Service-Hotline
Kolumnist
Kolumnist
Kernpunkte der Interpretation der FSD-Lösung für autonomes Fahren von Tesla
2024-05-15
2252
Elon Musks Besuch in Peking: Eisbrechen mit FSD China
Kurz nach Musks Besuch in Peking veröffentlichten der chinesische Verband der Automobilhersteller und das National Computer Network Emergency Response Coordination Center eine Mitteilung zur Prüfung von vier Sicherheitsanforderungen für die Datenverarbeitung im Automobilbereich. Als aus dem Ausland finanziertes Unternehmen war Tesla einer der ersten Automobilhersteller, der alle vier Anforderungen erfüllte. In FSD V12 hat Tesla seine Navigations- und Routenplanungsalgorithmen erheblich verbessert. Die neue Version des Navigationssystems kann Fahrrouten intelligent planen und dabei verschiedene Faktoren wie Verkehrsbedingungen, Straßenänderungen und Fahrerpräferenzen berücksichtigen. Darüber hinaus verfügt die neue Version von FSD über stärkere Echtzeit-Verkehrsanalysefunktionen, die es ihr ermöglichen, Routen basierend auf den tatsächlichen Bedingungen anzupassen und so ein reibungsloseres Fahrerlebnis zu gewährleisten. Während chinesische Automobilhersteller bei der zugrunde liegenden Technologie für autonomes Fahren im Rückstand sind, haben sie Vorteile in Bezug auf Ökologie und Lieferketten. Mit der Infrastrukturentwicklung für intelligente Transportmittel wird erwartet, dass sie wettbewerbsfähigere Produkte integrieren.
Mit der durchgängigen autonomen Fahrtechnologie von FSD V12 muss Tesla nur umfangreiche lokale Fahrdaten nutzen, um intelligente Fahrmodelle zu trainieren und so ein überragendes Fahrerlebnis zu bieten. Darüber hinaus muss Tesla durch die deutliche Reduzierung des Einsatzes von regelbasiertem Code kein Team aus Tausenden von Ingenieuren für intelligente Fahralgorithmen in China aufbauen. Mit nur einem lokalen Betriebsteam von etwa 20 Mitarbeitern und einem Datenkennzeichnungsteam von Hunderten von Mitarbeitern kann Tesla die reibungslose Einführung und den reibungslosen Betrieb von FSD auf dem chinesischen Markt sicherstellen.
Am 16. Mai 2023 gab Musk nach seiner Rede auf der jährlichen Tesla-Aktionärsversammlung ein Interview mit CNBC, einem bekannten amerikanischen Finanzmedium.
Bei der Erörterung der KI-Fähigkeiten von Tesla sagte Musk, dass Tesla in der realen KI weit vorne liegt und konkurrenzlos sei. Anschließend ging er auf die Frage des Gastgebers zu ChatGPT und generativer KI ein:
„Ich denke, Tesla wird auch einen ‚ChatGPT-Moment‘ haben, wenn nicht dieses Jahr, dann glaube ich nicht, dass es später als nächstes Jahr sein wird. Das bedeutet, dass eines Tages plötzlich 3 Millionen Tesla-Fahrzeuge selbst fahren können … dann sind es 5 Millionen, dann sind es 10 Millionen ...
Wenn wir unsere Positionen tauschen, wobei Tesla ein Sprachmodell entwickelt, das nicht schlechtere Ergebnisse als ChatGPT liefert, und Microsoft und OpenAI am autonomen Fahren arbeiten, wenn wir unsere Aufgaben tauschen, werden wir zweifellos gewinnen.“
FSD ist eine vollvernetzte Software- und Hardwarearchitektur für autonomes Fahren
FSD-Architektur: Ein umfassendes End-to-End-Software- und Hardware-Framework für autonomes Fahren wird auf verschiedenen Ebenen aufgebaut, einschließlich Daten, Algorithmen und Rechenleistung, die Wahrnehmung, Planung und Ausführung umfassen.
Planung: Behandelt im Wesentlichen Probleme bei der Pfadplanung für mehrere Objekte und verwaltet Trajektorien sowohl für sich selbst als auch für alle Objekte, um das Fahrzeug bei der Durchführung entsprechender Ausführungsaktionen zu steuern.
Neuronale Netze: Analysieren Sie Eingaben wie Videostreams, um vollständige kinematische Zustände (Position/Geschwindigkeit/Beschleunigung/Rauheit) auszugeben, die das Fahrzeug steuern.
Trainingsdaten: Nutzt modernste 4D-Auto-Annotation-Technologie, verbesserte Simulation und Cloud-Computing-Ressourcen, um ein geschlossenes Datensystem zu bilden.
Trainingsinfrastruktur: Beinhaltet CPU, GPU, Neural Network Accelerator-Einheiten und einen KI-Compiler. Der KI-Compiler unterstützt neue Operationen, die von neuronalen Netzen benötigt werden, und ordnet sie den optimalen zugrunde liegenden Hardwareressourcen zu.
KI-Kompilierung und Inferenz: Behandelt die Ausführung neuronaler Netze auf Computern. Die aktuelle Inferenz-Engine kann die Ausführung eines einzelnen neuronalen Netzwerks zwei unabhängigen Chipsystemen zuweisen, ähnlich wie zwei separate Computer, die innerhalb desselben autonomen Fahrcomputers verbunden sind.
Im Vergleich zu modularen Lösungen wie Expertenmodellen und Hybridmodellen integrieren End-to-End-Lösungen für autonomes Fahren Wahrnehmung, Planung und Steuerung und entfernen regelbasierten Code aus jedem Modul. Von mehreren Sensoren gesammelte Informationen werden direkt in komplexe große neuronale Netze eingegeben, die nach der Berechnung direkt Fahrsteuerbefehle ausgeben können, was zu einem End-to-End-System führt. Der bedeutendste Vorteil besteht darin, die Abhängigkeit von hochpräzisen Karten zu verringern und die Kosten in Zwischenstufen zu senken. Das Modell hat eine hohe Obergrenze und kann ungefähre globale optimale Lösungen erzielen. Zu den Nachteilen gehören ein langsameres anfängliches Lernen des Modells, der Bedarf an umfangreichen Trainingsdaten, damit das Modell entsteht und schnelle Fortschritte erzielt, weniger Erklärungen für einfache Szenarien im Vergleich zu modularen Architekturen, eine hohe Eintrittsbarriere aufgrund einer niedrigen Modellbasis; schlechte Interpretierbarkeit der „Black Box“ in der Mitte, was möglicherweise zu unerklärlicherem Entscheidungsverhalten führt als bei Expertenmodellen.
Auch der „Shadow Mode“ von Tesla unterstützt den FSD-Fortschritt entscheidend.
Durch die Erfassung verschiedener Fahrdaten während der Fahrprozesse des Benutzers kann Tesla hochwertige Eckfalldaten erhalten und so die FSD-Leistung kontinuierlich optimieren. Diese Daten werden im Rechenzentrum von Tesla gespeichert und können nach der Analyse und Verarbeitung durch die Daten-Engine als Schulungsmaterialien für das System verwendet werden, wodurch die FSD-Genauigkeit und -Zuverlässigkeit weiter verbessert wird.
HW4.0 verfügt über eine stärkere Rechenleistung und große Modelle machen bemerkenswerte Fortschritte.
Die Hauptquellen des technischen Fortschritts in dieser öffentlichen Betaversion von FSD könnten in folgenden Aspekten liegen: Erstens wurde FSD Beta V12 für die HW4.0-Plattform aktualisiert und bietet eine stärkere Hardwareunterstützung für das System. HW4.0-Hardware-Upgrades erhöhen die Bildrate für Kameras um 4 Bilder pro Sekunde, was eine schnellere Verarbeitung von Bilddaten ermöglicht und die Erkennung von Straßendetails verbessert. Darüber hinaus ist die Rechenleistung von HW4.0 im Vergleich zu HW3.0 verdoppelt, sodass FSD effizientere Verarbeitungen und Berechnungen durchführen und so die Entscheidungsfindung beschleunigen kann.
Musk sagte, dass die FSD-V12-Interventionsrate nur ein Prozent von V11 beträgt
Elon Musk, CEO von Tesla, sagte am Dienstag auf der Plattform Ein Benutzer schrieb: „Im Vergleich zu V12 wird die Eingriffshäufigkeit von V11 um mehr als das Hundertfache reduziert. Dies ist kein schrittweises Upgrade, sondern ein Sprung.“
Tesla wird rund 10 Milliarden US-Dollar in KI-Training und -Inferenz investieren
Musk fügte außerdem hinzu, dass jedes Unternehmen, das nicht mindestens 10 Milliarden US-Dollar pro Jahr ausgeben oder es effizient einsetzen kann, nicht auf dem Markt konkurrieren kann.
Vor Kurzem wurde mit der schrittweisen Einführung von Teslas End-to-End-FSD V12 für nordamerikanische Benutzer in großem Umfang begonnen. Kurz gesagt, FSD V12 erreicht das Ziel des autonomen Fahrens durch eine große Menge an Video-Trainingsdaten, wodurch Tesla Hunderttausende Codezeilen eliminieren kann. Das Training eines solchen KI-autonomen Fahrens erfordert jedoch eine große Rechenleistung. Musk sagte letzten August in einer Live-Übertragung, dass Tesla im Begriff sei, einen GPU-Cluster bestehend aus 10,000 Nvidia H100 auf den Markt zu bringen, um das neue FSD-System zu trainieren.
Der Gründer, Vorsitzende und CEO von AutoX, Xiao Jianxiong, sagte gegenüber First Financial Journalists, dass Teslas FSD End-to-End-Deep-Learning-Algorithmen verwendet habe, die die Leistung im Vergleich zu früher deutlich verbessert hätten. In der Vergangenheit stützte es sich auf manuell geschriebene codebasierte Regelalgorithmen und verwendet jetzt ein großes, mit Daten trainiertes Modellnetzwerk.
Verwandte Empfehlungen
粤公网安备44030002007346号