特斯拉AutoPilot如何自我进化？高管解读背后AI技术

现阶段，自动驾驶的浪潮正在席卷全球，各大车企都在积极开发旗下汽车的自动驾驶功能，只是采取的方向不同。与谷歌、Waymo等自动驾驶公司不同，特斯拉坚持纯视觉路线，即使用8个成本更低的摄像头进行识别。低成本的硬件在帮助特斯拉获取大量数据方面起到了至关重要的作用。特斯拉用PyTorch语言编写的系统可以自动处理数据，自我升级。特斯拉的自动驾驶能够快速迭代，是因为软硬件的完美结合。近日，特斯拉人工智能和计算机视觉总监安德烈·卡帕西(Andrej Karpathy)发表了约10分钟的演讲，介绍了特斯拉如何训练其自动驾驶系统实现自我进化。第一，改进算法的关键是普及自动驾驶硬件来收集车主的海量数据。特斯拉的自动驾驶方案与其他公司不同。它不是基于激光雷达或高精度地图，而是使用由八个摄像头组成的计算机视觉系统，摄像头拍摄的图像识别道路环境。同时，特斯拉所有车型都配备了自动驾驶硬件，其自动驾驶功能通过软件更新逐步向车主开放，让特斯拉获得大量真实数据。截至目前，特斯拉的Navigate on Autopilot在全球50个国家累计行驶里程16亿公里，自动变道20万次。智能召唤功能也已经推送到全球很多地方，车主实际完成了超过50万次的车辆召唤。第二，使用PyTorch语言实现自我进化，提高数据处理效率。如果手工处理这些数据，很难想象需要多长时间。安德烈·卡帕西在这里引入了PyTorch和Torch的概念。据了解，Torch是基于BSD许可的开源机器学习框架，主要用于图像和视频的深度学习。PyTorch是一个用Python语言编写的Torch机器学习框架。PyTorch相比Torch具有更高的编译和运行效率，为特斯拉的autopilot系统打下了良好的基础。基于PyTorch，Karpathy的团队开发了一个计算机自我训练系统，内部戏称为“假期规划”。特斯拉的自动驾驶系统不仅可以收集数据，还可以处理数据，实现自我进化。这就需要系统的数据处理逻辑和处理速度。卡帕西向我们解释了这个系统是如何工作的。首先，系统会将采集到的图像分解成几个独立的物体，如红绿灯、路缘石、路标、移动物体等。所有这些数据可以组合起来完整地描述当前道路的信息。接下来，每个对象的数据都有相应的处理器进行分析处理。这些处理器的数据处理被协调以避免数据隔离。微观上，该系统可以监测物体的各种数据；宏观上，系统可以汇总各种对象的数据，还原当时的路况。三、数据互联协同分析多传感器宏观判断路况Karpathy还介绍了系统的一个特点:汽车的八个摄像头也协同工作。在很多情况下(比如判断距离和深度)，单幅图像无法提供足够的数据。多个摄像头的配合将有助于自动驾驶系统更好地理解场景。在车辆行驶过程中，8个摄像头将针对同一场景，以不同的距离和焦距拍摄共计4096张照片。这些照片最终会以上述方式进行处理。特斯拉的训练系统最终形成了多摄像头多传感器的协作系统。这套系统不仅可以分析车外的道路环境，还可以收集车辆应对各种情况的处理和结果。结论:软硬件结合是特斯拉方案的关键。先用低成本的硬件普及，再用交付的硬件采集数据，最后用合理的编程语言训练机器独立处理数据，完成自我升级。特斯拉的一举一动都很精致。大数据样本和强大的数据处理能力是特斯拉自动驾驶系统的两大核心优势。基于这两点，我比较看好特斯拉未来的全自动驾驶系统，但对马斯克承诺的2020年全自动驾驶持怀疑态度。

现阶段，自动驾驶的浪潮正在席卷全球，各大车企都在积极开发旗下汽车的自动驾驶功能，只是采取的方向不同。与谷歌、Waymo等自动驾驶公司不同，特斯拉坚持纯视觉路线，即使用8个成本更低的摄像头进行识别。低成本的硬件在帮助特斯拉获取大量数据方面起到了至关重要的作用。特斯拉用PyTorch语言编写的系统可以自动处理数据，自我升级。特斯拉的自动驾驶能够快速迭代，是因为软硬件的完美结合。近日，特斯拉人工智能和计算机视觉总监安德烈·卡帕西(Andrej Karpathy)发表了约10分钟的演讲，介绍了特斯拉如何训练其自动驾驶系统实现自我进化。第一，改进算法的关键是普及自动驾驶硬件来收集车主的海量数据。特斯拉的自动驾驶方案与其他公司不同。它不是基于激光雷达或高精度地图，而是使用由八个摄像头组成的计算机视觉系统，摄像头拍摄的图像识别道路环境。同时，特斯拉所有车型都配备了自动驾驶硬件，其自动驾驶功能通过软件更新逐步向车主开放，让特斯拉获得大量真实数据。截至目前，特斯拉的Navigate on Autopilot在全球50个国家累计行驶里程16亿公里，自动变道20万次。智能召唤功能也已经推送到全球很多地方，车主实际完成了超过50万次的车辆召唤。第二，使用PyTorch语言实现自我进化，提高数据处理效率。如果手工处理这些数据，很难想象需要多长时间。安德烈·卡帕西在这里引入了PyTorch和Torch的概念。据了解，Torch是基于BSD许可的开源机器学习框架，主要用于图像和视频的深度学习。PyTorch是一个用Python语言编写的Torch机器学习框架。PyTorch相比Torch具有更高的编译和运行效率，为特斯拉的autopilot系统打下了良好的基础。基于PyTorch，Karpathy的团队开发了一个计算机自我训练系统，内部戏称为“假期规划”。特斯拉的自动驾驶系统不仅可以收集数据，还可以处理数据，实现自我进化。这就需要系统的数据处理逻辑和处理速度。卡帕西向我们解释了这个系统是如何工作的。首先，系统会将采集到的图像分解成几个独立的物体，如红绿灯、路缘石、路标、移动物体等。所有这些数据可以组合起来完整地描述当前道路的信息。接下来，每个对象的数据都有相应的处理器进行分析处理。这些处理器的数据处理被协调以避免数据隔离。微观上，该系统可以监控各种数据……物体的；宏观上，系统可以汇总各种对象的数据，还原当时的路况。三、数据互联协同分析多传感器宏观判断路况Karpathy还介绍了系统的一个特点:汽车的八个摄像头也协同工作。在很多情况下(比如判断距离和深度)，单幅图像无法提供足够的数据。多个摄像头的配合将有助于自动驾驶系统更好地理解场景。在车辆行驶过程中，8个摄像头将针对同一场景，以不同的距离和焦距拍摄共计4096张照片。这些照片最终会以上述方式进行处理。特斯拉的训练系统最终形成了多摄像头多传感器的协作系统。这套系统不仅可以分析车外的道路环境，还可以收集车辆应对各种情况的处理和结果。结论:软硬件结合是特斯拉方案的关键。先用低成本的硬件普及，再用交付的硬件采集数据，最后用合理的编程语言训练机器独立处理数据，完成自我升级。特斯拉的一举一动都很精致。大数据样本和强大的数据处理能力是特斯拉自动驾驶系统的两大核心优势。基于这两点，我比较看好特斯拉未来的全自动驾驶系统，但对马斯克承诺的2020年全自动驾驶持怀疑态度。

标签：特斯拉

汽车资讯热门资讯