
Sådan bliver din Tesla snart helt selvkørende
Hvad er Tesla’s Deep Learning, og hvordan bruger softwarevirksomheden milliarder af kilometer til at træne deres neurale netværk? I denne blog kan du læse om, hvad Tesla kan gøre indenfor autonom kørsel, som konkurrenterne endnu ikke kan.
Der er en række faktorer, der er vigtige for at afgøre, hvor godt en virksomhed kan få sin flåde til at køre autonomt. Indsamling og mærkning af data er en af de vigtigste faktorer, der bestemmer, hvor godt neurale netværk fungerer. Hvad er et neuralt netværk? Et neuralt netværk er et netværk af afsendere og modtagere, der indsamler og behandler information.
Med en flåde på omkring 500.000 køretøjer udstyret med Teslas Full Self-Driving kører Teslas flåde omkring 24 millioner kilometer om dagen, hvilket svarer til 8,7 milliarder kilometer om året.
Der er tre hovedområder, hvor data spiller en rolle for, hvor godt autonom kørsel kan gennemføres:
Computer vision
Forudsigelser
Ruteplanlægning
Computerens 'syn'
En vigtig opgave for computerens synsevne er at genkende objekter. Nogle genstande optræder kun sjældent på vejen. Tesla's store fordel er, at de har køretøjer, der kører milliarder af kilometer om året, fordi det giver dem mulighed for at indsamle mange eksempler på sjældne genstande og situationer. Det gør automatisk en Tesla mere sikker i alle situationer på vejen.
Tesla’s direktør for AI, Andrej Karpathy, forklarer i denne video (fra hans præsentation på Autonomy Day), hvordan Tesla bruger billeder til at træne objekt detektion:
Forudsigelse
Forudsigelser er evnen til at forudse andre bilers, fodgængeres og cyklisters bevægelser samt handlinger flere sekunder i forvejen. Anthony Levandowski, der i årevis var en af de bedste ingeniører hos Googles Waymo, en af Teslas største konkurrenter inden for autonom kørsel, skrev for nylig, at "grunden til, at ingen har opnået fuld autonomi, er, at nutidens software ikke er god nok til at forudsige fremtiden".
Tesla’s flåde er en fantastisk kilde til dette, da Tesla i øjeblikket har flest semi-autonome kilometer. Hver gang en Tesla laver en forkert forudsigelse, sender den et "øjebliksbillede" til Tesla. Tesla kan derefter uploade en abstrakt repræsentation af scenen (ved at visualisere objekter som farvekodede terninge-former og undlade information på pixel niveau), som er produceret af dens neurale netværk til computerens synsevne, i stedet for at uploade en video. Nedenfor er et billede af, hvordan Tesla indsamler og mærker data.
Mærkningen af dataene kan kun foretages af mennesker. Et neuralt netværk kan selv skabe forbindelser mellem fortid og fremtid ved at analysere en årsagssammenhæng. Så en AI kan selv lære at forudsige situationer! Se denne video, hvor processen forklares:
Da Tesla ikke behøver at have medarbejdere til at mærke situationer i alle tilfælde, kan virksomheden træne sine neurale netværk ved at indsamle så mange nyttige data som muligt. Det betyder, at størrelsen af dataene vil korrelere med det samlede antal kilometer.
Planlægning af adfærd og brug af vognbaner
Planlægning af bilens adfærd og optimal brug af vognbaner henviser til de handlinger, som en bil foretager: at holde sig centreret i sin vognbane med den tilladte hastighed, skifte vognbane, overhale en langsom forankørende, dreje til venstre ved grønt lys, køre uden om en parkeret bil, standse for en trafikant osv. Det synes vanskeligt at opstille et sæt regler, der dækker alle de handlinger, som en bil nogensinde bør foretage under alle omstændigheder. En måde at omgå denne vanskelighed på er at lade et neuralt netværk kopiere det, som mennesker gør, hvilket kaldes imitationslæring.
Træningsprocessen svarer til den måde, hvorpå et neuralt netværk lærer at forudsige andre trafikanters adfærd. Ved imitationslæring lærer et neuralt netværk at forudsige, hvad en menneskelig chauffør ville gøre, ved at drage sammenhænge mellem det, det ser (via de neurale netværk til computer-vision), og de handlinger, som menneskelige chauffører foretager.
Tesla anvender imitationslæring på kørselsopgaver, f.eks. hvordan man håndterer de stejle kurver i et kryds på en motorvej, eller hvordan man drejer til venstre i et kryds. Det lyder som om, at Tesla har planer om at udvide imitationslæring med tiden til flere opgaver, f.eks. hvordan og hvornår man skifter vognbane på motorvejen. Karpathy beskriver i denne video, hvordan Tesla bruger imitationslæring:
Baseret på Karpathys kommentarer om forudsigelse af afskæringer kan Tesla bede en bil om at gemme en gengivelse, hvis den ikke kan forudsige korrekt, om et forankørende køretøj vil afskære Teslaens vognbane. På samme måde kan Tesla registrere data, når et neuralt netværk, der er involveret i ruteplanlægning eller færdselsbaner, ikke formår at forudsige Tesla-chaufførens handlinger korrekt.
Andre måder at optage interessante billeder på er: pludselig opbremsning eller udskridning, automatisk nødbremsning, kollisioner eller kollisionsadvarsler. Hvis Tesla allerede ved, hvad den vil registrere, f.eks. når den drejer til venstre i kryds, kan den indstille en udløser til at registrere et billede, når det neurale netværk ser et trafiklys og aktiverer venstre blinklyset eller drejer rattet til venstre.
Konklusion
Udfordringen, i forbindelse med autonom kørsel, handler mere om at håndtere de 0,001 % af kilometerne, der indeholder sjældne tilfælde, end de 99,999 % af kilometerne, der ikke er bemærkelsesværdige. Det er derfor logisk, at den virksomhed, der kan indsamle et stort antal træningseksempler fra disse 0,001 % af kilometerne, vil klare sig bedre end de virksomheder, der ikke kan det.
Så vi er sikre på, at Tesla vil være den første til at gøre autonom kørsel til den nye standard!