. Por exemplo, Tesla armazena um instantâneo de dados do momento, adiciona-o ao conjunto de dados e, em seguida, recria uma representação abstrata do mundo usando formas codificadas por cores que o rede neural pode aprender. Isso acontece quando um veículo Tesla prevê o comportamento de um carro ou bicicleta incorretamente.
Outras empresas que desenvolvem veículos autônomos contam com dados sintéticos, que é significativamente menos eficaz do que os dados do mundo real usados pela Tesla para treinar suas IAs (por exemplo, comportamento de direção de videogames como Grand Theft Auto).
Agora examinaremos os componentes da Tesla que aproveitam a IA.
Componentes Tesla que aproveitam a IA
Câmera e sensores
As responsabilidades que a Tesla deve cumprir são bem conhecidas. Todas essas operações, desde a identificação da faixa até o rastreamento de pedestres, são realizadas em tempo real. A Tesla operou com a ajuda de 8 câmeras por esse motivo. Além disso, a presença de tantas câmeras garante que não haja zona cega e que toda a área ao redor do carro seja coberta.
É verdade o que você acabou de ler! sem LIDAR Sem sistema para mapeamento de alta definição. Tesla quer usar apenas visão computacional, aprendizado de máquinae feeds de vídeo da câmera para criar o modelo de piloto automático. Redes neurais convolucionais (CNNs) são então usadas para analisar o vídeo bruto para rastrear e detectar objetos.
Piloto automático Tesla também possui radares e sensores ultrassônicos, além de câmeras. O radar é usado para detectar e medir a separação entre veículos e outros objetos. Para otimizar a segurança do motorista, os sensores ultrassônicos também funcionam de acordo com o monitoramento da proximidade com objetos passivos.
Para entender os arredores do carro e tornar os recursos do piloto automático o mais responsivos possível, as redes neurais são integradas ao hardware da Tesla.
Chip Tesla FSD -3
Para melhorar o desempenho e a segurança nas estradas, os sistemas Tesla incluem dois processadores de IA. O sistema Tesla se esforça para ser livre de erros. Mesmo que uma unidade falhe, o automóvel ainda pode funcionar usando as unidades extras por causa da energia de backup e das fontes de entrada de dados.
A Tesla usa essas medidas extras para garantir que os carros estejam bem equipados para evitar colisões em caso de falha imprevista. Apenas o cérebro humano pode executar mais operações por segundo do que o novo microprocessador Tesla (1 quatrilhão de operações por segundo). Isso é cerca de 21 vezes mais potente do que os microchips Tesla Nvidia que estavam em uso anteriormente.
TA esla é, sem dúvida, líder de mercado para locomotivas totalmente autônomas, mas ainda está longe de produzir um carro de piloto automático de última geração.
No futuro, um automóvel com as qualidades que descrevemos neste ensaio, sem dúvida, se tornará comum. A Tesla criou seus próprios processadores de IA de ponta e arquitetura de rede neural.
Treinamento de rede neural
O modelo também deve ser treinado após as redes neurais foi criado. Estamos cientes de que a Tesla implementou uma ampla gama de bibliotecas e ferramentas para permitir recursos de visão computacional de ponta.
lanterna, que foi criado pelo departamento de pesquisa de IA do Facebook, é uma dessas estruturas (FAIR). PyTorch é usado pelo Pilha de tecnologia Tesla para treinar o modelo de aprendizado profundo.
Vale ressaltar que a Tesla não depende de mapas ou LIDAR para obter autonomia completa. As câmeras e a visão computacional pura são usadas exclusivamente, e tudo é feito em tempo real.
Tesla emprega Pytorch para treinamento, bem como várias atividades auxiliares como fluxo de trabalho automatizado programação, calibração dos limites do modelo, avaliação completa, testes passivos, testes de simulação, etc.
A Tesla gasta cerca de 70,000 horas de GPU treinando 48 redes que fazem 1,000 previsões distintas. Este treinamento é contínuo, não apenas uma vez. Estamos cientes de que a inteligência artificial é um processo iterativo que avança ao longo do tempo. Como resultado, todas as 1000 previsões separadas permanecem precisas e nunca falham.
HidraNet
Existem cerca de 100 trabalhos em andamento a qualquer momento, mesmo quando um carro não está em movimento e provavelmente está em uma encruzilhada. Usar uma rede neural para cada tarefa é caro e ineficaz. Grandes quantidades de informações são processadas em tempo real pela IA nos veículos da Tesla.
Como resultado, o backbone compartilhado ResNet-50, que pode processar 1000 x 1000 fotos ao mesmo tempo, serve como unidade central de processamento para o fluxo de trabalho de Visão Computacional.
Perto do topo da rede, o projeto da rede neural HydraNet se divide em vários ramos (ou cabeças). Ao fazer com que cada microlote de dados de treinamento seja ponderado de maneira diferente para as várias cabeças, essas cabeças são ensinadas de forma independente e aprendem coisas distintas.
Claro, existem várias instâncias dessas HydraNets trabalhando juntas para processar a IA para os veículos. As informações de cada HydraNet são utilizadas para solucionar problemas recorrentes.
Por exemplo, uma tarefa pode estar ativa para lidar com sinais de parada, outra para lidar com pedestres e ainda outra para examinar sinais de trânsito. Essas funções distintas são todas operadas por um backbone comum.
De acordo com a arquitetura HydraNet, apenas uma pequena fração da enorme rede neural é necessária para cada uma dessas tarefas.
Isso é bastante semelhante ao aprendizado de transferência, onde blocos distintos são treinados para um bloco comum para determinadas tarefas relacionadas. A espinha dorsal das HydraNets é treinada em uma variedade de coisas, enquanto as cabeças são ensinadas em trabalhos específicos.
Isso diminui o tempo necessário para treinar o modelo e acelera a inferência.
Piloto Automático Tesla
Carros com recursos de piloto automático podem dirigir, acelerar e parar de forma autônoma em uma pista. Ele é construído usando conceitos de redes neurais profundas. Ele observa a área ao redor do carro usando câmeras, sensores ultrassônicos e radar.
Os motoristas são informados de seus arredores pelos sensores e câmeras, e essas informações são analisadas em questão de milissegundos para ajudar a tornar a condução mais segura e menos estressante.
Em circunstâncias claras, escuras e meteorológicas diversas, o radar é utilizado para observar e estimar o espaço ao redor dos automóveis. Em todas as situações, os métodos ultravioleta determinam a proximidade e o vídeo passivo identifica objetos próximos e promove uma direção segura.
Além disso, o piloto automático é projetado para ajudar o motorista e não transforma um Tesla em um veículo autônomo. É prática comum alertar os motoristas para que mantenham as mãos no volante.
Uma série de alertas para assumir o volante são acionados se você não o fizer. Se ignorado por muito mais tempo, o automóvel começa a desacelerar antes de parar. Ao frear, virar ou desativar a alavanca do controle de cruzeiro, os motoristas sempre podem anular as funções do piloto automático.
Vista aérea
As imagens que o hardware da Tesla interpreta muitas vezes podem precisar de dimensões extras. O recurso Bird's Eye View facilita a medição de distâncias maiores e oferece uma representação mais precisa do mundo exterior.
É um sistema de monitoramento visual que “renderiza” uma imagem de vista superior de um carro para facilitar o estacionamento e a navegação em lugares pequenos. Sem ter que fornecer uma justificativa esfarrapada sobre suas habilidades de estacionamento, agora você pode pegar o volante com segurança.
Futuro da Tesla
Se você está procurando por um SUV de tamanho médio com uma forte autonomia, o 2022 Tesla Modelo Y é um ponto de partida fantástico para EVs. Devido a atualizações regulares de software, o Model Y está em constante mudança, assim como muitos outros produtos da Tesla.
Ao aumentar a segurança e a funcionalidade, essas atualizações ajudam seu automóvel a ser mais útil. Para pessoas que precisam viajar longas distâncias com a família e várias bagagens, o corpo espaçoso e o acesso à rede Supercharger da Tesla fazem dele uma escolha maravilhosa.
Desde o seu início, a Tesla se beneficiou dos dados de sua base de clientes atual, e seu trabalho em veículos autônomos faz parte de sua ambição contínua de colocar a IA no centro de todas as suas operações.
AI e big data continuarão sendo Elon Musk e sua equipe nos aliados fiéis de Tesla à medida que avançam em suas mais novas iniciativas, incluindo suas aspirações de transformar a rede elétrica com seus painéis de energia solar domésticos.
Conclusão
A Tesla, empresa reconhecida como uma das inovadoras mais agressivas do mercado, sempre fez da coleta e análise de dados sua ferramenta mais poderosa. Eles seguiram as mesmas regras quando se trata de criar seus próprios chips.
A empresa desenvolveu veículos autônomos que têm o potencial de mudar completamente a forma como dirigimos automóveis, graças à inteligência artificial e à análise de dados.
Vamos ver como a plataforma cumpre suas promessas e desenvolve seus negócios. Para onde a empresa irá no mercado de veículos autônomos no futuro, ainda não se sabe depois de aproveitar essas tecnologias.
Deixe um comentário