Ko pomislite nanje, bi lahko domnevali, da je Tesla dobro znano ime v avtomobilski industriji. Tesla, pionir na področju električnih avtomobilov, je brez dvoma. Vendar so tehnološko podjetje, kar je skrivnost njihovega uspeha.
Ena od stvari, zaradi katerih je njihovo podjetje uspešno, je uporaba Umetna inteligenca tehnologije. Popolna avtomatizacija Teslinih vozil je ena trenutnih glavnih prednostnih nalog podjetja in za dosego tega cilja uporabljajo AI in njegove številne komponente.
Z napovedjo prihoda v začetku leta 2021, Tesla povzročil razburjenje na podcelini. Elon Musk je skoraj pripravljen ustanoviti Bangalore v Indiji kot proizvodno središče Tesle India.
Strokovnjaki za umetno inteligenco v Indiji so navdušili, ko so se nadaljevali memi in tviti o tem, kako bodo zelo hvaljeni »samovozeči avtomobili« delovali v Indiji.
Cel val umetne inteligence, ki bo sčasoma zavladal svetu, se šele začenja.
Ta objava bo podrobno preučila, kako Tesla integrira AI v svoj sistem, vključno s posebnostmi in drugimi informacijami.
Torej, kako AI uči avtonomno vožnjo v avtomobilih?
Avtonomna vozila nenehno analizirajo podatke svojih senzorjev in kamer za strojni vid, da bi lahko vozili neodvisno. Te podatke nato uporabijo, da se odločijo, kaj storiti naprej.
Uporabljajo umetno inteligenco, da bi razumeli in predvideli naslednje poteze kolesarjev, pešcev in avtomobilov. Te informacije lahko uporabijo za hitro načrtovanje svojih dejanj in sprejemanje odločitev v delčku sekunde.
Ali naj avtomobil nadaljuje po sedanjem pasu ali naj zamenja pas? Naj nadaljuje, kjer je, ali naj zapelje mimo avtomobila pred njimi? Kdaj naj vozilo zmanjša ali pospeši?
Tesla mora zbrati ustrezne podatke za usposabljanje algoritmov in napajati svoj AI, da bi naredili avtomobile popolnoma avtonomne. Boljša zmogljivost bo vedno posledica več podatkov o usposabljanju in Tesla na tem področju blesti.
Dejstvo, da Tesla zbira vse svoje podatke iz več sto tisoč Teslinih vozil, ki so zdaj na cestah, jim daje konkurenčno prednost. Tako notranji kot zunanji senzorji spremljajo, kako se Tesle obnašajo v različnih okoliščinah.
Zbirajo tudi informacije o vedenju voznikov, vključno s tem, kako se odzivajo na določene okoliščine in kako pogosto se dotikajo volana ali armaturne plošče.
»Imitacijsko učenje« je ime Teslove strategije. Milijoni pravih voznikov po vsem svetu presojajo, se odzivajo in premikajo, njihovi algoritmi pa se iz teh dejanj učijo. Vsi ti kilometri povzročijo neverjetno sofisticirana avtonomna vozila.
Njihov sistem sledenja je res napreden. Tesla na primer shrani podatkovni posnetek trenutka, ga doda naboru podatkov in nato poustvari abstraktno predstavitev sveta z uporabo barvno kodiranih oblik, ki jih nevronska mreža se lahko učijo od. To se zgodi, ko vozilo Tesla nepravilno predvidi obnašanje avtomobila ali kolesa.
Druga podjetja, ki razvijajo avtonomna vozila, se zanašajo na to sintetični podatki, ki je znatno manj učinkovit kot podatki iz resničnega sveta, ki jih Tesla uporablja za usposabljanje svojih AI (na primer vedenje med vožnjo iz video iger, kot je Grand Theft Auto).
Zdaj bomo preučili Tesline komponente, ki izkoriščajo AI.
Komponente Tesla, ki izkoriščajo AI
Kamera in senzorji
Odgovornosti, ki jih mora opraviti Tesla, so precej znane. Vse te operacije, od identifikacije voznega pasu do sledenja pešcem, se izvajajo v realnem času. Tesla je zato deloval s pomočjo 8 kamer. Poleg tega prisotnost toliko kamer zagotavlja, da ni slepega območja in da je celotno območje okoli avtomobila pokrito.
Res je, kar ste pravkar prebrali! brez LIDAR-ja Brez sistema za kartiranje visoke ločljivosti. Tesla želi uporabljati le računalniški vid, strojno učenjein video vire kamere za ustvarjanje modela avtopilota. Konvolucijske nevronske mreže (CNN) se nato uporabijo za analizo neobdelanega videa, da bi sledili in zaznati predmete.
Teslin avtopilot ima poleg kamer tudi radarske in ultrazvočne senzorje. Radar se uporablja za zaznavanje in merjenje razdalje med vozili in drugimi predmeti. Da bi optimizirali varnost voznika, ultrazvočni senzorji delujejo tudi v skladu s spremljanjem bližine pasivnih predmetov.
Da bi razumeli okolico avtomobila in naredili zmogljivosti avtopilota čim bolj odzivne, so nevronske mreže integrirane s strojno opremo Tesla.
Čip Tesla FSD -3
Za izboljšano zmogljivost in varnost na cestah sistemi Tesla vključujejo dva procesorja AI. Sistem Tesla si prizadeva biti brez napak. Tudi če ena enota odpove, lahko avtomobil še vedno deluje z uporabo dodatnih enot zaradi rezervnega napajanja in virov vnosa podatkov.
Tesla uporablja te dodatne ukrepe, da zagotovi, da so avtomobili dobro opremljeni, da se izognejo trkom v primeru nepredvidene okvare. Samo človeških možganov lahko izvede več operacij na sekundo kot novi mikroprocesor Tesla (1 kvadrilijon operacij na sekundo). To je približno 21-krat močnejše od mikročipov Tesla Nvidia, ki so bili prej v uporabi.
Tesla je nedvomno vodilna na trgu za popolnoma avtonomne lokomotive, vendar je še daleč od proizvodnje vrhunskega avtomobila z avtopilotom.
V prihodnosti bo avtomobil z lastnostmi, ki smo jih opisali v tem eseju, nedvomno postal vsakdanjik. Tesla je ustvaril lastne vrhunske procesorje AI in arhitekturo nevronske mreže.
Usposabljanje nevronske mreže
Model je treba tudi usposobiti za nevronske mreže so bili ustvarjeni. Zavedamo se, da je Tesla vzpostavil široko paleto knjižnic in orodij, da bi omogočil najsodobnejše zmogljivosti računalniškega vida.
pytorch, ki ga je ustvaril Facebookov oddelek za raziskave AI, je en tak okvir (FAIR). PyTorch uporablja Teslin tehnološki sklad za usposabljanje modela globokega učenja.
Omeniti velja, da se Tesla pri doseganju popolne avtonomije ne zanaša na zemljevide ali LIDAR. Uporabljajo se izključno kamere in čisti računalniški vid, vse pa poteka v realnem času.
Tesla uporablja Pytorch za usposabljanje in različne pomožne dejavnosti, kot je npr avtomatiziran potek dela načrtovanje, umerjanje pragov modela, temeljito ocenjevanje, pasivno testiranje, simulacijski testi itd.
Tesla porabi približno 70,000 ur GPU za usposabljanje 48 omrežij, ki naredijo 1,000 različnih napovedi. To usposabljanje poteka nenehno, ne le enkrat. Zavedamo se, da je umetna inteligenca ponavljajoč se proces, ki sčasoma napreduje. Posledično ostane vseh 1000 ločenih napovedi točnih in nikoli ne zatajijo.
HydraNet
V vsakem trenutku poteka približno 100 nalog, tudi ko se avto ne premika in je najverjetneje na križišču. Uporaba nevronske mreže za vsako nalogo je draga in neučinkovita. Umetna inteligenca v vozilih Tesla v realnem času obdeluje ogromne količine informacij.
Kot rezultat, skupna hrbtenica ResNet-50, ki lahko obdeluje 1000 x 1000 slik hkrati, služi kot osrednja procesna enota za potek dela Computer Vision.
Blizu vrha mreže se zasnova nevronske mreže HydraNet razdeli na več vej (ali glav). Ker je vsaka mikro serija podatkov o usposabljanju različno ponderirana za številne glave, se te glave poučujejo neodvisno in se učijo različnih stvari.
Seveda obstaja več primerov teh HydraNetov, ki sodelujejo pri obdelavi AI za vozila. Vsaka informacija HydraNet se uporablja za odpravo ponavljajočih se težav.
Naloga je lahko na primer aktivna za obravnavanje stop znakov, druga za obravnavanje pešcev in tretja za pregledovanje prometnih signalov. Vse te različne naloge izvaja skupna hrbtenica.
Glede na arhitekturo HydraNet je za vsako od teh nalog potreben le majhen delček ogromne nevronske mreže.
To je precej podobno prenosnemu učenju, kjer se različni bloki usposabljajo za skupni blok za določene povezane naloge. Hrbtenice HydraNets se usposabljajo o različnih stvareh, medtem ko se vodje poučujejo o določenih delih.
To skrajša čas, potreben za usposabljanje modela, in pospeši sklepanje.
Tesla Avtopilot
Avtomobili z zmožnostmi avtopilota lahko avtonomno krmilijo, pospešujejo in ustavijo na voznem pasu. Konstruiran je z uporabo konceptov globokih nevronskih mrež. Opazuje okolico avtomobila s kamerami, ultrazvočnimi senzorji in radarjem.
Senzorji in kamere voznike opozorijo na okolico, te informacije pa se analizirajo v nekaj milisekundah, da je vožnja varnejša in manj stresna.
V svetlih, temnih in različnih vremenskih razmerah se radar uporablja za opazovanje in ocenjevanje prostora okoli avtomobilov. V vsaki situaciji ultravijolične metode ugotavljajo bližino, pasivni video pa identificira predmete v bližini in spodbuja varno vožnjo.
Poleg tega je avtopilot zasnovan za pomoč vozniku in ne spremeni Tesle v samovozeče vozilo. Običajna praksa je, da voznike opozorimo, naj držijo roke na volanu.
Če tega ne storite, se sproži vrsta opozoril, da morate prevzeti volan. Če ga ignoriramo dlje časa, začne avtomobil upočasnjevati, preden se ustavi. Z zaviranjem, obračanjem ali deaktiviranjem regulatorja tempomata lahko voznik vedno preglasi funkcije avtopilota.
Pogled iz ptičje perspektive
Slike, ki jih strojna oprema Tesla pogosto interpretira, bi lahko potrebovale dodatne dimenzije. Funkcija pogleda iz ptičje perspektive olajša merjenje daljših razdalj in ponuja natančnejšo predstavitev zunanjega sveta.
Gre za sistem za vizualno spremljanje, ki "upodobi" sliko avtomobila v pogledu od zgoraj, da olajša parkiranje in olajša navigacijo po majhnih mestih. Ne da bi vam bilo treba posredovati slabo utemeljitev o svojih sposobnostih parkiranja, lahko zdaj varno sedete za volan.
Prihodnost Tesle
Če iščete SUV srednje velikosti z velikim dosegom, 2022 Tesla model Y je fantastično izhodišče za električna vozila. Zaradi rednih nadgradenj programske opreme se model Y nenehno spreminja, podobno kot številni drugi Teslini izdelki.
Z izboljšanjem varnosti in funkcionalnosti te nadgradnje pomagajo vašemu avtomobilu bolj uporabno. Za ljudi, ki morajo potovati na dolge razdalje z družino in različno prtljago, je zaradi prostornega ohišja in dostopa do Teslinega omrežja Supercharger odlična izbira.
Od svojega začetka je Tesla izkoristila podatke iz svoje trenutne baze strank, njegovo delo na avtonomnih vozilih pa je del njegove stalne ambicije, da umetno inteligenco postavi v jedro vseh svojih operacij.
Umetna inteligenca in veliki podatki bodo še naprej Elon Musk in njegova ekipa pri Teslinih zvestih zaveznikih, ko gredo v svoje najnovejše pobude, vključno z njihovimi težnjami po preoblikovanju električnega omrežja s svojimi domačimi sončnimi elektrarnami.
zaključek
Tesla, podjetje, ki velja za enega najbolj agresivnih inovatorjev na trgu, je zbiranje in analizo podatkov vedno uporabljalo kot svoje najmočnejše orodje. Pri ustvarjanju lastnih čipov so sledili istim pravilom.
Podjetje je razvilo avtonomna vozila, ki lahko zaradi umetne inteligence in analize podatkov popolnoma spremenijo naš način vožnje z avtomobili.
Poglejmo, kako dobro platforma drži svoje obljube in razvija svoje poslovanje. Kam bo šlo podjetje na trgu avtonomnih vozil v prihodnosti, bomo še videli po izkoriščanju teh tehnologij.
Pustite Odgovori