Ви можете вважати Tesla відомим іменем в автомобільній промисловості, якщо згадати про них. Tesla, піонер в області електромобілів, без сумніву. Однак вони є технологічною фірмою, що є секретом їхнього успіху.
Однією з речей, які зробили їхній бізнес успішним, є використання штучний інтелект технології. Повна автоматизація автомобілів Tesla є одним із головних пріоритетів компанії, і для досягнення цієї мети вони використовують ШІ та його численні компоненти.
Оголосивши про свій прихід на початку 2021 року, Tesla викликало переполох на субконтиненті. Ілон Маск майже готовий заснувати Бангалор, Індія, як виробничий центр Tesla India.
Фахівці зі штучного інтелекту в Індії раділи тим, що меми та твіти про те, як в Індії працюватимуть хвалені «самокеровані автомобілі», продовжувалися.
Ціла хвиля штучного інтелекту, яка з часом запанує світом, тільки починається.
У цьому дописі буде докладно розглянуто, як Tesla інтегрує штучний інтелект у свою систему, включаючи специфіку та іншу інформацію.
Отже, як ШІ навчає автономного водіння в автомобілях?
Автономні транспортні засоби постійно аналізувати дані своїх датчиків і камер машинного зору, щоб мати можливість керувати автомобілем самостійно. Потім вони використовують ці дані, щоб вирішити, що робити далі.
Вони використовують ШІ, щоб зрозуміти та передбачити наступні рухи велосипедистів, пішоходів та автомобілів. Вони можуть використовувати цю інформацію, щоб швидко планувати свої дії та приймати рішення за частки секунди.
Автомобіль повинен продовжувати рух по поточній смузі чи змінити смугу? Чи має він продовжувати, де він є, чи пропустити автомобіль перед ними? Коли транспортний засіб має сповільнювати чи прискорюватись?
Tesla має зібрати відповідні дані для навчання алгоритмів і живлення свого ШІ, щоб зробити автомобілі повністю автономними. Краща продуктивність завжди буде результатом більшої кількості навчальних даних, і Tesla блищить у цій галузі.
Той факт, що Tesla збирає всі свої дані з сотень тисяч автомобілів Tesla, які зараз їздять, дає їй конкурентну перевагу. Як внутрішні, так і зовнішні датчики відстежують, як Tesla поводиться в різних обставинах.
Вони також збирають інформацію про поведінку водіїв, зокрема про те, як вони реагують на певні обставини та як часто вони торкаються керма чи панелі приладів.
«Імітаційне навчання» — так називається стратегія Тесли. Мільйони справжніх водіїв у всьому світі роблять висновки, реагують і рухаються, а їхні алгоритми навчаються на цих діях. Усі ці кілометри призводять до неймовірно складних автономних транспортних засобів.
Їхня система відстеження дійсно просунута. Наприклад, Tesla зберігає знімок даних моменту, додає його до набору даних, а потім відтворює абстрактне представлення світу, використовуючи кольорові форми, які нейронної мережі можна навчитися. Це трапляється, коли автомобіль Tesla неправильно прогнозує поведінку автомобіля чи велосипеда.
Інші підприємства, які розробляють автономні транспортні засоби, покладаються на це синтетичні дані, що є значно менш ефективним, ніж реальні дані, які використовує Tesla для навчання свого ШІ (наприклад, поведінка водія з відеоігор, таких як Grand Theft Auto).
Зараз ми розглянемо компоненти Tesla, які використовують переваги ШІ.
Компоненти Tesla, які використовують переваги ШІ
Камера та датчики
Обов'язки, які має виконати Тесла, досить добре відомі. Усі ці операції, від ідентифікації смуги до відстеження пішоходів, виконуються в режимі реального часу. З цієї причини Tesla працювала за допомогою 8 камер. Крім того, наявність такої кількості камер гарантує відсутність сліпої зони та охоплення всієї території навколо автомобіля.
Це правда, що ви щойно прочитали! немає LIDAR Немає системи для картографування високої чіткості. Tesla хоче використовувати тільки комп'ютерний зір, навчання за допомогою машиниі відео з камери для створення моделі автопілота. Згорткові нейронні мережі (CNN) потім використовуються для аналізу необробленого відео з метою відстеження та виявляти предмети.
Тесла автопілот Крім камер, також має радар і ультразвукові датчики. Радар використовується для виявлення та вимірювання відстані між транспортними засобами та іншими об’єктами. Щоб оптимізувати безпеку водія, ультразвукові датчики також функціонують відповідно до моніторингу близькості до пасивних об’єктів.
Щоб зрозуміти оточення автомобіля та зробити можливості автопілота максимально чутливими, нейронні мережі інтегровані з апаратним забезпеченням Tesla.
Чіп Tesla FSD -3
Для підвищення продуктивності та безпеки на дорогах системи Tesla включають два процесори ШІ. Система Tesla прагне бути безпомилковою. Навіть якщо один блок вийде з ладу, автомобіль все одно зможе працювати за допомогою додаткових блоків завдяки резервному живленню та джерелам введення даних.
Tesla використовує ці додаткові заходи, щоб переконатися, що автомобілі добре обладнані, щоб уникнути зіткнень у разі непередбаченої несправності. Тільки людський мозок може виконувати більше операцій за секунду, ніж новий мікропроцесор Tesla (1 квадрильйон операцій за секунду). Це приблизно в 21 разів потужніше, ніж мікрочіпи Tesla Nvidia, які використовувалися раніше.
Tesla, безсумнівно, є лідером на ринку повністю автономних локомотивів, але вона все ще далека від виробництва передового автомобіля з автопілотом.
У майбутньому автомобіль із якостями, які ми окреслили в цьому есе, безсумнівно, стане звичайним явищем. Tesla створила власні передові процесори ШІ та архітектуру нейронної мережі.
Навчання нейронної мережі
Модель також потрібно навчити після нейронних мереж були створені. Ми знаємо, що Tesla створила широкий спектр бібліотек і інструментів, щоб забезпечити передові можливості комп’ютерного зору.
Піторх, який був створений відділом досліджень штучного інтелекту Facebook, є одним із таких фреймворків (FAIR). PyTorch використовується Стек технологій Tesla тренувати модель глибокого навчання.
Примітно, що Tesla не покладається на карти або LIDAR для досягнення повної автономності. Використовуються виключно камери та чисте комп’ютерне бачення, і все робиться в режимі реального часу.
Tesla використовує Pytorch для навчання, а також для різних допоміжних заходів, як-от автоматизований робочий процес планування, калібрування порогових значень моделі, ретельне оцінювання, пасивне тестування, симуляційні тести тощо.
Tesla витрачає приблизно 70,000 48 годин GPU на навчання 1,000 мереж, які роблять 1000 чітких прогнозів. Це навчання відбувається постійно, а не одноразово. Ми усвідомлюємо, що штучний інтелект — це ітеративний процес, який прогресує з часом. У результаті всі XNUMX окремих прогнозів залишаються точними і ніколи не змінюються.
HydraNet
У будь-який момент часу виконується близько 100 завдань, навіть коли автомобіль не рухається і, швидше за все, знаходиться на перехресті. Використовувати нейронну мережу для кожного завдання дорого і неефективно. Штучний інтелект в автомобілях Tesla обробляє величезні обсяги інформації в режимі реального часу.
Як наслідок, спільна магістраль ResNet-50, яка може обробляти 1000 x 1000 зображень одночасно, служить центральним процесором для робочого процесу Computer Vision.
У верхній частині мережі нейронна мережа HydraNet ділиться на кілька гілок (або голів). Завдяки тому, що кожна мікрогрупа навчальних даних має різну вагу для багатьох голів, ці голови навчаються незалежно та вивчають різні речі.
Звичайно, є кілька прикладів, коли ці HydraNet працюють разом, щоб обробляти ШІ для транспортних засобів. Кожна інформація HydraNet використовується для вирішення повторюваних проблем.
Наприклад, одне завдання може бути активним для обробки знаків зупинки, інше для роботи з пішоходами, а ще одне для перевірки сигналів світлофора. Усі ці різні обов’язки виконуються спільною системою.
Згідно з архітектурою HydraNet, для кожного з цих завдань потрібна лише невелика частка величезної нейронної мережі.
Це дуже схоже на перехідне навчання, де окремі блоки навчаються для спільного блоку для певних пов’язаних завдань. Основні частини HydraNets навчаються різноманітним речам, тоді як керівники навчаються певним роботам.
Це зменшує кількість часу, необхідного для навчання моделі, і прискорює висновок.
Автопілот Тесла
Автомобілі з функціями автопілота можуть самостійно керувати, прискорюватися та зупинятися на смузі руху. Він побудований з використанням концепцій глибокої нейронної мережі. Він спостерігає за територією навколо автомобіля за допомогою камер, ультразвукових датчиків і радарів.
Датчики та камери сповіщають водіїв про навколишнє середовище, і ця інформація аналізується за лічені мілісекунди, щоб допомогти зробити водіння безпечнішим і менш стресовим.
У яскравих, темних і різних погодних умовах радар використовується для спостереження та оцінки простору навколо автомобілів. У будь-якій ситуації ультрафіолетові методи визначають близькість, а пасивне відео ідентифікує об’єкти поблизу та сприяє безпечному керуванню.
Крім того, автопілот призначений для допомоги водієві і не перетворює Tesla на самокерований автомобіль. Поширеною практикою є попередження водіїв, щоб вони тримали руки на кермі.
Якщо ви цього не зробите, спрацьовує серія сповіщень про необхідність сісти за кермо. Якщо його ігнорувати довше, автомобіль починає сповільнюватися, перш ніж зупинитися. Загальмувавши, повернувши або вимкнувши важіль круїз-контролю, водії завжди можуть перевизначити функції автопілота.
Вид з пташиного польоту
Зображення, які апаратне забезпечення Tesla інтерпретує, часто потребують додаткових вимірів. Функція огляду з висоти пташиного польоту полегшує вимірювання дальших відстаней і пропонує більш точне уявлення про зовнішній світ.
Це система візуального моніторингу, яка «відтворює» зображення автомобіля зверху, щоб спростити паркування та полегшити навігацію в невеликих місцях. Тепер ви можете сміливо сісти за кермо без жодних пояснень щодо своїх здібностей до паркування.
Майбутнє Tesla
Якщо ви шукаєте позашляховик середнього розміру з широким запасом ходу, Tesla Model Y 2022 року є фантастичною відправною точкою для електромобілів. Завдяки регулярним оновленням програмного забезпечення Model Y постійно змінюється, як і багато інших продуктів Tesla.
Підвищуючи безпеку та функціональність, ці оновлення допомагають вашому автомобілю бути кориснішим. Для людей, яким потрібно подорожувати на великі відстані з родиною та різноманітним багажем, місткий корпус і доступ до мережі Supercharger від Tesla роблять його чудовим вибором.
З моменту свого заснування Tesla отримувала вигоду від даних своєї поточної клієнтської бази, і її робота над автономними транспортними засобами є частиною її постійних амбіцій поставити ШІ в центр усіх її операцій.
Штучний інтелект та великі дані й надалі залишатимуться Ілоном Маском та його командою серед вірних союзників Tesla, коли вони рухаються до своїх новітніх ініціатив, включаючи прагнення трансформувати електричну мережу за допомогою своїх домашніх сонячних панелей.
Висновок
Tesla, компанія, яка визнана одним із найагресивніших інноваторів на ринку, завжди робила збір і аналіз даних своїм найпотужнішим інструментом. Вони дотримувалися тих самих правил, коли справа дійшла до створення власних мікросхем.
Компанія розробила автономні транспортні засоби, які мають потенціал повністю змінити спосіб водіння автомобілів завдяки штучному інтелекту та аналізу даних.
Давайте подивимося, наскільки добре платформа виконує свої обіцянки та розвиває свій бізнес. Куди компанія піде на ринку автономних транспортних засобів у майбутньому, ще належить побачити після використання цих технологій.
залишити коментар