Горячая линия
Обозреватель
Обозреватель
Ключевые моменты интерпретации решения Tesla FSD для автономного вождения
2024-05-15
2252
Визит Илона Маска в Пекин: растопить лед с помощью FSD China
Вскоре после визита Маска в Пекин Китайская ассоциация автопроизводителей и Координационный центр реагирования на чрезвычайные ситуации Национальной компьютерной сети опубликовали уведомление о тестировании четырех требований безопасности при обработке автомобильных данных. Tesla, как предприятие, финансируемое из-за границы, стала одной из первых автомобильных компаний, выполнивших все четыре требования. В FSD V12 Tesla внесла значительные улучшения в алгоритмы навигации и планирования маршрута. Новая версия навигационной системы может разумно планировать маршруты движения, принимая во внимание различные факторы, такие как условия дорожного движения, изменения дорог и предпочтения водителя. Кроме того, новая версия FSD обладает более мощными возможностями анализа дорожного движения в реальном времени, что позволяет корректировать маршруты в зависимости от реальных условий, обеспечивая более плавное вождение. Хотя китайские автомобильные компании отстают в базовых технологиях автономного вождения, у них есть преимущества в экологии и цепочках поставок. Ожидается, что с развитием инфраструктуры интеллектуального транспорта они будут интегрировать более конкурентоспособные продукты.
Благодаря комплексной технологии автономного вождения, реализованной в FSD V12, Tesla необходимо использовать только обширные локальные данные о вождении для обучения интеллектуальных моделей вождения, обеспечивая превосходные впечатления от вождения. Более того, благодаря значительному сокращению использования кода, основанного на правилах, Tesla не нужно создавать команду из тысяч инженеров по интеллектуальным алгоритмам вождения в Китае. Имея всего лишь местную операционную группу из примерно 20 человек и команду по маркировке данных из сотен человек, Tesla может обеспечить плавную посадку и работу FSD на китайском рынке.
16 мая 2023 года, после выступления на ежегодном собрании акционеров Tesla, Маск дал интервью известному американскому финансовому СМИ CNBC.
Обсуждая возможности искусственного интеллекта Tesla, Маск сказал, что Tesla далеко впереди в области искусственного интеллекта в реальном мире, и можно сказать, что ему нет равных. Затем он ответил на вопрос ведущего о ChatGPT и генеративном искусственном интеллекте:
«Я думаю, что у Tesla также будет «момент ChatGPT», если не в этом году, то я не думаю, что это будет позже, чем в следующем году. Это означает, что однажды 3 миллиона автомобилей Tesla смогут управлять сами… потом 5 миллионов, потом 10 миллионов...
Если мы поменяемся позициями, когда Tesla построит языковую модель, которая дает результаты не хуже, чем ChatGPT, а Microsoft и OpenAI работают над автономным вождением, если мы поменяемся задачами, то нет сомнений, что мы победим».
FSD — это программно-аппаратная архитектура полносвязного автономного вождения.
Архитектура FSD. Комплексная комплексная программная и аппаратная платформа для автономного вождения построена на различных уровнях, включая данные, алгоритмы и вычислительную мощность, включая восприятие, планирование и исполнение.
Планирование: по существу решает проблемы многообъектного планирования пути, управляя траекториями как для себя, так и для всех объектов, чтобы направлять транспортное средство при выполнении соответствующих действий выполнения.
Нейронные сети: анализируйте входные данные, такие как видеопотоки, для вывода полных кинематических состояний (положение/скорость/ускорение/жесткость), управляющих транспортным средством.
Обучающие данные: использует современную технологию автоматического 4D-аннотирования, модернизированное моделирование и ресурсы облачных вычислений для формирования системы данных с замкнутым контуром.
Инфраструктура обучения: включает в себя процессор, графический процессор, ускоритель нейронных сетей и компилятор искусственного интеллекта. Компилятор ИИ поддерживает новые операции, необходимые нейронным сетям, сопоставляя их с оптимальными базовыми аппаратными ресурсами.
Компиляция и вывод искусственного интеллекта: адреса, на которых работают нейронные сети на компьютерах. Текущий механизм вывода может поручить выполнение одной нейронной сети двум независимым системам микросхем, что похоже на два отдельных компьютера, подключенных к одному автономному управляющему компьютеру.
По сравнению с модульными решениями, такими как экспертные модели и гибридные модели, комплексные решения для автономного вождения интегрируют восприятие, планирование и контроль, удаляя код, основанный на правилах, из каждого модуля. Информация, собранная с нескольких датчиков, напрямую вводится в сложные крупномасштабные нейронные сети, которые после вычислений могут напрямую выдавать команды управления движением, в результате чего получается сквозная система. Наиболее значительным преимуществом является снижение зависимости от высокоточных карт и снижение затрат на промежуточных этапах; модель имеет высокий верхний предел и может достигать приближенных глобальных оптимальных решений. К недостаткам относятся более медленное начальное обучение модели, требующее больших объемов обучающих данных для появления модели и быстрого прогресса, меньшее объяснение простых сценариев по сравнению с модульными архитектурами, высокий входной барьер из-за низкого уровня модели; плохая интерпретируемость «черного ящика» посередине, что потенциально может привести к более необъяснимому поведению при принятии решений, чем у экспертных моделей.
«Теневой режим» Теслы также обеспечивает решающую поддержку прогрессу FSD.
Собирая различные данные о вождении во время процессов вождения пользователя, Tesla может получать ценные данные для конкретных случаев, постоянно оптимизируя производительность FSD. Эти данные хранятся в центре обработки данных Tesla, и после анализа и обработки механизмом обработки данных их можно использовать в качестве учебных материалов для системы, что еще больше повышает точность и надежность FSD.
HW4.0 обладает более высокой вычислительной мощностью, и большие модели развиваются значительно лучше.
Основными источниками технического прогресса в этой общедоступной бета-версии FSD могут быть следующие аспекты: Во-первых, FSD Beta V12 была обновлена для платформы HW4.0, обеспечивая более мощную аппаратную поддержку системы. Обновления аппаратного обеспечения HW4.0 увеличивают частоту кадров для камер на 4 кадра в секунду, что позволяет ускорить обработку данных изображения и улучшить распознавание деталей дороги. Кроме того, вычислительная мощность HW4.0 увеличена вдвое по сравнению с HW3.0, что позволяет FSD выполнять более эффективную обработку и вычисления, ускоряя принятие решений.
Маск сказал, что уровень вмешательства FSD V12 составляет всего один процент от V11.
Генеральный директор Tesla Илон Маск заявил во вторник на платформе X, что уровень вмешательства версии V12 программного обеспечения Tesla «Full Self-Driving» (FSD) составляет всего один процент от версии V11. Пользователь написал: «По сравнению с V11 частота вмешательства V12 будет снижена более чем в 100 раз. Это не постепенное обновление, а скачок.
Tesla инвестирует около 10 миллиардов долларов в обучение искусственного интеллекта и создание логических выводов
Маск также добавил, что любая компания, которая не может тратить хотя бы 10 миллиардов долларов в год или эффективно их использовать, не может конкурировать на рынке.
В последнее время комплексный FSD V12 от Tesla постепенно начал широко распространяться среди пользователей в Северной Америке. Короче говоря, FSD V12 достигает цели автономного вождения с помощью большого количества обучающих видеоданных, позволяя Tesla исключить сотни тысяч строк кода. Однако обучение такому автономному вождению с использованием ИИ требует большого объема вычислительной мощности. Маск заявил в прямом эфире в августе прошлого года, что Tesla собирается запустить кластер графических процессоров, состоящий из 10,000 100 Nvidia HXNUMX, для обучения новой системы FSD.
Основатель, председатель и генеральный директор AutoX Сяо Цзяньсюн рассказал First Financial Journalists, что FSD Tesla использовал сквозные алгоритмы глубокого обучения, которые значительно улучшили производительность по сравнению с предыдущими. Раньше он полагался на написанные вручную алгоритмы правил на основе кода, а теперь использует большую модельную сеть, обученную на данных.
Связанные рекомендации
粤公网安备44030002007346号