Tesla představila výkonný FSD Computer pro plně autonomní řízení

Během posledních několika týdnů vydala Tesla velké množství vylepšení současného Autopilotu. Ten tak nově umí sám měnit na dálnici jízdní pruhy, zvládá kruhové objezdy, upozorňuje řidiče na červenou na semaforu a také probíhá testování funkce Enhanced Summon, díky které vás Tesla dokáže najít kdekoli na parkovišti. Veškerá snaha o kompletní autonomii by ale byla zbytečná, kdyby Tesla nevyvinula vlastní počítač speciálně pro funkce autonomního řízení. Ten se jmenuje FSD Computer (dříve byl nazýván jako Hardware 3) a v pondělí ho Tesla představila investorům spolu s dalšími novinkami a plány týkajícími se autonomního řízení. Celá akce byla vysílána živě a my vám teď přinášíme souhrn informací, o které se podělili Elon Musk, Pete Bannon, Andrej Karpathy a Stuart Bowers.

Jako první dostal slovo viceprezident hardwarové techniky Pete Bannon, který do Tesly přišel z Applu v únoru roku 2016. V tu dobu začal se svým týmem vypracovávat návrh na integrovaný obvod určený pro umělou inteligenci. K tomuto kroku se Tesla rozhodla z toho důvodu, že na trhu nenašla žádný počítač, který by byl navržen přímo pro neuronové sítě. Celý proces vývoje probíhal poměrně rychle a už v prosinci 2017 tým úspěšně odzkoušel první verzi nového počítače. V dubnu dalšího roku byla vyrobena vylepšená verze, která se do produkce dostala o tři měsíce později. Koncem roku 2018 dostali v rámci testování zaměstnanci Tesly do svých vozů produkční verzi FSD Computeru a v březnu tohoto roku začala Tesla instalovat hardware do nově vyrobených vozů Model S a Model X. Začátkem dubna pak přišla řada i na nejnovější elektromobil od Tesly, Model 3.

FSD Computer navržený společností Tesla (Zdroj: Tesla)

Bannonova prezentace, která byla v oblasti technických údajů a podrobností téměř vyčerpávající, přinesla první oficiální obrázek FSD Computeru. Na kartě se nachází dva FSD čipy, což zajišťuje redundantnost. V případě selhání jednoho čipu, senzoru, kamery či vstupu, tak může Autopilot stále bezpečně fungovat. Oba dva čipy jinak provádí nezávisle na sobě všechny potřebné výpočty a navzájem si ověřují, zda došly ke stejným závěrům. Poté, co FSD Computer provede žádanou akci, ještě dochází ke kontrole, zda tato akce opravdu proběhla tak, jak měla. K tomu se využívají vstupní data, které si FSD Computer bere z radaru, GPS, map, akcelerometrů, gyroskopů a dalších senzorů. Jeden čip má rozměry 37,5 mm na 37,5 mm a skládá se z 250 milionů logických hradel a ze 6 miliard tranzistorů. Testování čipu probíhá dle standardu AEC Q100, jenž je určený pro autonomní řízení.

Vstupní rozhraní pro kameru zvládá přenášet 2,5 gigapixelů za sekundu, což je dle Bannona o dost víc, než je zatím potřeba. Procesor pro zpracování obrazu je pak navržen tak, aby naplno využíval výhodu HDR obrazu (HDR je zkratka pro high dynamic range, což znamená schopnost zobrazovat širší rozsah jasu). Zároveň podporuje pokročilé mapování tonality (převod na standardní obraz) a redukci šumu. Na jednom FSD čipu se pak nachází dva procesory pro neuronovou síť, které mají statickou paměť o velikosti 32 MB. Paměť dočasně ukládá výstupy, čímž minimalizuje množství dat, které se musí poslat dál, díky čemuž se Tesle podařilo dosáhnout nižší spotřeby energie. Oba dva procesory dohromady zvládají zpracovat 72 teraoperací za sekundu (TOPS), čímž Bannonův tým překonal svůj původní cíl 50 TOPS. Zároveň se jedná o 7násobné zlepšení oproti současnému Hardwaru 2.5.

FSD Computer dokáže zpracovávat až 2 300 snímků za sekundu. Oproti Hardwaru 2.5 od společnosti Nvidia, jenž zvládl pouhých 110 snímků za sekundu, se tedy jedná o více než 20násobné zlepšení. Týmu kolem Bannona se těchto výsledků podařilo dosáhnout při spotřebě 72 W (HW 2.5 měl 57 W), což sám Bannon považuje za úspěch, jelikož cíl byl dostat se pod 100 W. Zlepšení kromě výkonu přišlo též v ceně, FSD Computer je totiž o 20 % levnější na výrobu než jeho předchůdce. Samotný čip je dle Muska „objektivně nejlepším čipem na světě“.

Srovnání výkonu současného hardwaru s FSD Computerem (Zdroj: Tesla)

Bannon uvedl, že se jeho týmu podařilo dosáhnout toho, aby velikost dávky (anglicky batch size) byla rovna jedné. Velikost dávky u neuronových sítí znamená počet vzorků, které sítí prochází. Díky tomu neuronová síť zpracuje příchozí obraz hned po tom, co ho obdrží, což snižuje prodlevu a zvyšuje bezpečnost systému. V případě větší velikosti dávky by jinak neuronová síť musela čekat, než obdrží potřebný počet snímků a až pak by zpracovávala obraz. Ohledně bezpečnosti se později ještě Bannon rozpovídal podrobněji. Systém ověřuje, zda zpracovává autorizovaný kód Tesly. V případě nabourání se do systému třetí stranou by tak FSD Computer neměl provést žádný neautorizovaný příkaz.

Tesla si nechává svůj nový čip vyrábět od Samsungu v texaském městě Austin. Během dotazů po skončení Bannonovy prezentace Musk zmínil, že Tesla již pracuje na druhé generaci čipu pro FSD Computer, která by měla být až třikrát lepší než ta současná. CEO Tesly dodal, že nový čip by měl být hotový za dva roky. Zároveň také padl zajímavý dotaz ohledně toho, jaká je výhoda Tesly, jež má velkou flotilu vozů na cestách, oproti konkurenci, která může neuronové sítě trénovat díky simulacím. Dle Muska je hlavní výhoda v tom, že simulace nedokáží dostatečně zobrazit skutečný svět a různé neobvyklé situace na silnicích.

Další na řadu přišel Andrej Karpathy, který v Tesle zastává post ředitele pro umělou inteligenci. Právě Karpathy a jeho tým měl na starost návrh neuronové sítě a její následný trénink. Karpathy na začátku své prezentace nejdříve shrnul, jak neuronová síť funguje a jak rozpoznává obraz (pokud vám z prezentace nebylo něco jasné, doporučuji zhlédnout toto video) a poté se dostal k tomu, jak se svým týmem trénuje neuronovou síť Tesly.

Jako příklad Karpathy využil rozpoznávání jízdních pruhů na silnici. V praxi trénování vypadalo tak, že člověk na jedné ze situací ručně vyznačil jízdní pruh, čímž vlastně řekl neuronové síti, co by měla vidět. Poté si tým od flotily vozů vyžádá spousty dalších obrázků s podobnou situací a nechává je zpracovávat neuronovou sítí. V situaci, kdy neuronová síť vyřeší situaci špatně je pak nutno výsledek ručně opravit. Neuronová síť pak při dalším výpočtu bere tuto opravu v potaz. Při učení je nutno brát v potaz skutečnost, že je potřeba mít dostatečně variabilní vstupy (například jízdu v tunelu, spojování jízdních pruhů, jízdu po mokré silnici atd.). Dle Karpathyho není ani tak důležitý počet situací, kterými budou neuronovou síť učit, jako jejich variabilita.

Jako příklad potřebné variability byla ukázána situace jízdního kola připevněného k autu. Pokud by neuronová síť uměla pouze rozpoznávat kola od automobilů, pak by pravděpodobně označila auto vezoucí kolo jako dva různé objekty, což by mohlo způsobit problém. Karpathyho tým si tedy musel od flotily nechat poslat podobné situace a označit kolo na autě jako jeden objekt, čímž značně vylepšil rozpoznávací schopnosti sítě.

Z logických důvodů ale Tesla hned nenechává neuronovou síť ovládat auto. Když se síť naučí rozpoznávat novou věc nebo reagovat na novou situaci, tak Tesla vydá update v takzvaném “shadow módu”. V tom systém dělá predikce a trénovací tým ho pak opravuje v těch situacích, ve kterých se spletl. Zapnutý Autopilot pak začne nové schopnosti využívat, až když je Tesla spokojená se spolehlivostí rozpoznávacího procesu.

Zajímavé byly informace o tom, jak neuronová síť zvládá předvídat cestu. Tesla totiž využívá dat získaných od řidičů svých vozů (veškerá senzorika je aktivní i při vypnutém Autopilotu) k tomu, aby systém naučila jak zvládat řízení v různých podmínkách, jako jsou užší klikaté cesty nebo křižovatky. K těmto účelům se navíc dají použít třeba jen data od těch lepších řidičů. Výsledky jsou dle Karpathyho a Muska dobré, Autopilot zvládá s velikou přesností předvídat cestu, aniž by ji dopředu viděl. To se hodí například k vyhodnocení ostré zatáčky a správnému určení nájezdové rychlosti.

Dále přišla řeč na LIDAR, který Tesla ve svých vozech nepoužívá, jelikož je dle Muska zbytečně drahý a není ho pro autonomní řízení potřeba. Musk dokonce prohlásil, že každá firma, která v problematice autonomního řízení spoléhá na LIDAR, je odsouzena k záhubě. Tesla místo toho využívá kombinaci kamer, radaru a ultrazvukových senzorů. Neuronová síť má totiž tu výhodu, že dokáže dle velikosti objektů rozpoznávat jejich vzdálenost. Tesla k učení této schopnosti používá radar umístěný za předním nárazníkem vozu, ten tak neuronovou síť opravuje a učí místo člověka. Karpathy také zdůraznil, že dobré rozpoznávání z obrazu je velmi podstatné pro autonomní řízení. Bez videa by totiž systém nebyl schopen brát v potaz dopravní značky, semafory, překážky a další důležité objekty. Z videa je také možné získat 3D informace o okolním prostředí i bez použití LIDARu:

Během následujících dotazů padla otázka ohledně toho, jak si Autopilot dokáže poradit se sněhem na silnici, kdy nejsou vidět jízdní pruhy. Dle Karpathyho Autopilot už dnes dokáže celkem obstojně řídit za silného deště nebo slabého sněžení, zatím ale neuronová síť neumí vyhodnocovat situaci, pokud je celá silnice pokrytá silnou vrstvou sněhu. Karpathy ale také uvedl, že by to do budoucna neměl být velký problém, protože lidé také dokážou jezdit za špatného počasí, takže je jen otázkou softwaru, aby toho bylo možné dosáhnout pomocí neuronových sítí.

Jako poslední se slova ujal viceprezident techniky Stuart Bowers. Ten ve své desetiminutové prezentaci prakticky shrnul to, co Tesla zatím na poli autonomního řízení dokázala. Kromě toho také zmínil, že během testovací jízdy, kdy Tesla natáčela jízdu s Autopilotem, jel vůz bez zásahu člověka více než 30 minut. Bowers poté předal slovo Muskovi, jenž uvedl novou službu Tesla Network. O té se podrobnosti dozvíte v dalším článku.

Záznam celé prezentace:




Mohlo by se vám líbit...

Odebírat komentáře
Nastavit upozorňování na
guest

82 Komentáře
nejnovější
nejstarší nejlepší
Inline Feedbacks
Zobrazit všechny komentáře