特斯拉自动驾驶日

Tesla Autonomy Day

频道:Tesla · 时长:3:52:20 · 发布:2019-04-22 · 播放:6505702

在 YouTube 观看

简介

特斯拉大约四小时的自动驾驶日投资者活动,涵盖了其自研自动驾驶芯片、纯视觉方法、车队数据引擎和机器人出租车计划,由Andrej Karpathy等人演讲。

HN 为什么推荐

被引用为特斯拉技术自主方法的主要来源,后来也用于马斯克未实现的机器人出租车预测。

观看6个月前的演示,他们解释了决定构建自己的硬件进行推理 — HN, 2019

机器学习与深度学习 · 自动驾驶与自主车辆 · 科技公司故事与纪录片

中文字幕节选

[音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [掌声] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [掌声] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [掌声] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [掌声] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [掌声] [音乐] [音乐] 你 [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [掌声] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [掌声] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [掌声] [音乐] [音乐] [音乐] 你 [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [掌声] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [掌声] [音乐] [音乐] 你 [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [掌声] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [掌声] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] [音乐] 大家好,很抱歉我迟到了,欢迎来到我们的首次分析师日 关于自动驾驶,我真的希望我们能更频繁地举办这样的活动 现在定期向大家通报我们在自动驾驶方面的开发进展 大约三个月前,我们正在为第四季度财报电话会议做准备 与埃隆和其他几位高管一起,我告诉团队的一件事是 从我定期与投资者进行的对话中 我发现公司内部所见与外界认知之间最大的差距 在于我们的自动驾驶能力 这也有道理,因为过去几年我们一直在讨论 Model 3的产能提升,很多争论都围绕 Model 3展开,但实际上很多工作一直在幕后进行 我们一直在研发新的全自动驾驶芯片,我们对视觉识别的神经网络

HN 上的讨论

我从一位特斯拉工程师那里听说,他们确实使用激光雷达来训练模型,但他们认为将其部署到车队中没有价值。如果你还没看过大约一年前的特斯拉活动,值得一看,了解他们的完整立场:[VIDEO] 简要说明是,我们的道路是为人类视觉设置的,真正有能力的5级系统将需要对视觉数据进行人类级别的解释(那时激光雷达就变得多余了)。他认为,没有人类级别的视觉解释的激光雷达无法让我们实现完全自动驾驶。他们将激光雷达视为短期的半吊子措施,一个局部最大值,分散了对必须完成的工作的注意力。 — fossuser, 2020-08
观看6个月前的演示,他们解释了为推理构建自己硬件的决定:[VIDEO] 他们也为训练构建硬件并不奇怪。如果我说错了请纠正,但谷歌使用相同的TPU进行训练和推理,因为底层操作是相同的:先乘后加数字。一旦特斯拉构建了推理硬件,训练硬件的设计可能类似。与谷歌的TPU不同,特斯拉的硬件有特定的用例(汽车计算机视觉),也许这意味着他们可以通过自己的专用硬件进一步优化计算流程。 — antpls, 2019-11
在最近的“特斯拉自动驾驶日”视频[VIDEO](近4小时长,但值得一看)之后,我确实觉得现有的服务即将陷入麻烦。我认为这个行业存在泡沫,而且它会破裂。 — furriephillips, 2019-05
感谢提问和这些论文。和其中一些公司一样,我们也是机器学习以数据为中心这一理念的信奉者。但标注并不是我们的重点(不像 Snorkel、HumanLoop、Prodigy 或 Cord.Tech)。我们专注于模型诊断,以及挖掘最佳数据来改进模型。所以与 Aquarium 或 Lightly 有更多相似之处。特斯拉有一个很棒的演讲 [1],讲的是他们所谓的“数据引擎”(这大概启发了我们中的一些人 :))。我们从中得到的一点是,要想真正闭环 ML 数据飞轮,我们需要把生产环境变成一个可靠的数据源。它必须变得可访问、可理解、可挖掘。为了实现这一点,我们采取了将 ML 可观测性与主动学习挖掘框架相结合的方法。在我们看来,把两者结合起来很重要,因为可观测性说明模型在现实世界中如何表现,而主动学习则找到正确的样本来基于真实世界数据修复/改进模型。它们相辅相成。从技术上讲,这意味着我们与 serving … — parnoux, 2022-06
我不认为这是Autopilot的关键组件。从2019年最后一次公开视频发布[1]来看,他们似乎使用立体摄像头来推导深度信息,并使用雷达作为一种地面实况来告知模型。我认为Autopilot系统认为物体位置的真相来源是立体摄像头,即雷达不是在线流程的一部分,而是离线用于校正模型。具体见2:20:22 [2]:> 我们使用雷达来标注视觉所看到的内容,即神经网络输出的边界框,因此不是由人类标注员告诉你这辆车在这个边界框中大约25米远,你可以使用传感器更好地标注数据。我认为这意味着雷达用于离线更新模型的监督学习,而只有摄像头用作模型的输入。[1] [VIDEO] [2] [VIDEO] — polynox, 2021-07

相关视频