- 2020년 6월 18일 오후 7시 47분(태평양 표준시) 
Tesla의 AI 책임자인 Tesla의 자율 주행에 대한 접근 방식은 업계 대부분의 회사가 하고 있는 것보다 더 어렵다는 점을 인정했지만 확장할 수 있는 유일한 방법이라고 말했습니다.
닛산 리프 하이브리드인가
수십 개의 유명 회사가 자율 주행과 거의 동일한 다양한 접근 방식을 해결하기 위해 노력하고 있지만 두 가지 주요 차이점이 있습니다. 전적으로 컴퓨터 비전에 의존하는 기업과 HD 매핑에 의존하는 기업입니다.
Tesla는 컴퓨터 비전에 의존하는 전자 범주에 속합니다.
Tesla의 AI 및 컴퓨터 비전 책임자인 Andrej Karpathy가 이러한 노력을 이끌고 있습니다.
이번 주 초, 그는 자율 주행의 확장성에 대한 CVPR'20 워크숍에 참여하여 Tesla 프로그램의 상태에 대한 업데이트를 제공하고 확장성 문제에 대해 이야기했습니다.
프레젠테이션에서 Karpathy는 Tesla의 자율주행 개발 소프트웨어 시연 동영상을 공유하고 Waymo의 자율주행 프로토타입이 동일한 작업을 수행하는 동영상을 공유했습니다.
그는 그것이 정확히 어떻게 보이는지 강조했지만 기동에 힘을 실어주는 의사 결정은 완전히 다릅니다.
Waymo 및 업계의 다른 많은 사람들은 고화질 지도를 사용합니다. 먼저 환경을 미리 매핑하는 자동차를 운전해야 하고 센티미터 수준의 정확도를 가진 라이더가 있어야 하며 레일 위에 있어야 합니다. 당신은 교차로에서 어떻게 회전할지 정확히 알고 있고, 어떤 신호등이 당신과 관련이 있는지, 신호등이 있는 위치와 모든 것을 정확히 알고 있습니다. 우리는 이러한 가정을 하지 않습니다. 우리에게는 만나는 모든 교차로에서 처음으로 보게 됩니다. 인간이 같은 상황에서 하는 것처럼 모든 것이 판매되어야 합니다.
테슬라가 왜 이렇게 떨어졌나
Karpathy는 이것이 해결하기 어려운 문제임을 인정합니다.
그러나 엔지니어는 Tesla가 도로 위의 수백만 대의 차량에 배포할 수 있는 확장 가능한 자율 주행 시스템을 목표로 한다고 설명하며 Tesla의 비전 기반 시스템은 확장이 더 쉽다고 주장합니다.
확장성에 대해 말하자면 이것은 해결하기 훨씬 어려운 문제이지만 본질적으로 이 문제를 해결하면 도로에 있는 수백만 대의 자동차에 이를 다시 보낼 가능성이 있습니다. 반면에 필요한 감지와 함께 우리가 운영하는 규모에 이러한 라이더 지도를 구축하는 것은 극도로 비용이 많이 들 것입니다. 그리고 그냥 구축할 수 없고 유지 관리해야 하며 이에 대한 변경 감지가 매우 어렵습니다.
엔지니어는 지도 기반 접근 방식을 확장 불가능한 접근 방식으로 설명했습니다.
그는 Tesla도 지도를 만들고 비전과 지도 사이의 모든 종류의 융합을 사용하지만 지도가 센티미터 수준이 아니므로 탐색에 의존할 수 없다고 말했습니다.
Tesla는 모든 상황을 처음 보는 것처럼 처리할 수 있어야 합니다.
Karpathy는 신경망에서 작업하는 수십 명의 사람들과 함께 어떻게 이를 달성하는지 설명합니다.
모든 것은 새로운 작업을 생성하는 일반적인 컴퓨터 비전 인프라를 중심으로 구축됩니다. 신경망에서 작업하는 사람은 수십 명에 불과하지만 레이블 지정 작업을 하는 거대한 팀이 있습니다.
즉, 핵심 비전 감지 시스템과 모든 유형의 정지 신호 감지와 같이 시스템이 달성해야 하는 별도의 작업을 분리합니다.
엔지니어는 지도에 의존하는 대회에 대해 다음과 같이 말했습니다.
전기 툭툭 판매
이러한 기능을 전 세계에 배포하기 위해 HD 라이더 지도를 사용하는 산업에서 벗어날 수 있다고 가정하지 마십시오. 나는 라이더 지도, 특히 모든 차선의 흐름, 교통 등을 가져와서 라이더 지도를 가정하지 않고 교차로를 예측할 수 있는 방법에 대해 생각합니다.
위의 링크를 통해 전체 프레젠테이션을 볼 수 있습니다.
카본 디자인의 테이크
나는 Karpathy가 Waymo와 그 분야의 다른 대부분의 회사가 시도하는 것보다 해결하기가 더 어려운 문제임을 인정하는 것을 부끄러워하지 않는 것이 좋습니다.
데이터에 관한 것입니다. Tesla는 대규모 데이터 세트를 구축하고 이를 선별하여 좋은 데이터만 신경망에 제공합니다.
Tesla가 데이터를 수집하는 방법을 이해하는 것이 특히 흥미로웠습니다. Karpathy는 단풍으로 덮인 정지 신호의 예를 제시했습니다. 그들은 몇 개의 이미지를 수집한 다음 고객 차량이 단풍으로 덮인 정지 신호를 찾도록 분류기를 구축하고 데이터 세트를 구축하고 이를 신경망을 훈련하는 데 사용했습니다.
아주 멋져요.
Tesla는 수십만 대의 자동차에서 수많은 데이터를 수집할 수 있다는 엄청난 이점을 가지고 있지만, 그는 올바른 데이터를 찾는 것은 건초 더미에서 바늘을 찾는 것과 같다고 설명합니다. Tesla의 확장성 문제는 Tesla 차량이 직면하는 유용한 시나리오를 나타내는 바늘을 찾아 데이터 세트에서 사용하여 신경망을 훈련시키는 것입니다.
Tesla 소유자가 이를 가능하게 할 수 있다고 생각합니다.
그들은 이미 자신의 차량에서 Tesla 타임스탬프 피드백을 보낼 수 있습니다. Tesla가 올바른 데이터를 찾는 데 도움이 되는 일종의 게임화가 있으면 좋을 것입니다.
Karpathy의 예를 사용하기 위해 Tesla는 이번 주의 과제가 있는 차량 내 앱을 만들 수 있습니다. 단풍으로 막힌 정지 신호 보고.
Tesla 소유자가 주변을 운전하다가 단풍으로 막힌 정지 신호를 보면 Tesla에 데이터를 보내는 음성 명령을 내리고 포인트를 수집합니다. 이러한 점을 기반으로 Tesla는 무료 슈퍼차징 마일 또는 이와 유사한 것을 제공할 수 있습니다.
Autopilot 팀은 작업 중인 특정 문제에 따라 이러한 문제를 업데이트할 수 있습니다.
어떻게 생각해? 아래 댓글 섹션에 알려주십시오.
빨간색 인테리어가 있는 흰색 자동차
FTC: 우리는 수입을 얻는 자동 제휴 링크를 사용합니다. 더.
