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
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
- John Carmack 在 Oculus Connect 2014 的主题演讲 · kungfl · 1:36:59
- Susan Crawford 谈《 captive audience:新镀金时代的电信行业与垄断权力》 · Berkman Klein Center for Internet & Society · 1:05:24
- 用 Shor 算法以量子速度进行黑客攻击 | Infinite Series · PBS Infinite Series · 16:36
- DBS 对帕金森病运动症状的影响 · Andrew Johnson · 4:03
- 恶作剧反制诈骗电话——闪光炸弹大反击 · Mark Rober · 26:40
- Bret Victor - 在原则中发明 · Rui Oliveira · 54:20
- Alexander Pope 写了一篇 35 页的文章抨击一位历史学家 · CGP Grey · 21:32
- [CVPR'21 WAD] 主题演讲 - Andrej Karpathy,特斯拉 · WAD at CVPR · 31:31
- 安德烈·卡帕西 - 特斯拉全自动驾驶的人工智能 · Matroid · 30:08
- 神经网络和反向传播的详细入门:构建micrograd · Andrej Karpathy · 2:25:52
- 但什么是神经网络?| 深度学习第一章 · 3Blue1Brown · 18:40
- Micro Men - 720p (2009) · gimpymoo · 1:24:12
- 自动驾驶汽车将如何摧毁城市(以及该如何应对) · Not Just Bikes · 54:37
- Project Code Rush - Netscape / Mozilla 的开端纪录片 · The Documentary Network · 56:08
- AlphaGo - 电影 | 完整获奖纪录片 · Google DeepMind · 1:30:28
- Transformer,LLM 背后的技术 | 深度学习第 5 章 · 3Blue1Brown · 27:14