众所周知，Tesla 拥有强大的“大脑”——全新的完全自动驾驶芯片，那你知道Tesla是如何通过“学习”变得更加智能的么？今天，我们将为大家“揭秘”Tesla 超级“大脑”的训练方法。
天资聪颖的超级“大脑”
对于Tesla来说，基于机器视觉技术与神经网络的深度学习是其在未来实现“完全自动驾驶能力”的最佳途径，而这需要强大的硬件作为支持。Tesla完全自动驾驶芯片能同时处理8个摄像头工作产生的图像输入，每秒可处理高达2300帧的图像；同时Tesla拥有大约60万辆配备“完全自动驾驶硬件”的车辆，这些车辆每天可行驶2,000万英里——这都为Tesla的“学习”提供了重要基础。
科学系统的学习方法
各种情形下的驾驶行为，便是Tesla“学习”的最佳实例。Tesla是如何捕捉包括罕见驾驶行为的各种驾驶信息的？最简单的方法是手动进行，也就是说，Tesla工程师设计了“触发器”以记录所需的驾驶信息。例如，当工程师认为他们需要更多左转弯的例子，那么当车辆的视觉神经网络检测到交通信号灯且方向盘向左转时，车辆会保存当下的驾驶信息。
此外，在一些无法预期的情况下，自动辅助驾驶干预则成为了理想的“触发器”。Tesla的做法是将自动辅助驾驶的干预视为“错误”，那么驾驶员干预后的行为则可以看作是正确行为的例证。因此，这种干预可以提供持续不断的有用训练数据流。
从干预中学习需要神经网络主动控制汽车，例如在打开自动辅助驾驶的时候。但是，在手动驾驶车辆时，Tesla也可以通过被动学习执行训练示例——这种形式被Tesla称为“影子模式”，其是指Tesla在道路上的任何一辆车上运行实验软件而不会实际影响车辆性能的能力，Tesla的工程师可以将车辆使用实验软件的功能与驾驶员的实际操作进行比较。当神经网络与驾驶员的指令不一致时，系统将其视为神经网络的错误。驾驶员的行为被视为正确的行为，同时记录当下的驾驶信息。
由于行驶在全球的Tesla每天能增加2000万英里的行驶路程，因此可以帮助Tesla快速建立庞大且具有不同驾驶信息的神经网络训练数据，不断帮助纠正神经网络的错误。通过将机器视觉与深度学习相结合，Tesla正加速行驶在通往 “完全自动驾驶能力”美好蓝图的道路上。
暂无评论内容