Kategori: HO-Form-design-miljö

TESLA Motors ligger bland de främsta när det gäller autonoma system och AI. Det har att göra med den allt viktigare uppbyggnaden av artificiell intilligens bland biltillverkarna.
På denna nivå finns även tex. Waymo, Uber, och Apple när det gäller autonoma trafiksystem. Och övriga biltillverkare som gett in på banan, tex. Cadillac har fått mycket goda rescensioner nyligen. Även Porsche hade planer att på erbjuda AP liknande Tesla’s.

I en artikel helt nyligen skrev CleanTechnica om ämnet och de ser det som, att TESLA kommer att kunna erbjuda nära full autonomi, kanske före 2021?

Autonoma system baseras, på fyra olika teknologier:

• LIDAR – En teknik där man använder laser för att mäta avstånd. 
• Radar – Radio-vågor, avstånd, höjd, vinkel och hastighet på objekt.
• Ultraljud – Ljudvågor, utsänder ultraljud för att avläsa avstånd.
• Passiva – visuella – Till detta läggs avancerade algoritmer för att avgöra vad som är möjligt göra synligt för kameror. Där tillförs även en hel del insamlad data.

Tester av lokal autonom kollektivtrafik

Du har säkert hört talas om att man på flera håll i landet, bland annat på Chalmers i Göteborg experimenterat med självkörande bussar. Insamling av data görs med att köra bussen längs den planerade färdvägen, för att läsa av omgivningen med LIDAR. 
Sedan matas data manuellt in som övergångsställen etc. Alltså kan det ta upp till åtskilliga arbetstimmar att kartlägga omgivningen, beroende på sträckans längd och omgivning.
Här nedan går vi igenom Tesla’s system

First picture of Tesla’s new Hardware 3 self-driving computer in the wild

Fem nivåer för Autonoma bilar.

Klicka på bilderna i galleriet…

• 

• 

• 

• 

• 

Men vad är det då som säger, att just TESLA tycks ha lyckats med tekniken!?

Jo det har att göra med ARTIFICIELLA NEURONNÄT – på engelska, ”neural network”. I vår hjärna har vi exempelvis biologiska neuronnät.

Tänk dig, – du vet redan att en apelsin är en apelsin. Men för att vi skall förstå att det är en apelsin så har vi lärt oss det genom att växa upp med ordet ”Apelsin”. Det kallas inlärning.

Teslas Auto pilot bygger på tre delar

Radar

Ultraljud

Passiv video

Ett artificiellt neuronnät måste alltså tränas innan det kan användas. De flesta neuronnät arbetar därför i två faser, först en inlärningsfas där nätverket tränas på den uppgift som ska utföras. Sedan följer en tillämpningsfas där nätverket bara använder data det har lärt sig.
Det går finns en tredje fas, också att låta nätet fortsätta att lära sig även när det används, men vanligen lämnas det som det är, när det uppnått den precision som eftersträvades.

I intervjun i klippet från 2017 nedan, beskriver Elon Musk hur systemet fungerar. – ”Du behöver faktiskt bara åtta kameror. – Och det kan faktiskt fungera bara enbart med kameror”! Men vad är det då som gör att TESLA tros vara överlägsna andra system och biltillverkare? Läs mer under klippet:

Startskottet

2012 kom genombrottet för artificiella neuronnätverk (AI) vid en tävling mellan institutioner som kallas ImageNet Challenge. GPU-processorer  Grafikbehandlings-hårdvara, typ de som sitter i tv-spel eller stationära datorer, visade sig klara av de avancerade algoritmiska beräkningar och datamängder som krävdes. 

TESLA och Elon Musk förstod, att för att kunna nå en så bra auto-pilot som möjligt borde även video, tillsammans med insamlad vägdata ”Fleet-learning” och bild-data, med assist av GPS-satelliter, kunna användas istället för att försöka bygga omgivningen från början, genom traditionell programmering.

För om systemet ser skillnad på djur eller långtradare genom att använda sig av kameror, data och hårdvara genom grafik-processorer, i kombination med artificiella neuronnätverk. – Då fungerar det.

Neuralt nätverk

AP2 version 9 av Tesla’s Auto pilot, består alltså av ett neuralt nätverk som processar all data genom åtta separat och strategiskt placerade kamera-linser. Då kameror kan överlappa varandra i synfält och bildvinklar blir det lättare för systemet att upptäcka omgivningen. I Teslas fall visar det sig, att man börjat använda sig av tre färgkanaler (röd, grön och gul) rgb, och använder en bildhastighet av 200 bilder per sekund. Tidsskillnaden gör antagligen det lättare  för systemet att avgöra vad som är i förgrund och bakgrund. Det ger också data för att avgöra om objekt är i rörelse, höjd vinkel, riktning. Tex. en bil, cykel, människa eller stillastående objekt.

Egen hårdvara och mjukvara

I slutet på 2017 tog TESLA Motors det viktiga steget också att själva tillverka hårdvaran. Det här gör att man själva har full kontroll över mjukvara och hårdvara. Så faktiskt är Tesla även att se som jämbördig med vilket hård och mjukvaruföretag som helst. – Ja varför inte stora dataföretag som Microsoft och Apple?

Då Tesla redan haft sitt system i tidigare versioner, AP1, – AP2 version 9, kan man dra nytta av de enorma mängder data som redan finns insamlade genom ”fleet-learning”.
Enligt uppgift från Tesla är målet att samla in 960.000 mil vägdata. Under 2019 kommer du säkert kunna räkna med en ny version, (AP version 3).

Vi väntar spänt på de dagar då Tesla Model 3 börjar levereras till Europa och Norden. Det blir närapå som en tidvattenvåg av elbilar och den mest efterlängtade modellserien sedan, eh – bananer levererades med båt strax efter andra världskriget?!
Skämt åsido. Bilarna levereras idag på samma sätt med båt. – Inte trådlöst!

Medan många biltillverkare har  egna appar så är ändå TESLA lyhörda och lyssnar på kunderna.  Här är ett exempel: http://www.xautoworld.com/

https://cleantechnica.com/2018/11/04/deep-dive-into-teslas-autopilot-self-driving-architecture-vs-lidar-based-systems/