Hotline
Journaliste
Journaliste
Points clés de l'interprétation de la solution de conduite autonome FSD de Tesla
2024-05-15
2252
Visite d'Elon Musk à Pékin : briser la glace avec le FSD Chine
Peu de temps après la visite de Musk à Pékin, l'Association chinoise des constructeurs automobiles et le Centre national de coordination des réponses d'urgence du réseau informatique ont publié un avis sur le test de quatre exigences de sécurité pour le traitement des données automobiles. Tesla, en tant qu'entreprise à capitaux étrangers, est devenue l'un des premiers constructeurs automobiles à satisfaire aux quatre exigences. Dans FSD V12, Tesla a apporté des améliorations significatives à ses algorithmes de navigation et de planification d'itinéraire. La nouvelle version du système de navigation peut planifier intelligemment les itinéraires de conduite, en tenant compte de divers facteurs tels que les conditions de circulation, les changements de route et les préférences du conducteur. De plus, la nouvelle version de FSD dispose de capacités d'analyse du trafic en temps réel plus puissantes, lui permettant d'ajuster les itinéraires en fonction des conditions réelles, garantissant ainsi une expérience de conduite plus fluide. Même si les constructeurs automobiles chinois sont à la traîne en matière de technologie sous-jacente à la conduite autonome, ils disposent d’avantages en matière d’écologie et de chaînes d’approvisionnement. Avec le développement des infrastructures de transport intelligent, ils devraient intégrer des produits plus compétitifs.
Grâce à la technologie de conduite autonome de bout en bout obtenue par FSD V12, Tesla n'a besoin que d'utiliser d'abondantes données de conduite locales pour former des modèles de conduite intelligents, offrant ainsi une expérience de conduite supérieure. De plus, en réduisant considérablement l’utilisation de codes basés sur des règles, Tesla n’a pas besoin de constituer une équipe de milliers d’ingénieurs en algorithmes de conduite intelligente en Chine. Avec seulement une équipe d'exploitation locale d'environ 20 personnes et une équipe d'étiquetage des données de plusieurs centaines de personnes, Tesla peut assurer l'atterrissage et le fonctionnement en douceur du FSD sur le marché chinois.
Le 16 mai 2023, après avoir pris la parole lors de l’assemblée annuelle des actionnaires de Tesla, Musk a accordé une interview à CNBC, un média financier américain bien connu.
En discutant des capacités d'IA de Tesla, Musk a déclaré que Tesla était loin en avance dans l'IA du monde réel et qu'on pouvait dire qu'elle était sans égal. Il a ensuite répondu à la question de l'hôte sur ChatGPT et l'IA générative :
"Je pense que Tesla aura également un 'moment ChatGPT', si ce n'est pas cette année, alors je ne pense pas que ce sera plus tard que l'année prochaine. Cela signifie qu'un jour, tout à coup, 3 millions de véhicules Tesla pourront conduire seuls... puis c'est 5 millions, puis c'est 10 millions...
Si nous échangeons nos positions, avec Tesla construisant un modèle de langage qui ne produit pas de résultats pires que ChatGPT, et Microsoft et OpenAI travaillant sur la conduite autonome, si nous échangeons nos tâches, il ne fait aucun doute que nous gagnerons. »
FSD est une architecture logicielle et matérielle de conduite autonome à liaison complète
Architecture FSD : un cadre logiciel et matériel complet de conduite autonome de bout en bout est construit à différents niveaux, notamment les données, les algorithmes et la puissance de calcul, englobant la perception, la planification et l'exécution.
Planification : aborde essentiellement les problèmes de planification de trajectoires multi-objets, en gérant les trajectoires pour soi et pour tous les objets afin de guider le véhicule dans l'exécution des actions d'exécution correspondantes.
Réseaux de neurones : analysez les entrées telles que les flux vidéo pour générer des états cinématiques complets (position/vitesse/accélération/rugosité) contrôlant le véhicule.
Données de formation : utilise une technologie d'annotation automatique 4D de pointe, une simulation améliorée et des ressources de cloud computing pour former un système de données en boucle fermée.
Infrastructure de formation : comprend un processeur, un GPU, des unités Neural Network Accelerator et un compilateur IA. Le compilateur AI prend en charge les nouvelles opérations requises par les réseaux neuronaux, en les mappant aux ressources matérielles sous-jacentes optimales.
Compilation et inférence d'IA : traite des réseaux de neurones exécutant des ordinateurs. Le moteur d'inférence actuel peut attribuer l'exécution d'un seul réseau neuronal à deux systèmes de puces indépendants, un peu comme si deux ordinateurs distincts étaient connectés au sein du même ordinateur de conduite autonome.
Par rapport aux solutions modulaires telles que les modèles experts et les modèles hybrides, les solutions de conduite autonome de bout en bout intègrent la perception, la planification et le contrôle, supprimant le code basé sur des règles de chaque module. Les informations collectées à partir de plusieurs capteurs sont directement entrées dans des réseaux neuronaux complexes à grande échelle qui, après calcul, peuvent directement émettre des commandes de contrôle de conduite, ce qui donne lieu à un système de bout en bout. L'avantage le plus important réside dans la réduction du recours à des cartes de haute précision et dans la réduction des coûts dans les étapes intermédiaires ; le modèle a une limite supérieure élevée et peut atteindre des solutions optimales globales approximatives. Les inconvénients incluent un apprentissage initial plus lent du modèle, nécessitant des données de formation massives pour que le modèle émerge et progresse rapidement, moins d'explications pour des scénarios simples par rapport aux architectures modulaires, une barrière d'entrée élevée en raison d'un plancher de modèle bas ; une mauvaise interprétabilité de la « boîte noire » au milieu, entraînant potentiellement des comportements décisionnels plus inexplicables que les modèles experts.
Le « mode ombre » de Tesla fournit également un soutien crucial à la progression du FSD.
En collectant diverses données de conduite pendant les processus de conduite des utilisateurs, Tesla peut obtenir des données de grande valeur sur les cas de virage, optimisant ainsi en permanence les performances du FSD. Ces données sont stockées dans le centre de données de Tesla et, après analyse et traitement par le moteur de données, elles peuvent être utilisées comme matériel de formation pour le système, améliorant ainsi encore la précision et la fiabilité du FSD.
HW4.0 a une puissance de calcul plus élevée et les grands modèles progressent remarquablement.
Les principales sources de progrès technique dans cette version bêta publique de FSD peuvent provenir des aspects suivants : Premièrement, FSD Beta V12 a été mis à jour pour la plate-forme HW4.0, offrant un support matériel plus solide pour le système. Les mises à niveau matérielles HW4.0 augmentent la fréquence d'images de 4 images par seconde pour les caméras, permettant un traitement plus rapide des données d'image et améliorant la reconnaissance des détails de la route. De plus, la puissance de calcul du HW4.0 est doublée par rapport au HW3.0, ce qui permet à FSD d'effectuer des traitements et des calculs plus efficaces, accélérant ainsi la prise de décision.
Musk a déclaré que le taux d'intervention du FSD V12 ne représente que 11% de celui du VXNUMX.
Le PDG de Tesla, Elon Musk, a déclaré mardi sur la plateforme X que le taux d'intervention de la version V12 du logiciel « Full Self-Driving » (FSD) de Tesla ne représente qu'un pour cent de la version V11. Un utilisateur a posté : « Par rapport à la V11, la fréquence d'intervention de la V12 sera réduite de plus de 100 fois. Il ne s'agit pas d'une mise à niveau progressive, mais d'un bond en avant.
Tesla investira environ 10 milliards de dollars dans la formation et l'inférence en IA
Musk a également ajouté que toute entreprise qui ne peut pas dépenser au moins 10 milliards de dollars par an ou les déployer efficacement ne peut pas rivaliser sur le marché.
Récemment, le FSD V12 de bout en bout de Tesla a progressivement commencé à être déployé à grande échelle auprès des utilisateurs nord-américains. En bref, FSD V12 atteint l'objectif de conduite autonome grâce à une grande quantité de données d'entraînement vidéo, permettant à Tesla d'éliminer des centaines de milliers de lignes de code. Cependant, la formation à une telle conduite autonome IA nécessite une grande quantité de puissance de calcul. Musk a déclaré lors d'une émission en direct en août dernier que Tesla était sur le point de lancer un cluster GPU composé de 10,000 100 Nvidia HXNUMX pour former le nouveau système FSD.
Le fondateur, président et PDG d'AutoX, Xiao Jianxiong, a déclaré aux journalistes de First Financial que le FSD de Tesla a utilisé des algorithmes d'apprentissage profond de bout en bout, qui ont considérablement amélioré les performances par rapport à avant. Dans le passé, il s'appuyait sur des algorithmes de règles basés sur du code écrits manuellement, et il utilise désormais un grand réseau modèle formé avec des données.
Recommandations connexes
粤公网安备44030002007346号