تسلا نحوه ساخت سوسیس “خودران کامل” را توضیح می دهد

2021-08-20
به گزارش سرویس فناوری موتور جستجوی خبری آک تک به نقل از سی نت ...

به گزارش سرویس فناوری موتور جستجوی خبری آک تک به نقل از سی نت

 tesla-ai-day-fsd-demo.png

تسلا

پس از شروع دیرهنگام ، رویداد AI Day تسلا عصر پنجشنبه با نمایش تصویری سیستم آینده خودران کامل شرکت پس از یک مسیر ناوبری در جاده های حومه آغاز گردید. در طول نسخه نمایشی ، یک راننده مقصدی را روی سیستم ناوبری خودرو تعیین کرد ، دوبار روی ساقه روی ستون فرمان کلیک کرد و به نظر می رسید که خودرو وارد ترافیک گردیده و با تقاطع ها با علائم توقف و چراغ های راهنمایی به تنهایی مذاکره می کند. در طول مسیر ، از عابران پیاده اجتناب می کرد و هم به راست و هم به چپ می چرخید. در همین حال ، راننده هنگام چرخاندن نوک انگشتان خود را روی فرمان نگه می داشت.

در حال حاضر ، سیستم خودران کامل تسلا هنوز از نظر فنی هنوز کاملاً خودران نیست ، اما مدیرعامل شرکت ایلان ماسک از این فناوری ابراز خرسندی می کند. نه تنها پیشرفت خواهد کرد ، بلکه در نهایت بهتر از راننده معمولی خواهد بود. انسان ، “ماسک گفت. “حداقل ۲۰۰ or یا ۳۰۰ بهتر از یک انسان. سپس ، بدیهی است ، یک کامپیوتر سخت افزاری ۴ FSD 2 وجود خواهد داشت که ما احتمالاً با Cybertruck معرفی خواهیم کرد – شاید در حدود یک سال یا بیشتر. این حدود چهار خواهد بود “

بخش عمده ای از ارائه روز AI به نحوه کار مهندسان هوش مصنوعی Telsa برای بهبود راحتی و ایمنی سیستم FSD اختصاص داشت. این کار با یک فضای بردار سه بعدی شروع می شود که در حالی که خودرو محیط خود را از طریق هشت دوربین خود حس می کند ، ایجاد می شود. این هشت فید تصحیح می شوند و سپس در یک مدل پیش بینی محیطی مجازی ترکیب می شوند که به رایانه های خودرو یک چشم انداز از جهان در حال حرکت می دهد. کمتر به سیستم دوربین ۳۶۰ درجه و تفریح ​​سه بعدی Tron مانند فضای محلی فکر کنید.

 tesla-ai-day-vector-space-demo.png

مهندسان Telsa نشان دادند که چگونه مدل Vector Space (پایین سمت راست) نسبت به سیستم قدیمی و مبتنی بر رستر (پایین سمت چپ) به تشخیص اجسام و محیط دقیق تر منجر می شود.


تسلا

بخشی از داده های پردازش گردیده Vector Space در واقع در داشبورد ویدئوی نمایشی تسلا قابل مشاهده است ، اطلاعات جاده ، وسایل نقلیه و عابران پیاده با جزئیات ساده در صفحه مرکزی نمایش داده گردیده است.

مهندسان تسلا همچنین روشهای جدید محیط زیست را توضیح دادند. تشخیص و تشخیص آنها برای کمک به افزایش دقت نقشه Vector Space و دقت ناوبری استفاده می شود. به عنوان مثال ، هوش مصنوعی می تواند اطلاعات را در حافظه کوتاه مدت ذخیره کند تا موقعیت وسایل نقلیه ای را که در یک تقاطع منتظر می مانند حفظ کند ، حتی در مواقعی که ترافیک متقابل آنها مسدود گردیده است. این سیستم همچنین قادر است موقعیت یک ماشین پیشرو را در بزرگراه به خاطر بسپارد و پیش بینی کند ، حتی اگر دید آن به طور موقت توسط برف یا اسپری آب مسدود شود و حتی بدون کمک داده های فاصله راداری.

داده های فضای برداری توسط آنچه تسلا Neural Net Planner می نامد ، مجموعه ای از الگوریتم های هوش مصنوعی که مسیریابی ، مسیر و رفتار واقعی خودرو را در جاده هنگام استفاده از FSD کنترل می کند. برنامه ریز هر پیچ ، هر پیچ و تاب را در اطراف عابران پیاده و هر خط تغییر می دهد. علاوه بر اجرای هزاران شبیه سازی در دقیقه برای تصمیم گیری در مورد بهترین عملکرد خود ، باید رفتار سایر خودروها ، عابران پیاده و دوچرخه سواران را نیز شبیه سازی و پیش بینی کند.

 tesla-ai-day-prediction-occlusion.png [19659015] tesla-ai-day-prediction-occlusion.png

برنامه ریز عصبی تسلا قادر است اشیا را هنگام مسدود گردیدن به خاطر بسپارد و مسیر وسایل نقلیه و عابران پیاده را پیش بینی کند.


تسلا

در یک مثال ، یک تسلا که FSD را اجرا می کرد ، با خودروی دیگری که از هر دو طرف پارک کرده بود ، در حال نزدیک گردیدن به یک جاده باریک ، با خودروی دیگری روبرو می گردید. این سیستم می تواند بر اساس سرعت ، مسیر و اهداف پیش بینی گردیده راننده تصمیم بگیرد که آیا تسلیم خودروی مقابل می شود یا خیر. و هنگامی که راننده نظر خود را تغییر می دهد و سرعت عبور تسلا را کاهش می دهد ، FSD واکنش نشان می دهد ، از تسلیم گردیدن به سمت حق تقدم می گذرد و به آرامی از “نه شما برو ، نه من می روم” مزاحم جلو و عقب می رود. [۱۹۶۵۹۰۰۵] تمام این پردازش در خودرو اتفاق می افتد ، اما آخرین قطعه پازل که به سیستم کمک می کند تا کارآمد اجرا شود ، آموزش و شبیه سازی است. این امر خارج از جاده در مراکز داده تسلا اتفاق می افتد ، جایی که نرم افزار FSD آموزش می بیند و داده های حسگر برای طبقه بندی و برچسب زدن میلیون ها شی تجزیه و تحلیل می شود. سپس از داده ها و مدلهای رفتاری برچسب برای بهبود پردازش درون خودروی هر وسیله نقلیه استفاده می شود.

 tesla-ai-day-project-dojo-training-tile.png

کاشی آموزشی دوجو از ماژول های محاسبه کاشی D1 تشکیل گردیده است. چندین کاشی دوجو برای ایجاد ExaPOD ترکیب می شوند.


تسلا

برای خرد کردن همه این داده های شبیه سازی در مقیاس بزرگ ، تسلا روی پروژه دوجو کار می کند ، سیلیکون داخلی خود که مخصوص آموزش هوش مصنوعی طراحی گردیده است. این پروژه با تراشه محاسباتی توزیع گردیده D1 تسلا آغاز می شود که برای ساختن واحدهای دوجو کاشی کاری گردیده است که دوباره برای ایجاد چیزی که تسلا ExaPOD می نامد ، یک واحد پردازش exaflop به اندازه ۱ اتاق ، آغاز گردیده است. از نظر مقیاس ، این پردازنده به اندازه ۳۰،۵۰۰ واحد گرافیکی Nvidia RTX 3090 اسب بخار قدرت دارد ، اما با مزیت اضافی ایجاد سفارشی برای آموزش هوش مصنوعی.

همه این قدرت محاسباتی مرکز داده می تواند به تسریع توسعه FSD AI در خودروهای تسلا کمک کند. و از پروژه های هوش مصنوعی و رباتیک فراتر از خودرو ، مانند تسلا بات ماسک در پایان ارائه ، تمجید کنید.

منبع : cnet
به صفحه اخبار فناوری بروید و دیگر خبرها را مشاهده نمایید.

ساخت رزومه انگلیسی
© تمامی حقوق برای آک تک محفوظ است. نقشه سایت