Maaari mong ipagpalagay na ang Tesla ay isang kilalang pangalan sa industriya ng sasakyan kapag iniisip mo ang mga ito. Tesla, isang pioneer sa mga de-koryenteng sasakyan, ay walang duda. Gayunpaman, sila ay isang teknolohikal na kumpanya, na siyang sikreto sa kanilang tagumpay.
Isa sa mga bagay na naging matagumpay sa kanilang negosyo ay ang paggamit ng artificial intelligence mga teknolohiya. Ang buong automation ng mga sasakyan ng Tesla ay isa sa mga kasalukuyang pangunahing priyoridad ng kumpanya, at upang makamit ang layuning ito, ginagamit nila ang AI at ang maraming bahagi nito.
Sa pamamagitan ng pag-anunsyo ng pagdating nito sa simula ng 2021, Tesla lumikha ng kaguluhan sa subcontinent. Halos handa na ang Elon Musk na itatag ang Bangalore, India, bilang manufacturing hub ng Tesla India.
Ang mga eksperto sa AI sa India ay natuwa habang nagpatuloy ang mga meme at tweet tungkol sa kung paano gagana ang maraming pinupuri na "Mga Self-driving na Kotse" sa India.
Nagsisimula pa lang ang isang buong alon ng artificial intelligence na maghahari sa mundo.
Ang post na ito ay susuriin nang malalim kung paano isinasama ng Tesla ang AI sa system nito, kabilang ang mga detalye at iba pang impormasyon.
Kaya, paano nagtuturo ang AI ng Autonomous Driving sa Mga Kotse?
Mga awtomatikong sasakyan patuloy na pag-aralan ang data mula sa kanilang mga sensor at machine vision camera upang makapagmaneho nang nakapag-iisa. Pagkatapos ay ginagamit nila ang data na ito upang magpasya kung ano ang susunod na gagawin.
Gumagamit sila ng AI upang maunawaan at mahulaan ang mga susunod na galaw ng mga bisikleta, pedestrian, at sasakyan. Magagamit nila ang impormasyong ito para mabilis na planuhin ang kanilang mga aksyon at gumawa ng mga split-second na desisyon.
Dapat bang magpatuloy ang sasakyan sa kasalukuyang linya nito o dapat itong lumipat ng lane? Dapat ba itong magpatuloy kung nasaan ito o dumaan sa sasakyan sa harap nila? Kailan dapat huminto o bumilis ang sasakyan?
Kailangang kolektahin ng Tesla ang naaangkop na data upang sanayin ang mga algorithm at pakainin ang mga AI nito upang gawing ganap na autonomous ang mga sasakyan. Ang mas mahusay na pagganap ay palaging magreresulta mula sa higit pang data ng pagsasanay, at ang Tesla ay nagniningning sa lugar na ito.
Ang katotohanan na pinagmumulan ng Tesla ang lahat ng data nito mula sa daan-daang libong mga sasakyan ng Tesla na nasa kalsada na ngayon ay nagbibigay sa kanila ng isang mapagkumpitensyang kalamangan. Parehong sinusubaybayan ng mga panloob at panlabas na sensor kung paano kumikilos ang Teslas sa iba't ibang mga pangyayari.
Nangangalap din sila ng impormasyon tungkol sa pag-uugali ng driver, kabilang ang kung paano sila tumugon sa ilang mga pangyayari at kung gaano kadalas nila hinawakan ang manibela o dashboard.
"Imitation learning" ang pangalan ng diskarte ni Tesla. Milyun-milyong tunay na driver sa buong mundo ang gumagawa ng mga paghatol, tumugon, at gumagalaw, at ang kanilang mga algorithm ay natututo mula sa mga pagkilos na iyon. Ang lahat ng kilometrong iyon ay nagreresulta sa hindi kapani-paniwalang sopistikadong mga autonomous na sasakyan.
Advanced talaga ang tracking system nila. Halimbawa, nag-iimbak si Tesla ng isang snapshot ng data ng sandaling ito, idinagdag ito sa set ng data at pagkatapos ay muling likhain ang isang abstract na representasyon ng mundo gamit ang mga color-coded na hugis na neural network maaaring matuto mula sa. Nangyayari ito kapag nahulaan ng isang sasakyan ng Tesla ang pag-uugali ng isang kotse o bisikleta nang hindi tama.
Umaasa ang ibang mga negosyo na nagpapaunlad ng mga autonomous na sasakyan sintetikong data, na hindi gaanong epektibo kaysa sa real-world na data na ginagamit ng Tesla upang sanayin ang mga AI nito (halimbawa, pag-uugali sa pagmamaneho mula sa mga video game tulad ng Grand Theft Auto).
Susuriin namin ngayon ang mga bahagi ng Tesla na sinasamantala ang AI.
Mga bahagi ng Tesla na sinasamantala ang AI
Camera at Mga Sensor
Ang mga responsibilidad na dapat kumpletuhin ni Tesla ay medyo kilala. Ang lahat ng mga operasyong ito, mula sa pagkakakilanlan ng lane hanggang sa pagsubaybay sa pedestrian, ay isinasagawa sa real-time. Nagpatakbo si Tesla sa tulong ng 8 camera para sa kadahilanang ito. Bukod pa rito, ang pagkakaroon ng maraming camera na ito ay nagsisiguro na walang blind zone at na ang buong lugar sa paligid ng kotse ay natatakpan.
Totoo ang nabasa mo! walang LIDAR Walang sistema para sa high-definition na pagmamapa. Nais ni Tesla na gumamit lamang ng computer vision, machine learning, at mga feed ng video ng camera upang gawin ang modelo ng auto-pilot. Pagkatapos ay ginagamit ang Convolutional Neural Networks (CNNs) upang pag-aralan ang hilaw na video upang masubaybayan at tuklasin ang mga bagay.
Autopilot ng Tesla mayroon ding mga radar at ultrasonic sensor bilang karagdagan sa mga camera. Ang radar ay ginagamit upang makita at sukatin ang paghihiwalay sa pagitan ng mga sasakyan at iba pang mga bagay. Upang ma-optimize ang kaligtasan ng driver, ang mga ultrasonic sensor ay gumagana din alinsunod sa pagmamanman ng closeness sa mga passive na bagay.
Upang maunawaan ang paligid ng kotse at gawing tumutugon ang mga kakayahan ng autopilot hangga't maaari, isinama ang mga neural network sa Tesla hardware.
Tesla FSD Chip -3
Para sa pinahusay na pagganap at kaligtasan sa mga kalsada, kasama sa mga Tesla system ang dalawang AI processor. Ang Tesla system ay nagsusumikap na maging walang error. Kahit na mabigo ang isang unit, maaari pa ring gumana ang sasakyan gamit ang mga karagdagang unit dahil sa backup na power at data input sources.
Ginagamit ni Tesla ang mga karagdagang hakbang na ito upang matiyak na ang mga sasakyan ay mahusay na kagamitan upang maiwasan ang mga banggaan kung sakaling magkaroon ng hindi inaasahang pagkabigo. Tanging ang utak ng tao maaaring magsagawa ng mas maraming operasyon kada segundo kaysa sa bagong Tesla microprocessor (1 quadrillion operations per sec). Iyon ay humigit-kumulang 21 beses na mas makapangyarihan kaysa sa Tesla Nvidia microchips na dati nang ginagamit.
TAng esla ay walang alinlangan na isang market leader para sa ganap na autonomous na mga lokomotibo, ngunit ito ay malayo pa mula sa paggawa ng isang cutting-edge na autopilot na kotse.
Sa hinaharap, ang isang sasakyan na may mga katangiang binalangkas namin sa sanaysay na ito ay walang alinlangan na magiging karaniwan. Gumawa si Tesla ng sarili nitong mga cutting-edge na mga processor ng AI at arkitektura ng neural network.
Pagsasanay sa Neural Network
Dapat ding sanayin ang modelo pagkatapos ng mga neural network ay nilikha. Alam namin na naglagay si Tesla ng malawak na hanay ng mga aklatan at tool upang payagan ang mga makabagong kakayahan sa computer vision.
pytorch, na nilikha ng AI Research department ng Facebook, ay isa sa gayong balangkas (FAIR). Ang PyTorch ay ginagamit ng Tesla tech stack upang sanayin ang modelo ng malalim na pag-aaral.
Kapansin-pansin na hindi umaasa si Tesla sa mga mapa o LIDAR upang makamit ang kumpletong awtonomiya. Eksklusibong ginagamit ang mga camera at purong computer vision, at lahat ay ginagawa sa real-time.
Ang Tesla ay gumagamit ng Pytorch para sa pagsasanay pati na rin ang iba't ibang mga pantulong na aktibidad tulad ng awtomatikong daloy ng trabaho pag-iiskedyul, pag-calibrate ng mga limitasyon ng modelo, masusing pagtatasa, passive na pagsubok, mga pagsubok sa simulation, atbp.
Gumugugol si Tesla ng humigit-kumulang 70,000 oras ng GPU sa pagsasanay ng 48 network na gumagawa ng 1,000 natatanging hula. Ang pagsasanay na ito ay patuloy, hindi lamang isang beses. Alam namin na ang artificial intelligence ay isang umuulit na proseso na umuusad sa paglipas ng panahon. Bilang resulta, ang lahat ng 1000 hiwalay na pagtataya ay nananatiling tumpak at hindi naaalis.
HydraNet
Mayroong humigit-kumulang 100 mga trabaho sa ilalim ng progreso sa anumang partikular na oras, kahit na ang isang kotse ay hindi gumagalaw at malamang na nasa isang sangang-daan. Ang paggamit ng neural network para sa bawat gawain ay magastos at hindi epektibo. Napakaraming impormasyon ang pinoproseso sa real-time ng AI sa mga sasakyang Tesla.
Bilang resulta, ang ResNet-50 shared backbone, na maaaring magproseso ng 1000 x 1000 na mga larawan nang sabay-sabay, ay nagsisilbing central processing unit para sa Computer Vision workflow.
Malapit sa tuktok ng network, ang disenyo ng HydraNet neural network ay nahahati sa ilang sangay (o mga ulo). Sa pamamagitan ng pagkakaroon ng bawat micro-batch ng data ng pagsasanay na matimbang nang iba para sa maraming mga ulo, ang mga ulo na ito ay itinuro nang nakapag-iisa at natututo ng mga natatanging bagay.
Siyempre, may ilang pagkakataon ng mga HydraNet na ito na nagtutulungan upang iproseso ang AI para sa mga sasakyan. Ang bawat impormasyon ng HydraNet ay ginagamit upang malunasan ang mga paulit-ulit na problema.
Halimbawa, ang isang gawain ay maaaring maging aktibo sa paghawak ng mga stop sign, isa pa upang harapin ang mga pedestrian, at isa pa upang suriin ang mga signal ng trapiko. Ang mga natatanging tungkuling ito ay pinatatakbo ng isang karaniwang gulugod.
Ayon sa arkitektura ng HydraNet, isang maliit na bahagi lamang ng napakalaking neural network ang kailangan para sa bawat isa sa mga gawaing ito.
Ito ay medyo katulad sa paglipat ng pag-aaral, kung saan ang mga natatanging bloke ay sinanay para sa isang karaniwang bloke para sa ilang partikular na kaugnay na gawain. Ang mga backbones ng HydraNets ay sinanay sa iba't ibang bagay, samantalang ang mga ulo ay tinuturuan sa mga partikular na trabaho.
Binabawasan nito ang dami ng oras na kailangan para sanayin ang modelo at pinapabilis ang hinuha.
Tesla Autopilot
Ang mga kotse na may mga kakayahan sa autopilot ay maaaring mag-autonomiya na magmaneho, bumilis, at huminto sa isang lane. Ito ay itinayo gamit ang malalim na mga konsepto ng neural network. Inoobserbahan nito ang paligid ng sasakyan gamit ang mga camera, ultrasonic sensor, at radar.
Ang mga driver ay ipinaalam sa kanilang kapaligiran sa pamamagitan ng mga sensor at camera, at ang impormasyong ito ay sinusuri sa loob ng ilang millisecond upang makatulong na gawing mas ligtas at hindi gaanong nakaka-stress ang pagmamaneho.
Sa maliwanag, madilim, at iba't ibang kalagayan ng panahon, ang radar ay ginagamit upang obserbahan at tantiyahin ang espasyo sa paligid ng mga sasakyan. Sa bawat sitwasyon, tinutukoy ng mga pamamaraan ng ultraviolet ang pagiging malapit, at tinutukoy ng passive na video ang mga bagay sa malapit at nagpo-promote ng ligtas na pagmamaneho.
Bilang karagdagan, ang autopilot ay idinisenyo upang tulungan ang driver at hindi ginagawang isang sasakyan na nagmamaneho ng sarili ang isang Tesla. Karaniwang kaugalian na bigyan ng babala ang mga tsuper na panatilihin ang kanilang mga kamay sa manibela.
Ang isang serye ng mga alerto upang kunin ang gulong ay na-trigger kung hindi mo gagawin. Kung hindi pinansin ng mas matagal, ang sasakyan ay magsisimulang bumagal bago huminto. Sa pamamagitan ng pagpepreno, pag-ikot, o pag-deactivate ng cruise control stalk, maaaring palaging i-override ng mga driver ang mga function ng autopilot.
Pandikit sa Mata ng Ibon
Ang mga larawan na madalas na binibigyang kahulugan ng Tesla hardware ay maaaring mangailangan ng mga karagdagang sukat. Ang tampok na Bird's Eye View ay nagpapadali sa pagsukat ng mas malalayong distansya at nag-aalok ng mas tumpak na representasyon ng labas ng mundo.
Ito ay isang visual na sistema ng pagsubaybay na "nagbibigay" ng isang top view na imahe ng isang kotse upang gawing simple ang paradahan at mag-navigate sa maliliit na lugar. Nang hindi na kinakailangang magbigay ng isang pilay na katwiran tungkol sa iyong mga kakayahan sa pagparada, maaari mo na ngayong ligtas na humawak sa gulong.
Kinabukasan ng Tesla
Kung naghahanap ka ng mid-size na SUV na may malakas na hanay, ang 2022 Tesla Model Y ay isang kamangha-manghang panimulang punto para sa mga EV. Dahil sa mga regular na pag-upgrade ng software, ang Model Y ay patuloy na nagbabago, katulad ng marami sa iba pang mga produkto ng Tesla.
Sa pamamagitan ng pagpapahusay ng kaligtasan at functionality, tinutulungan ng mga upgrade na ito ang iyong sasakyan na maging mas kapaki-pakinabang. Para sa mga taong kailangang maglakbay ng malalayong distansya kasama ang pamilya at iba't ibang bagahe, ang maluwang na katawan at access sa Tesla's Supercharger network ay ginagawa itong isang magandang pagpipilian.
Mula nang magsimula ito, nakinabang ang Tesla mula sa data mula sa kasalukuyang base ng customer nito, at ang trabaho nito sa mga autonomous na sasakyan ay bahagi ng patuloy nitong ambisyon na ilagay ang AI sa core ng lahat ng operasyon nito.
Ang AI at malaking data ay magpapatuloy na maging Elon Musk at ang kanyang koponan sa matatapat na kaalyado ng Tesla sa kanilang paglipat sa kanilang mga pinakabagong inisyatiba kabilang ang kanilang mga adhikain na baguhin ang electric grid gamit ang kanilang mga solar power panel sa bahay.
Konklusyon
Ang Tesla, isang kumpanya na kinikilala bilang isa sa mga pinaka-agresibong innovator sa merkado, ay palaging ginagawa ang pagkolekta at pagsusuri ng data bilang pinakamakapangyarihang tool. Sinunod nila ang parehong mga patakaran pagdating sa paglikha ng kanilang sariling mga chip.
Ang negosyo ay nakabuo ng mga autonomous na sasakyan na may potensyal na ganap na baguhin ang paraan ng pagmamaneho namin ng mga sasakyan salamat sa artificial intelligence at pagsusuri ng data.
Tingnan natin kung gaano kahusay pinaninindigan ng platform ang mga pangako nito at pagpapaunlad ng negosyo nito. Kung saan pupunta ang kumpanya sa merkado para sa mga autonomous na sasakyan sa hinaharap ay nananatiling makikita pagkatapos gamitin ang mga teknolohiyang ito.
Mag-iwan ng Sagot