Du kan anta att Tesla är ett välkänt namn inom bilindustrin när du tänker på dem. Tesla, en pionjär inom elbilar, är utan tvekan. Men de är ett tekniskt företag, vilket är hemligheten bakom deras framgång.
En av de saker som har gjort deras verksamhet framgångsrik är användningen av artificiell intelligens tekniker. Helautomatiseringen av Teslas fordon är en av företagets nuvarande högsta prioriteringar, och för att uppnå detta mål använder de AI och dess många komponenter.
Genom att tillkännage sin ankomst i början av 2021, Tesla skapade uppståndelse på subkontinenten. Elon Musk är nästan redo att etablera Bangalore, Indien, som Tesla Indiens tillverkningsnav.
AI-experter i Indien jublade när memes och tweets om hur de mycket hyllade "självkörande bilarna" kommer att fungera i Indien fortsatte.
En hel våg av artificiell intelligens som så småningom kommer att styra världen har precis börjat.
Det här inlägget kommer att undersöka på djupet hur Tesla integrerar AI i sitt system, inklusive detaljer och annan information.
Så, hur lär AI ut autonom körning i bilar?
Autonoma fordon analyserar kontinuerligt data från sina sensorer och maskinseendekameror för att kunna köra självständigt. De använder sedan denna information för att bestämma vad de ska göra härnäst.
De använder AI för att förstå och förutsäga nästa rörelser för cyklar, fotgängare och bilar. De kan använda denna information för att snabbt planera sina handlingar och fatta beslut på en del av en sekund.
Ska bilen fortsätta i sin nuvarande fil eller ska den byta fil? Ska den fortsätta där den är eller passera bilen framför dem? När ska fordonet bromsa in eller snabba upp?
Tesla måste samla in lämplig data för att träna algoritmerna och mata sina AI:er för att göra bilar helt autonoma. Bättre prestanda kommer alltid att bli resultatet av mer träningsdata, och Tesla lyser på detta område.
Det faktum att Tesla samlar all sin data från de hundratusentals Tesla-fordon som nu är på vägen ger dem en konkurrensfördel. Både interna och exteriöra sensorer spårar hur Teslas beter sig under en mängd olika omständigheter.
De samlar också information om förarens beteende, inklusive hur de reagerar på vissa omständigheter och hur ofta de rör vid ratten eller instrumentbrädan.
"Imitation learning" är namnet på Teslas strategi. Miljontals riktiga förare över hela världen gör bedömningar, svarar och rör sig, och deras algoritmer lär sig av dessa handlingar. Alla dessa kilometer resulterar i otroligt sofistikerade autonoma fordon.
Deras spårningssystem är riktigt avancerat. Till exempel lagrar Tesla en ögonblicksbild av ögonblicket, lägger till den i datamängden och återskapar sedan en abstrakt representation av världen med hjälp av färgkodade former som neurala nätverk kan lära av. Detta händer när ett Tesla-fordon förutsäger beteendet hos en bil eller cykel felaktigt.
Andra företag som utvecklar autonoma fordon förlitar sig på syntetiska data, vilket är betydligt mindre effektivt än den verkliga data som Tesla använder för att träna sina AI:er (till exempel körbeteende från videospel som Grand Theft Auto).
Vi kommer nu att undersöka Tesla-komponenter som drar fördel av AI.
Tesla-komponenter som drar fördel av AI
Kamera & sensorer
De ansvarsområden som Tesla måste fullgöra är ganska välkända. Alla dessa operationer, från körfältsidentifiering till fotgängarspårning, utförs i realtid. Tesla opererade med hjälp av 8 kameror av denna anledning. Dessutom säkerställer närvaron av så många kameror att det inte finns någon blind zon och att hela området runt bilen är täckt.
Det är sant det du just läste! ingen LIDAR Inget system för högupplöst kartläggning. Tesla vill bara använda datorseende, maskininlärning, och kameravideoflöden för att skapa autopilotmodellen. Convolutional Neural Networks (CNN) används sedan för att analysera den råa videon för att spåra och upptäcka föremål.
Tesla-autopilot har även radar- och ultraljudssensorer förutom kameror. Radarn används för att detektera och mäta avståndet mellan fordon och andra föremål. För att optimera förarens säkerhet fungerar ultraljudssensorerna även i enlighet med övervakning av närhet till passiva föremål.
För att förstå bilens omgivning och göra autopilotens funktioner så lyhörda som möjligt är neurala nätverk integrerade med Teslas hårdvara.
Tesla FSD-chip -3
För förbättrad prestanda och säkerhet på vägarna inkluderar Teslas system två AI-processorer. Tesla-systemet strävar efter att vara felfritt. Även om en enhet misslyckas, kan bilen fortfarande fungera med hjälp av de extra enheterna på grund av reservkraften och indatakällorna.
Tesla använder dessa extra åtgärder för att se till att bilarna är välutrustade för att undvika kollisioner i händelse av ett oförutsett fel. Bara mänsklig hjärna kan utföra fler operationer per sekund än den nya Tesla-mikroprocessorn (1 kvadrillion operationer per sek). Det är cirka 21 gånger mer potent än Tesla Nvidia-mikrochippen som tidigare användes.
Tesla är utan tvekan marknadsledare för helt autonoma lok, men det är fortfarande långt ifrån att producera en banbrytande autopilotbil.
I framtiden kommer en bil med de egenskaper vi beskrev i denna uppsats utan tvekan att bli vardag. Tesla har skapat sina egna banbrytande AI-processorer och neurala nätverksarkitektur.
Utbildning i neurala nätverk
Modellen måste också tränas efter de neurala nätverken har blivit skapad. Vi är medvetna om att Tesla har infört ett brett utbud av bibliotek och verktyg för att möjliggöra banbrytande datorseende.
pytorch, som skapades av Facebooks AI Research-avdelning, är ett sådant ramverk (FAIR). PyTorch används av Tesla tech stack att träna djupinlärningsmodellen.
Det är anmärkningsvärt att Tesla inte förlitar sig på kartor eller LIDAR för att uppnå fullständig autonomi. Kamerorna och ren datorseende används uteslutande, och allt görs i realtid.
Tesla använder Pytorch för utbildning såväl som olika hjälpaktiviteter som automatiserat arbetsflöde schemaläggning, kalibrering av modelltrösklar, noggrann bedömning, passiv testning, simuleringstester m.m.
Tesla spenderar ungefär 70,000 48 GPU-timmar på att träna 1,000 nätverk som gör 1000 XNUMX distinkta förutsägelser. Denna utbildning pågår, inte bara en gång. Vi är medvetna om att artificiell intelligens är en iterativ process som går framåt över tiden. Som ett resultat förblir alla XNUMX separata prognoser korrekta och vacklar aldrig.
HydraNet
Det finns runt 100 jobb på gång vid varje given tidpunkt, även när en bil inte rör sig och med största sannolikhet står vid ett vägskäl. Att använda ett neuralt nätverk för varje uppgift är kostsamt och ineffektivt. Enorma mängder information bearbetas i realtid av AI i Tesla-fordon.
Som ett resultat fungerar ResNet-50 delade ryggraden, som kan bearbeta 1000 x 1000 bilder på en gång, som den centrala bearbetningsenheten för Computer Vision-arbetsflödet.
Nära toppen av nätverket delar sig HydraNets neurala nätverksdesign i flera grenar (eller huvuden). Genom att låta varje mikrosats av träningsdata viktas olika för de många huvudena, lärs dessa huvuden in oberoende och lär sig olika saker.
Naturligtvis finns det flera tillfällen där dessa HydraNets arbetar tillsammans för att bearbeta AI:n för fordonen. Varje HydraNets information används för att åtgärda återkommande problem.
En uppgift kan till exempel vara aktiv för att hantera stoppskyltar, en annan för att hantera fotgängare och ytterligare en för att undersöka trafiksignaler. Dessa distinkta uppgifter sköts alla av en gemensam ryggrad.
Enligt HydraNet-arkitekturen behövs bara en liten del av det enorma neurala nätverket för var och en av dessa uppgifter.
Detta är ganska likt transfer learning, där distinkta block tränas för ett gemensamt block för vissa relaterade uppgifter. Ryggraden i HydraNets är utbildade i en mängd olika saker, medan huvudena lärs ut på särskilda jobb.
Detta minskar den tid som behövs för att träna modellen och påskyndar slutsatserna.
Tesla Autopilot
Bilar med autopilotfunktioner kan självstyra, accelerera och stanna i ett körfält. Den är konstruerad med hjälp av djupa neurala nätverkskoncept. Den observerar området kring bilen med hjälp av kameror, ultraljudssensorer och radar.
Förarna görs medvetna om sin omgivning av sensorer och kameror, och denna information analyseras inom några millisekunder för att göra körningen säkrare och mindre stressande.
I ljusa, mörka och olika väderförhållanden används radar för att observera och uppskatta utrymmet som omger bilar. I varje situation avgör ultravioletta metoder närhet, och passiv video identifierar föremål i närheten och främjar säker körning.
Dessutom är autopiloten utformad för att hjälpa föraren och förvandlar inte en Tesla till ett självkörande fordon. Det är vanlig praxis att varna förare att hålla händerna på ratten.
En serie varningar för att ta ratten utlöses om du inte gör det. Om den ignoreras mycket längre, börjar bilen sakta ner innan den stannar. Genom att bromsa, vrida eller avaktivera farthållarspaken kan föraren alltid åsidosätta autopilotens funktioner.
Fågelperspektiv
Bilderna som Teslas hårdvara ofta tolkar kan behöva extra dimensioner. Bird's Eye View-funktionen gör det lättare att mäta längre avstånd och ger en mer exakt representation av omvärlden.
Det är ett visuellt övervakningssystem som "renderar" en bild ovanifrån av en bil för att göra parkeringen enkel och navigera på små platser. Utan att behöva ge en lam motivering om dina parkeringsförmåga kan du nu säkert ta ratten.
Teslas framtid
Om du letar efter en mellanstor SUV med stor räckvidd, 2022 Tesla Model Y är en fantastisk utgångspunkt för elbilar. På grund av regelbundna mjukvaruuppgraderingar förändras Model Y ständigt, ungefär som många av Teslas andra produkter.
Genom att förbättra säkerheten och funktionaliteten hjälper dessa uppgraderingar din bil att bli mer användbar. För personer som behöver resa långa sträckor med familj och olika bagage gör den rymliga kroppen och tillgången till Teslas Supercharger-nätverk det till ett underbart val.
Sedan starten har Tesla dragit nytta av data från sin nuvarande kundbas, och dess arbete med autonoma fordon är en del av dess pågående ambition att placera AI i kärnan i all dess verksamhet.
AI och big data kommer att fortsätta att vara Elon Musk och hans team hos Teslas trogna allierade när de går in i sina nyaste initiativ inklusive deras ambitioner att förvandla elnätet med sina solcellspaneler i hemmet.
Slutsats
Tesla, ett företag som är erkänt som en av marknadens mest aggressiva innovatörer, har alltid gjort datainsamling och analys till sitt mest kraftfulla verktyg. De följde samma regler när det gällde att skapa sina egna marker.
Verksamheten har utvecklat autonoma fordon som har potential att helt förändra hur vi kör bilar tack vare artificiell intelligens och dataanalys.
Låt oss se hur väl plattformen håller sina löften och utvecklar sin verksamhet. Var företaget kommer att gå på marknaden för autonoma fordon i framtiden återstår att se efter att ha utnyttjat dessa teknologier.
Kommentera uppropet