Вы могли бы предположить, что Тесла — известное имя в автомобильной промышленности, когда вы думаете о них. Тесла, пионер в области электромобилей, без сомнения. Однако они являются технологической фирмой, в чем и заключается секрет их успеха.
Одной из вещей, которые сделали их бизнес успешным, является использование искусственный интеллект технологии. Полная автоматизация автомобилей Tesla является одним из текущих приоритетов компании, и для достижения этой цели они используют искусственный интеллект и его многочисленные компоненты.
Объявив о своем прибытии в начале 2021 года, Tesla произвело фурор на субконтиненте. Илон Маск почти готов сделать Бангалор, Индия, производственным центром Tesla India.
Эксперты по искусственному интеллекту в Индии приветствовали мемы и твиты о том, как будут работать в Индии широко хваленые «беспилотные автомобили».
Целая волна искусственного интеллекта, которая в конечном итоге будет править земным шаром, только начинается.
В этом посте будет подробно рассмотрено, как Tesla интегрирует ИИ в свою систему, включая особенности и другую информацию.
Итак, как ИИ учит автономному вождению автомобилей?
Автономные транспортные средства постоянно анализировать данные со своих датчиков и камер машинного зрения, чтобы иметь возможность управлять автомобилем независимо. Затем они используют эти данные, чтобы решить, что делать дальше.
Они используют ИИ для понимания и прогнозирования следующих движений велосипедов, пешеходов и автомобилей. Они могут использовать эту информацию, чтобы быстро планировать свои действия и принимать решения за доли секунды.
Должен ли автомобиль продолжать движение по своей текущей полосе или он должен сменить полосу движения? Должен ли он продолжать движение на прежнем месте или обгонять впереди идущую машину? Когда автомобиль должен замедляться или ускоряться?
Тесла должна собрать соответствующие данные для обучения алгоритмов и подпитки своих ИИ, чтобы сделать автомобили полностью автономными. Более высокая производительность всегда будет результатом большего количества обучающих данных, и Tesla блистает в этой области.
Тот факт, что Tesla собирает все свои данные с сотен тысяч автомобилей Tesla, которые сейчас находятся на дорогах, дает им конкурентное преимущество. Как внутренние, так и внешние датчики отслеживают, как Tesla ведет себя в различных обстоятельствах.
Они также собирают информацию о поведении водителей, в том числе о том, как они реагируют на определенные обстоятельства и как часто они касаются руля или приборной панели.
«Имитационное обучение» — так называется стратегия Теслы. Миллионы реальных водителей по всему миру принимают решения, реагируют и двигаются, а их алгоритмы учатся на этих действиях. Все эти километры приводят к невероятно сложным автономным транспортным средствам.
Их система отслеживания действительно продвинута. Например, Тесла сохраняет моментальный снимок данных, добавляет его в набор данных, а затем воссоздает абстрактное представление мира, используя формы с цветовой кодировкой, которые нейронной сети можно поучиться. Это происходит, когда автомобиль Tesla неправильно предсказывает поведение автомобиля или велосипеда.
Другие компании, разрабатывающие автономные транспортные средства, полагаются на синтетические данные, что значительно менее эффективно, чем реальные данные, используемые Tesla для обучения своих ИИ (например, поведение при вождении в видеоиграх, таких как Grand Theft Auto).
Теперь мы рассмотрим компоненты Tesla, использующие преимущества ИИ.
Компоненты Tesla, использующие преимущества ИИ
Камера и датчики
Обязанности, которые должна выполнять Тесла, довольно хорошо известны. Все эти операции, от определения полосы движения до отслеживания пешеходов, выполняются в режиме реального времени. По этой причине Тесла работал с помощью 8 камер. Кроме того, наличие такого количества камер гарантирует отсутствие слепых зон и охват всего пространства вокруг автомобиля.
Это правда, что вы только что прочитали! нет LIDAR Нет системы для картирования высокой четкости. Тесла хочет использовать только компьютерное зрение, обучение с помощью машиныи видео с камеры для создания модели автопилота. Затем сверточные нейронные сети (CNN) используются для анализа необработанного видео, чтобы отслеживать и обнаруживать объекты.
Тесла автопилот помимо камер также есть радарные и ультразвуковые датчики. Радар используется для обнаружения и измерения расстояния между транспортными средствами и другими объектами. В целях оптимизации безопасности водителя ультразвуковые датчики также функционируют в соответствии с мониторингом близости с пассивными объектами.
Чтобы понять окружение автомобиля и сделать возможности автопилота максимально отзывчивыми, нейронные сети интегрированы с оборудованием Tesla.
Чип Тесла FSD-3
Для повышения производительности и безопасности на дорогах системы Tesla включают два процессора искусственного интеллекта. Система Tesla стремится быть безошибочной. Даже если один блок выйдет из строя, автомобиль все равно сможет работать, используя дополнительные блоки благодаря резервному питанию и источникам ввода данных.
Tesla использует эти дополнительные меры, чтобы убедиться, что автомобили хорошо оборудованы, чтобы избежать столкновений в случае непредвиденной неисправности. Только человеческий мозг может выполнять больше операций в секунду, чем новый микропроцессор Tesla (1 квадриллион операций в секунду). Это примерно в 21 раз мощнее, чем у микросхем Tesla Nvidia, которые использовались ранее.
Tesla, несомненно, является лидером на рынке полностью автономных локомотивов, но ей еще далеко до создания передового автомобиля с автопилотом.
В будущем автомобиль с качествами, которые мы описали в этом эссе, несомненно, станет обычным явлением. Tesla создала собственные передовые процессоры искусственного интеллекта и архитектуру нейронных сетей.
Обучение нейронной сети
Модель также необходимо обучать после нейронных сетей. были созданы. Мы знаем, что Tesla внедрила широкий спектр библиотек и инструментов, чтобы обеспечить передовые возможности компьютерного зрения.
Питорч, созданный отделом исследований искусственного интеллекта Facebook, является одной из таких платформ (FAIR). PyTorch используется Технологический стек Тесла для обучения модели глубокого обучения.
Примечательно, что Tesla не полагается на карты или LIDAR для достижения полной автономии. Используются исключительно камеры и чистое компьютерное зрение, и все делается в режиме реального времени.
Tesla использует Pytorch для обучения, а также для различных вспомогательных мероприятий, таких как автоматизированный рабочий процесс планирование, калибровка порогов модели, тщательная оценка, пассивное тестирование, имитационные тесты и т. д.
Tesla тратит около 70,000 48 часов GPU на обучение 1,000 сетей, которые делают 1000 различных прогнозов. Это обучение продолжается, а не один раз. Мы знаем, что искусственный интеллект — это итеративный процесс, который развивается во времени. В результате все XNUMX отдельных прогнозов остаются точными и никогда не дают сбоев.
ГидраНет
В любой момент времени выполняется около 100 заданий, даже когда автомобиль не движется и, скорее всего, находится на перекрестке. Использование нейронной сети для каждой задачи затратно и неэффективно. Огромные объемы информации обрабатываются в режиме реального времени искусственным интеллектом в автомобилях Tesla.
В результате общая магистраль ResNet-50, которая может обрабатывать 1000 x 1000 изображений одновременно, служит центральным процессором для рабочего процесса компьютерного зрения.
В верхней части сети конструкция нейронной сети HydraNet делится на несколько ветвей (или головок). Благодаря тому, что каждый микропакет обучающих данных имеет разный вес для многих головок, эти головки обучаются независимо и изучают разные вещи.
Конечно, есть несколько случаев, когда эти HydraNets работают вместе для обработки ИИ для транспортных средств. Информация каждого HydraNet используется для устранения повторяющихся проблем.
Например, одна задача может быть активной для обработки знаков остановки, другая — для работы с пешеходами, а третья — для изучения сигналов светофора. Все эти отдельные обязанности управляются общей основой.
Согласно архитектуре HydraNet, для каждой из этих задач требуется лишь небольшая часть огромной нейронной сети.
Это очень похоже на трансферное обучение, когда отдельные блоки обучаются общему блоку для определенных связанных задач. Костяки HydraNet обучаются различным вещам, тогда как головы обучаются конкретным работам.
Это сокращает время, необходимое для обучения модели, и ускоряет вывод.
Автопортрет Тесла
Автомобили с функциями автопилота могут автономно управлять, ускоряться и останавливаться на полосе движения. Он построен с использованием концепции глубокой нейронной сети. Он наблюдает за областью вокруг автомобиля с помощью камер, ультразвуковых датчиков и радаров.
Датчики и камеры уведомляют водителей о том, что их окружает, и эта информация анализируется за миллисекунды, чтобы помочь сделать вождение более безопасным и менее напряженным.
При ярком свете, темноте и различных погодных условиях радар используется для наблюдения и оценки пространства, окружающего автомобили. В любой ситуации ультрафиолетовые методы определяют близость, а пассивное видео идентифицирует объекты поблизости и способствует безопасному вождению.
Кроме того, автопилот предназначен для помощи водителю и не превращает Tesla в самоуправляемый автомобиль. Общепринятой практикой является предупреждение водителей держать руки на руле.
Если вы этого не сделаете, срабатывает серия предупреждений о необходимости сесть за руль. Если игнорировать его намного дольше, автомобиль начинает замедляться, прежде чем остановиться. Притормаживая, поворачивая или отключая подрулевой переключатель круиз-контроля, водители всегда могут отключить функции автопилота.
С высоты птичьего полета
Изображения, которые интерпретирует аппаратное обеспечение Tesla, часто нуждаются в дополнительных измерениях. Функция «Вид с высоты птичьего полета» упрощает измерение дальних расстояний и обеспечивает более точное представление внешнего мира.
Это система визуального мониторинга, которая «рендерит» изображение автомобиля сверху, чтобы упростить парковку и навигацию по небольшим местам. Теперь вам не нужно давать хромое обоснование ваших способностей к парковке, и вы можете спокойно сесть за руль.
Будущее Теслы
Если вы ищете внедорожник среднего размера с большим запасом хода, 2022 Tesla Модель Y является фантастической отправной точкой для электромобилей. Из-за регулярных обновлений программного обеспечения Model Y постоянно меняется, как и многие другие продукты Tesla.
Повышая безопасность и функциональность, эти обновления делают ваш автомобиль более полезным. Для людей, которым необходимо путешествовать на большие расстояния с семьей и разнообразным багажом, вместительный кузов и доступ к сети Tesla Supercharger делают его прекрасным выбором.
С самого начала Tesla извлекала выгоду из данных своей текущей клиентской базы, и ее работа над автономными транспортными средствами является частью ее постоянного стремления сделать ИИ основой всех своих операций.
ИИ и большие данные по-прежнему будут Илоном Маском и его командой в верных союзниках Tesla, поскольку они продвигаются к своим новейшим инициативам, включая их стремление преобразовать электросеть с помощью своих домашних солнечных панелей.
Заключение
Tesla, компания, признанная одним из самых агрессивных новаторов на рынке, всегда делала сбор и анализ данных своим самым мощным инструментом. Этим же правилам они следовали и при создании собственных чипов.
Бизнес разработал автономные транспортные средства, которые могут полностью изменить то, как мы водим автомобили, благодаря искусственному интеллекту и анализу данных.
Посмотрим, насколько хорошо платформа выполняет свои обещания и развивает свой бизнес. Куда компания пойдет на рынке автономных транспортных средств в будущем, еще неизвестно после использования этих технологий.
Оставьте комментарий