Как большие данные питают самоуправляемые автомобили Tesla

Опубликовано: 26/01/2021 Время на прочтение: 9 минут

Фото Брэма Ван Оста на Unsplash

Тесла, Inc. является американской автомобильной компанией , основанной в 2003 годе в Силиконовой долине с целью повторения л асей традиционных топливных батарей автомобилей с электрическими автомобилями. С тех пор Tesla, возглавляемая Илоном Маском, стала одним из самых развивающихся брендов в автомобильной индустрии, особенно если говорить об электромобилях. Сегодня компания фокусируется на двух ключевых областях: электрическая силовая установка и автономное вождение. Наряду с автомобилем Tesla также начала создавать бесконечно масштабируемые продукты для производства и хранения чистой энергии, такие как передовые технологии аккумуляторов и солнечных панелей. Компания верит в будущее с нулевыми выбросами и меньшей зависимостью от ископаемого топлива.

Что делает Tesla на шаг впереди других производителей электромобилей, так это то, как они используют большие данные и искусственный интеллект. Это компания, управляемая данными. Бизнес-модель, которой придерживалась компания, заключалась в том, чтобы сначала создать большую клиентскую базу людей, которые любят пробовать новые технологии, а затем собрать все данные, генерируемые автомобилями и потребителями. Собранные данные анализируются с помощью различных алгоритмов и программного обеспечения. Этот сбор данных помог им улучшить и расширить свою систему во всех аспектах. По этой причине компания именуется технологической, а не автомобильной компанией.

Как собираются большие данные?

Tesla предоставляет своим автовладельцам «технологический пакет», который включает камеры и датчики, которые заранее предупреждают водителей о происшествиях. Наряду с этим датчики и камеры также собирают данные, такие как близлежащие здания, пешеходные дорожки, дорожные знаки и все, что попадает в поле зрения. Каждый автомобиль Tesla, проезжающий по дороге, считается точкой данных. Помимо сбора дорожных данных, их датчики даже собирают информацию о том, как водитель держит инструменты и как они ими управляют. Кроме того, также записываются реакция водителя и его действия в случае непредвиденных событий, что используется в качестве подсказки. Компания утверждает, что, когда на дорогах ездят миллионы автомобилей, она собирает данные о 15 миллионах миль в день. Это помогло Tesla собрать огромное количество данных для использования в моделях машинного обучения и искусственного интеллекта.

Приложения больших данных:

1. Учебная модель автопилота

Для обучения нейронной сети используется огромная библиотека данных, собранных с автомобилей, движущихся по дороге. Карта с высокой плотностью движения строится с использованием данных, которые включают все: от среднего увеличения скорости движения на определенном участке до подверженных авариям районов, где необходимо принять меры. Вся система получает эти данные с помощью машинного обучения. Ниже рассматриваются три основные области, в которых данные влияют на модель глубокого обучения Tesla:

· Обнаружение объектов

Tesla использует механизм обнаружения объектов, в котором, если камера встречает нераспознанный объект, она делает снимок и загружает его в облако через Wi-Fi. Транспортные средства, проезжающие миллиарды миль, позволяют легко находить примеры редких объектов. При встрече с редким объектом модель каждый раз повторно обучается. Изображения обычных объектов помечаются вручную.

Механизм обнаружения объектов на дороге (источник)

В июне 2020 года Tesla подала заявку на патент под названием «Улучшенное обнаружение объектов для автономных транспортных средств на основе обзора поля». Этот патент направлен на повышение точности и эффективности обнаружения объектов посредством изображений, получаемых камерами, установленными в транспортных средствах в будущем.

Основная концепция нового механизма заключается в том, чтобы сосредоточить внимание на объектах изображения, которые имеют высокие вычислительные требования, при уменьшении выборки менее важных объектов на изображении. Автомобиль Tesla использует серию из восьми камер для идентификации и распознавания реальных объектов. Например, передняя камера фиксирует изображение реального местоположения, к которому движется автомобиль. На части этих изображений могут быть изображены такие объекты, как пешеходы, транспортные средства, препятствия и т. Д., Которые важны в таких приложениях, как автономная навигация транспортных средств. После определения объекта конкретное поле обзора может быть вырезано из входного изображения, а оставшееся изображение может быть субдискретизировано. Эта часть входного изображения с высоким и низким разрешением затем может быть проанализирована с помощью детектора объекта.

Работа модели объясняется с помощью блок-схемы, показанной на рисунке ниже.

Прогноз

Прогнозирование — это способность прогнозировать действия и движения таких объектов, как автомобили, велосипедисты и пешеходы, на несколько секунд раньше времени. Tesla использует свой парк из примерно миллиона автомобилей в качестве ресурса для обучения модели прогнозирования. Когда модель делает неверный прогноз относительно объекта, снимок сохраняется и загружается в обучающий набор. Затем модель повторно обучается с использованием этих данных.

Tesla обучает модель прогнозирования в «Тестировании в теневом режиме». При тестировании в теневом режиме действия и реакции человека, управляющего автомобилем, сравниваются с предсказаниями модели автопилота. Автомобиль управляется водителем в режиме автопилота, который получает данные от датчиков, но не берет на себя управление автомобилем. В то же время присутствует обновленный автопилот. Новое программное обеспечение принимает решения о том, как управлять автомобилем на основе датчиков. Эти решения сравниваются с решениями человека-водителя или более старого программного обеспечения. Если прогноз не совпадает с предыдущим программным обеспечением или с человеческим решением, решение отмечается, и модель повторно обучается. Например, если новое программное обеспечение решает выполнить зигзаг, тогда как более старая версия решает зигзаг, или новое программное обеспечение ускоряется, когда человеческие приводы нажимают на тормоза, делается попытка вычислить, насколько различается решение и насколько важна разница. В случае серьезных различий, часть инцидента передается людям, чтобы проверить, не делает ли новое программное обеспечение ошибку.

У Tesla есть самое большое бизнес-преимущество в обучении своей модели по сравнению с другими компаниями, поскольку у нее есть парк из примерно миллиона автомобилей, движущихся по дорогам, где клиент платит за этот парк, подключенный к датчикам, и обучает свою модель.

Планирование пути

Планирование пути относится к действиям, которые автомобиль выполняет во время движения в режиме автопилота, которые включают в себя пребывание в своей полосе движения с соблюдением ограничения скорости, обгон автомобиля, выполнение сигналов поворота, объезд припаркованного автомобиля, остановку для пешехода и т. Д. Невозможно указать набор руководящих принципов, с помощью которых модель решает любую подобную ситуацию. Tesla использует имитационное обучение, чтобы обучить свою модель таким обстоятельствам. Имитационное обучение — это обучение нейронных сетей имитации поведения человека. При имитационном обучении модель учится предсказывать действия водителя-человека, проводя корреляции между тем, что он видит посредством компьютерного зрения, и действиями, предпринимаемыми водителем-человеком. В настоящее время Tesla использует имитационное обучение для обучения сценариям, например, как справляться с крутыми поворотами или как делать левый поворот на перекрестке. В ближайшем будущем он планирует использовать имитационное обучение для решения большего количества задач, например, как и когда менять полосу движения на шоссе.

2. Удаленное предоставление обновлений и устранение проблем.

С помощью установленных камер и датчиков можно отслеживать управляемый данными автомобиль из центра обработки данных. Это помогает им предвидеть и удаленно устранять проблемы до того, как они возникнут. Более того, это также позволяет им предоставлять обновления по беспроводной сети (OTA). В 2014 году компания представила решение для защиты от перегрева, которое автоматически уменьшало колебания мощности, не вызывая автомобили в мастерской. В 2015 году компания предоставила обновление автопилота OTA для 60 000 автовладельцев, которые позволили их автомобилям управлять самостоятельно.

3. Обеспечение высокого уровня удовлетворенности клиентов

Большой объем данных об опыте водителя используется для анализа различных параметров производительности. Эти идеи затем используются производителями для разработки безопасных автомобилей, удовлетворяющих потребности клиентов. Не только с датчиков, установленных в автомобилях, но также компания собирает данные с размещенных онлайн-форумов для жалоб и отзывов потребителей. Эти данные в дальнейшем используются для улучшений и модификаций нынешних и новых автомобилей. Благодаря этому компания не подводит своих клиентов и дарит им приятные и приятные впечатления.

Будущие выгоды

Цель Tesla — стать первой компанией, достигшей полной автоматизации автономного вождения (FSD). В настоящее время на дорогах работает около миллиона автомобилей Tesla. Этот парк автомобилей не только предоставляет данные на миллиард миль, но и одновременно тренирует существующую модель для достижения полной автономности. Таким образом, огромный объем данных позволяет Tesla опережать своих конкурентов, таких как Waymo, Uber и Lyft.

Эти данные сами по себе имеют огромную ценность. Согласно отчетам McKinsey and co., Рынок собранных данных о транспортных средствах к концу 2030 года оценивается примерно в 750 миллиардов долларов в год. Компания также может продавать данные другим компаниям для навигационных целей, поскольку их карты составляют 100 миллиардов долларов. в разы точнее любого GPS. Более того, Tesla расширяет свой бизнес и теперь начала производить солнечные панели и передовые батареи на основе экологически чистой энергии. Компания использует данные своей существующей клиентской базы для продаж и аналитики новых фирм.

Вызовы

Датчики и обновления делают автомобиль Tesla более безопасным. Но в то же время датчики, подключенные к Интернету, делают его уязвимым для взлома. Чтобы быть в курсе потенциальных уязвимостей модели, компания разработала «программу поощрения ошибок». В рамках этой программы компания награждает до 15 000 долларов хакерам и исследователям, которые могут взломать или сообщить о любой ошибке в своей системе безопасности. В компании есть команда первоклассных специалистов по безопасности, которые работают над этими уязвимостями.

Keen Security Lab, китайская охранная фирма, взломала автомобиль Tesla и смогла взять под контроль тормоза, боковые зеркала, дворники и багажник, пока машина ехала на расстоянии от хакеров. Они также могли управлять дверными замками, люком на крыше и фарами автомобиля, когда автомобиль был остановлен.

Однако всего за десять дней Tesla предоставила обновление безопасности для автомобилей, которые будут затронуты. Обновление предоставило криптографический ключ для предотвращения атак в будущем.

Заключение

Бизнес-модель Tesla больше похожа на информационную, чем на автомобильную. Благодаря большому парку автомобилей Tesla на дорогах компания генерирует более миллиарда миль данных в год. Чтобы собрать такой огромный объем данных, другим конкурентам потребуется несколько лет. Используя эти данные, компания успешно разработала программное обеспечение для полуавтономного вождения и планирует в будущем разработать модель полного автономного вождения (FDS). Три основных области, участвующих в обучении нейронных сетей, — это обнаружение объектов, прогнозирование и планирование пути. Более того, компания также использует большие данные для удаленного предоставления обновлений и исправления проблем, обеспечения высокого уровня удовлетворенности клиентов и аналитики продаж.

Рекомендации

  1. О Тесле. (nd). Получено с https://www.tesla.com/about

2. Шрикантх. (2019, 24 августа). Как Tesla использует искусственный интеллект и большие данные. Получено с https://www.techiexpert.com/how-tesla-is-using-artificial-intelligence-and-big-data/.

3. Джордж Паолини. (2019, 28 августа). Tesla, информационная компания. Получено с https://www.cio.com/article/3433931/tesla-the-data-company.html.

4. Альберт Ахдут. (2016, 19 октября). КАК БОЛЬШИЕ ДАННЫЕ ДВИГАЮТ TESLA. Получено с https://www.colocationamerica.com/blog/how-big-data-drives-tesla

5. Старон, М., & Скандариато, Р. (2016). Достоверность данных в интеллектуальных транспортных системах: сценарий предупреждения о скользкой дороге. Симпозиум IEEE по интеллектуальным транспортным средствам (IV) 2016 г.

6. Григореску, С., Траснеа, Б., Кочас, Т., и Масесану, Г. (2020). Обзор методов глубокого обучения для автономного вождения. Журнал полевой робототехники, 37 (3)

7. Шен А., Фадте Р. и Джоши Г. (2020). Улучшенное обнаружение объектов для автономных транспортных средств на основе поля зрения (US20200175326). Соединенные Штаты Америки.

8. Клендер, Дж. (2020). Патент Tesla раскрывает эффективный метод автопилота для улучшения идентификации объектов. Получено с https://www.teslarati.com/tesla-patent-autopilot-enhance-object-identification/

9. Иди, Ю. (26 декабря 2019 г.). Глубокое обучение Tesla в масштабе: использование миллиардов миль для обучения нейронных сетей. Средняя. Получено с https://towardsdatascience.com/teslas-deep-learning-at-scale-7eed85b235d3.



прокрутка вверх