hotline
columnist
columnist
Kernpunten van Tesla's interpretatie van de FSD-oplossing voor autonoom rijden
2024-05-15
2252
Elon Musk's bezoek aan Beijing: het ijs breken met FSD China
Kort na Musk's bezoek aan Beijing brachten de China Association of Automobile Manufacturers en het National Computer Network Emergency Response Coördinatiecentrum een bericht uit over het testen van vier beveiligingsvereisten voor de verwerking van autogegevens. Tesla werd als een door het buitenland gefinancierde onderneming een van de eerste lichting autobedrijven die aan alle vier de vereisten voldeed. In FSD V12 heeft Tesla aanzienlijke verbeteringen aangebracht in zijn navigatie- en routeplanningsalgoritmen. De nieuwe versie van het navigatiesysteem kan op intelligente wijze rijroutes plannen, waarbij rekening wordt gehouden met verschillende factoren, zoals verkeersomstandigheden, wegwijzigingen en voorkeuren van de bestuurder. Bovendien beschikt de nieuwe versie van FSD over sterkere realtime verkeersanalysemogelijkheden, waardoor routes kunnen worden aangepast op basis van de werkelijke omstandigheden, wat een soepelere rijervaring garandeert. Hoewel Chinese autobedrijven achterlopen op het gebied van de onderliggende technologie voor autonoom rijden, hebben ze voordelen op het gebied van ecologie en toeleveringsketens. Met de ontwikkeling van de infrastructuur van intelligent transport wordt van hen verwacht dat ze meer concurrerende producten zullen integreren.
Met de end-to-end autonome rijtechnologie van FSD V12 hoeft Tesla alleen maar overvloedige lokale rijgegevens te gebruiken om intelligente rijmodellen te trainen, die een superieure rijervaring bieden. Bovendien hoeft Tesla, door het gebruik van op regels gebaseerde code aanzienlijk te verminderen, geen team van duizenden intelligente algoritme-ingenieurs in China op te richten. Met slechts een lokaal operationeel team van ongeveer twintig mensen en een datalabelteam van honderden mensen kan Tesla een soepele landing en werking van FSD op de Chinese markt garanderen.
Op 16 mei 2023 gaf Musk, na een toespraak op de jaarlijkse aandeelhoudersvergadering van Tesla, een interview aan CNBC, een bekend Amerikaans financieel mediakanaal.
Toen Musk de AI-mogelijkheden van Tesla besprak, zei hij dat Tesla ver voorop loopt op het gebied van AI in de echte wereld en dat er kan worden gezegd dat deze ongeëvenaard is. Vervolgens beantwoordde hij de vraag van de host over ChatGPT en generatieve AI:
"Ik denk dat Tesla ook een 'ChatGPT-moment' zal hebben, zo niet dit jaar, dan denk ik niet dat het later zal zijn dan volgend jaar. Dit betekent dat op een dag plotseling 3 miljoen Tesla-voertuigen zelf kunnen rijden... dan is het 5 miljoen, dan is het 10 miljoen...
Als we onze posities uitwisselen, waarbij Tesla een taalmodel bouwt dat resultaten oplevert die niet slechter zijn dan ChatGPT, en Microsoft en OpenAI werken aan autonoom rijden, als we onze taken uitwisselen, zullen we ongetwijfeld winnen."
FSD is een full-link software- en hardwarearchitectuur voor autonoom rijden
FSD-architectuur: Een uitgebreid end-to-end software- en hardwareframework voor autonoom rijden is opgebouwd op verschillende niveaus, waaronder data, algoritmen en rekenkracht, en omvat perceptie, planning en uitvoering.
Planning: Behandelt in essentie padplanningsproblemen met meerdere objecten, waarbij trajecten voor zowel zichzelf als alle objecten worden beheerd om het voertuig te begeleiden bij het voltooien van overeenkomstige uitvoeringsacties.
Neurale netwerken: Analyseer input zoals videostreams om volledige kinematische toestanden (positie/snelheid/versnelling/ruwheid) uit te voeren die het voertuig besturen.
Trainingsgegevens: maakt gebruik van de modernste 4D-technologie voor automatische annotatie, verbeterde simulatie en cloud computing-bronnen om een gesloten gegevenssysteem te vormen.
Trainingsinfrastructuur: omvat CPU, GPU, Neural Network Accelerator-eenheden en een AI-compiler. De AI-compiler ondersteunt nieuwe bewerkingen die vereist zijn voor neurale netwerken, en brengt deze in kaart met optimale onderliggende hardwarebronnen.
AI-compilatie en -inferentie: adressering van neurale netwerken op computers. De huidige inferentie-engine kan de uitvoering van een enkel neuraal netwerk toewijzen aan twee onafhankelijke chipsystemen, vergelijkbaar met het hebben van twee afzonderlijke computers die zijn aangesloten op dezelfde autonome rijcomputer.
Vergeleken met modulaire oplossingen zoals expertmodellen en hybride modellen, integreren end-to-end autonome rijoplossingen perceptie, planning en controle, waardoor op regels gebaseerde code uit elke module wordt verwijderd. Informatie verzameld door meerdere sensoren wordt rechtstreeks ingevoerd in complexe grootschalige neurale netwerken, die, na berekening, direct stuuropdrachten kunnen uitvoeren, wat resulteert in een end-to-end systeem. Het belangrijkste voordeel is het verminderen van de afhankelijkheid van zeer nauwkeurige kaarten en het verlagen van de kosten in tussenliggende fasen; het model heeft een hoge bovengrens en kan bij benadering globale optimale oplossingen bereiken. Nadelen zijn onder meer het langzamer leren van het initiële model, waarbij enorme trainingsgegevens nodig zijn om het model te laten ontstaan en snelle vooruitgang te boeken, minder uitleg voor eenvoudige scenario's vergeleken met modulaire architecturen, een hoge toegangsdrempel vanwege een lage modelvloer; slechte interpreteerbaarheid van de ‘zwarte doos’ in het midden, wat mogelijk resulteert in meer onverklaarbaar beslissingsgedrag dan expertmodellen.
Tesla's "Shadow Mode" biedt ook cruciale ondersteuning voor FSD-vooruitgang.
Door verschillende rijgegevens te verzamelen tijdens de rijprocessen van gebruikers, kan Tesla hoogwaardige gegevens over de kleinste gevallen verkrijgen, waardoor de FSD-prestaties voortdurend worden geoptimaliseerd. Deze gegevens worden opgeslagen in het datacentrum van Tesla en kunnen, na analyse en verwerking door de data-engine, worden gebruikt als trainingsmateriaal voor het systeem, waardoor de nauwkeurigheid en betrouwbaarheid van FSD verder worden verbeterd.
HW4.0 heeft een sterkere rekenkracht en grote modellen maken opmerkelijke vooruitgang.
De belangrijkste bronnen van technische vooruitgang in deze publieke bètaversie van FSD kunnen voortkomen uit de volgende aspecten: Ten eerste is FSD Beta V12 bijgewerkt voor het HW4.0-platform, waardoor sterkere hardwareondersteuning voor het systeem wordt geboden. HW4.0 hardware-upgrades verhogen de framesnelheid met 4 frames per seconde voor camera's, waardoor een snellere verwerking van beeldgegevens mogelijk wordt en de herkenning van wegdetails wordt verbeterd. Bovendien is de rekenkracht van HW4.0 verdubbeld vergeleken met HW3.0, waardoor FSD efficiëntere verwerkingen en berekeningen kan uitvoeren, waardoor de besluitvorming wordt versneld.
Musk zei dat het interventiepercentage van de FSD V12 slechts één procent bedraagt van dat van V11
Tesla-CEO Elon Musk zei dinsdag op X-platform dat het interventiepercentage van Tesla's "Full Self-Driving" (FSD) software V12-versie slechts één procent bedraagt van de V11-versie. Een gebruiker schreef: "Vergeleken met V11 zal de interventiefrequentie van V12 met meer dan 100 keer worden verminderd. Dit is geen geleidelijke upgrade, maar een sprong.
Tesla zal ongeveer $10 miljard investeren in AI-training en -inferentie
Musk voegde er ook aan toe dat elk bedrijf dat niet minstens 10 miljard dollar per jaar kan uitgeven of efficiënt kan inzetten, niet op de markt kan concurreren.
Onlangs is Tesla's end-to-end FSD V12 geleidelijk op grote schaal uitgerold naar Noord-Amerikaanse gebruikers. Kortom, FSD V12 bereikt het doel van autonoom rijden door middel van een grote hoeveelheid videotrainingsgegevens, waardoor Tesla honderdduizenden coderegels kan elimineren. Het trainen van dergelijk AI-autonoom rijden vereist echter een grote hoeveelheid rekenkracht. Musk zei afgelopen augustus in een live-uitzending dat Tesla op het punt staat een GPU-cluster bestaande uit 10,000 Nvidia H100's te lanceren om het nieuwe FSD-systeem te trainen.
AutoX-oprichter, voorzitter en CEO Xiao Jianxiong vertelde First Financial Journalists dat Tesla's FSD end-to-end deep learning-algoritmen heeft gebruikt, die de prestaties aanzienlijk hebben verbeterd in vergelijking met voorheen. In het verleden vertrouwde het op handmatig geschreven, op code gebaseerde regelalgoritmen, en nu gebruikt het een groot modelnetwerk dat is getraind met gegevens.
Gerelateerde aanbevelingen
粤公网安备44030002007346号