Tesla nutzt künstliche Intelligenz, um das autonome Fahren zu verbessern

Tesla sagte letzte Woche auf einer Investorenkonferenz, dass seine autonomen Fahrfähigkeiten erheblich sein werden, sobald der Dojo-Supercomputer in seine Hochleistungs-Computing-Infrastruktur aufgenommen wird.

Ashok Elluswamy, Softwaredirektor von Tesla Autopilot, sagte während einer Rede auf der Investorentagskonferenz über Tesla-Fahrzeuge Wer die FSD-Software (Full Self-Driving) nutzt (derzeit etwa 400.000 Kunden), wird durch Hardware-Upgrades in der Lage sein, intelligentere autonome Fahrentscheidungen zu treffen, was die Gesamtfähigkeit der künstlichen Intelligenz (KI) verbessern wird.

Das Unternehmen verfügt derzeit über ein künstliches Intelligenzsystem, das in Echtzeit visuelle Daten von acht Kameras am Fahrzeug sammelt und eine 3D-Ausgabe generiert, die Hindernisse und deren Bewegung sowie Fahrzeuge identifiziert , Straßen und Ampeln und modellieren Sie die Aufgaben, die Autos bei der Entscheidungsfindung helfen.

Tesla durchsucht sein Autonetzwerk nach weiteren visuellen Daten und speist diese in Trainingsmodelle ein. Das Training von Modellen, um kontinuierlich zu lernen, neue Probleme zu lösen, hilft der KI, Muster auf der Straße besser zu verstehen. Durch FSD-Software-Upgrades gelangen neue Erkenntnisse in das Auto. „Wenn wir diesen Prozess ausführen und wiederholen, wird er immer besser.“ Elluswamy sagte: „Die Lösung für skalierbares FSD besteht darin, Architektur, Daten und Computer zu vernetzen. Gerade rechtzeitig haben wir ein Weltklasse-Team zusammengestellt, um dies durchzuführen.“ Aufgrund eines Softwarefehlers musste Tesla mehr als 360.000 Fahrzeuge zurückrufen. Das Unternehmen stellte einen Software-Fix über ein Over-the-Air-Update bereit. Tesla-Kunden können FSD ab 99 US-Dollar pro Monat erwerben. Einige Kunden mit älteren Tesla-Modellen müssen auch für die Installation von FSD-Computern einen Aufpreis zahlen. Elluswamy behauptet, dass Teslas mit FSD immer noch fünf- bis sechsmal sicherer sind als der nationale Durchschnitt der USA.

Elluswamy sagte: „Wenn wir die Sicherheit, Zuverlässigkeit und den Komfort unserer Systeme verbessern, können sie den fahrerlosen Betrieb ermöglichen und die Art und Weise, wie Autos genutzt werden, und darüber hinaus verändern.“ Heute betreibt das Unternehmen seine KI-Systeme auf 14.000 GPUs in seinen Rechenzentren und kann 30 Petabyte Video-Cache nutzen, und der Video-Cache wächst auf 200 PB. Etwa 4.000 GPUs werden für die automatische Kennzeichnung verwendet, und die restlichen 10.000 GPUs werden für das Datentraining mit künstlicher Intelligenz verwendet. „Sobald wir Dojo (unseren Trainingscomputer) in diesen Raum bringen, wird das alles deutlich zunehmen“, sagte Elluswamy bieten 22,6 Billionen FP32-Leistung. Es verfügt über 50 Milliarden Transistoren und 10 TB/s On-Chip-Bandbreite sowie 4 TB/s Off-Chip-Bandbreite.

Im hochdichten ExaPOD-Gehäuse wird ein Satz D1-Chips installiert, der 1,1 Exabyte BFP16- und CFP8-Leistung bietet. Der FSB-Bordcomputer von Tesla kann eine Leistung von 150 Teraflops bereitstellen und wird hauptsächlich für Inferenzen verwendet.

Ganesh Venkataraman, Senior Director of Hardware bei Tesla, sagte in einer Rede auf der Hot Chips-Konferenz im letzten Jahr, dass Tesla den D1-Chip aufgrund seiner Vorteile in der GPU und dort entwickelt habe sind Fehler in der CPU-Skalierung.

Venkataraman sagte: „Wir haben viele Engpässe festgestellt. Zuerst auf der Inferenzseite, weshalb wir FSD-Computer verwenden. Dann bemerkten wir ähnliche Trainingsskalen-Probleme, Nachdem wir die Arbeitsbelastung verstanden haben, können wir unser System entsprechend den Ausgabeanforderungen optimieren.“ Einzelne Videobilder werden dann in der Nachbearbeitung in einem automatisierten Fahrzeugplanungssystem zusammengefügt. „Es war sehr fragil und führte zu keinem nennenswerten Erfolg“, sagte Elluswamy.

Tesla hat sich in den letzten Jahren in eine „Multikamera-Videowelt“ verwandelt. Jedes Fahrzeug verfügt über acht Kameras, die visuelle Informationen in das KI-System einspeisen, das dann einen 3D-Ausgaberaum generiert. KI trifft Entscheidungen über das Vorhandensein von Hindernissen, deren Bewegung, Fahrspuren, Straßen und Ampeln usw.

Aufgabenmodellierung geht über Computer Vision hinaus und nutzt Techniken, die in Systemen der künstlichen Intelligenz wie ChatGPT verwendet werden, einschließlich autoregressiver Modellierung von Transformern, Aufmerksamkeitsmodulen und Token.

Elluswamy sagte: „Mit einer solchen End-to-End-Lösung für die Wahrnehmung eliminieren wir wirklich den fragilen Nachbearbeitungsschritt und stellen dem Planungssystem eine qualitativ hochwertige Ausgabe zur Verfügung. Selbst das Planungssystem ist nicht statisch. Es ist mehr.“ und mehr Systeme der künstlichen Intelligenz werden jetzt eingesetzt, um dieses Problem zu lösen.“

Autonome Fahrzeuge müssen schnell reagieren, um reibungslose und sichere Entscheidungen in Echtzeit zu treffen. Elluswamy nannte als Beispiel eine Reaktionszeit von 50 Millisekunden, bei der ein selbstfahrendes Auto Fahrentscheidungen treffen kann, nachdem es mit der Umgebung (einschließlich Fußgängern und Ampeln) interagiert hat.

Das sind viele Daten, und beim herkömmlichen Rechnen „benötigt jedes Datenelement 10 Millisekunden Rechenzeit, was leicht 1.000 Millisekunden überschreiten kann. Das ist inakzeptabel: „Aber mit KI haben wir es geschafft.“ All dies wird in 50 Millisekunden berechnet, sodass es in Echtzeit ausgeführt werden kann.“ . Tesla nutzt Algorithmen, um Fahrspuren, Straßenbegrenzungen, Bordsteine, Zebrastreifen und andere Bilder zu rekonstruieren, die dann als Grundlage für die Navigation des Autos dienen.

Elluswamy sagte: „Dies wird erreicht, indem verschiedene Fragmente verschiedener Autos in der Flotte gesammelt und alle Fragmente zu einer einheitlichen Darstellung der Welt um das Auto kombiniert werden.“ System wird das Trainingsmodell ständig neu aufgebaut. Um die Netzwerke zu trainieren, baute Tesla eine komplexe automatisierte Labeling-Pipeline auf den gesammelten Daten auf, führte darauf Rechenalgorithmen aus und generierte dann Labels, um diese Netzwerke zu trainieren.

Elluswamy sagte: „Sobald wir die grundlegende Rekonstruktion abgeschlossen haben, können wir verschiedene Simulationen auf der Grundlage der Grundlagen erstellen, um eine unendliche Vielfalt an Daten für das Training zu generieren, der widrige Wetter- und Lichtverhältnisse synthetisieren kann.“ und sogar die Bewegung anderer Objekte. „Jedes Mal, wenn wir Daten hinzufügen, verbessert sich die Leistung.“

Das obige ist der detaillierte Inhalt vonTesla nutzt künstliche Intelligenz, um das autonome Fahren zu verbessern. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!