A Tesla folyamatosan azon dolgozik, hogy a lehető leghamarabb csatarendbe állítson egy teljes autonóm vezetésre alkalmas autót, a gyár ehhez szabadalmaztatott egy adatcsatorna és egy mélytanulást segítő szoftvert.
A program a gyár legújabb szabadalmi kérelmében jelent meg, hivatalosan: „Data Pipeline and Deep Learning System for Autonomous Driving”
A Tesla adatgyűjtése kimagasló az iparágon belül, több százezer autójuk közlekedik szerte a világban, amik szép számmal fel vannak szerelve szenzorokkal és kamerákkal.
A kérelemben a Tesla így érvel:
„Az autonóm közlekedéshez használt mély tanulási módszer az érzékelők által rögzített adatokra támaszkik. A hagyományos tanulási rendszernél az érzékelő adatait kompatibilis formátummá kell konvertálni a deep learning rendszernek. A szenzorformátum konvertálása tartalmazhat tömörítést is, ami csökkenti az eredeti adatok minőségét. Továbbá az érzékelők cseréje esetén is szükséges egy új konvertálási folyamat. Ezért szükséges egy olyan személyre szabott adatcsatorna, ami maximalizálja a szenzorokból származó adatok minőségét, ezáltal magasabb szintű jelinformációk jutnak el a mélytanulási rendszerhez.”
A gyár megoldása pedig:
„Az új adatcsatorna az érzékelők adatait komponenseire válogatja szét és azokat külön továbbítja a mélytanulási rendszer felé. Bizonyos esetekben pedig az önvezető rendszer együtt használja a deep learning rendszer és a szenzorok adatait. Például a jármű szenzoradatai, mint a radar- vagy az ultrahangos adatok, adatokat biztosítanak a jármű környezetéről, amely adatokat a neutrális hálón keresztül a rendszer kielemez, és az alapján reagál. Bizonyos esetekben ez a hálózat több rétegkomponens felhasználásával jön létre. Az érzékelő adatait több komponensre bontják. Például a jellemzők és az élek szolgáltatják az első rétegét a hálónak és az összesített adatok pedig a további rétegeit a hálózatnak. A különféle adatkomponensek így megtartják a kívánt releváns adatokat, amelyek végül felhasználhatók lesznek. Továbbá bizonyos adatkomponensek egyfajta tárolóként is működnének, különböző célzott jellemzők azonosításához rendkívül fontos adatokat tárolnának, de ők maguk nem azonosítanák azokat. A különféle adatelemek adatokat nyernek ki annak érdekében, hogy pontos tulajdonságészlelést biztosítsanak a gépi tanulási hálózat megfelelő szakaszában. Egyes esetekben az adatkomponensek már előzetesen feldolgozhatók lesznek, hogy javítsák az általuk tartalmazott jelinformációt. Így az adatkomponensek tömöríthetők, egyszerűsíthetők és azokat a rendszer továbbítani tudja a megfelelő szintekre.”
„A mélytanulási-hálózat pontosan képes azonosítani és felismerni az adatelem célzott adataival (pl.: élek, objektumok) kapcsolatos jellemzőket, felhasználva a kivonás során megtartatott jelinformációkat. Például a jellemzők és élek szolgáltatják az első réteget a globális adatok pedig a hálózat további rétegeit. Azáltal, hogy különböző adatkomponenseket nyer ki, amelyek megtartják a megcélzott jelinformációkat a hálózat hatékonyabban dolgozza fel az érzékelők adatait. Ahelyett, hogy az érzékelők adatait kezdeti formában kapnák meg, így most csak a legmegfelelőbb információk jutnak majd el a hálózathoz. Néha a rögzített adatok teljesebb változatát elemzi ki a hálózat mivel különböző adatkomponensek, képesek kihasználni a megfelelő komponensek teljes felbontását. Például a jellemzők és az élek bevitele a teljes felbontást, bittartományt és bitmélységet felhasználja a jellemzők és az élek adataihoz.”
+ egy kis érdekesség: 3-ből két mérnök (Brijesh Tripathi és Timofey Uvarov), aki ezen a projekten dolgozott már nem a Tesla alkalmazottja és a harmadiknál (Evgeny Fainstain) sem tiszta, hogy a cégnél van-e még.
Ide kattintva csatlakozhatsz a legnagyobb Magyar Tesla Club Facebook csoportunkhoz, ahol elmondhatod a véleményed. Vagy ha nincs Facebook fiókod akkor regisztrálj a megújult fórumunkon ahol elmondhatod a véleményed és troll mentes zónában cseveghetünk. „e-cars.hu club, e-autó tulajdonosoktól, e-autó tulajoknak és rajongóknak, érdeklődőknek” egyaránt! https://ecarsforum.hu/
