Autopilot

Vi udvikler og implementerer autonome systemer i stor skala. Vi mener, at en tilgang baseret på avanceret AI til vision og planlægning, understøttet af en effektiv brug af inferenshardware, er den eneste brugbare metode til at opnå en generel løsning til fuld selvkørende funktionalitet.

Hardware

Hardware

Vi designer siliciumchips, der styrer vores fuldt selvkørende software fra bunden og tager højde for selv de mindste arkitektoniske og mikro-arkitektoniske forbedringer, mens vi gør alt, hvad vi kan for at presse så meget ydeevne ud af siliciumchipsene pr. watt som muligt. Vi laver plantegninger samt timing- og effektanalyser af designet. Vi laver robuste, randomiserede tests og resultattavler for at bekræfte funktionalitet og ydeevne. Vi implementerer kompilere og drivere til programmering og kommunikation med chippen med stærk fokus på ydeevneoptimering og effektbesparelser. Til sidst validerer vi siliciumchippen og sætter den i masseproduktion.

Neurale netværk

Neurale netværk

Vi anvender avanceret forskning til at træne dybe neurale netværk i problemer lige fra opfattelse til kontrol. Vores kamerabaserede netværk analyserer de rå billeddata for at udføre semantisk segmentering, objektregistrering og monokulær dybdevurdering. Vores netværk med fugleperspektiv optager video fra alle kameraerne for at generere vejlayout, statisk infrastruktur og 3D-objekter direkte i visningen set fra oven. Vores netværk lærer af de mest komplicerede og forskelligartede scenarier i verden, som indsamles løbende fra vores flåde af næsten 1 million køretøjer i realtid. Færdigudvikling af neurale netværk til Autopilot omfatter 48 netværk, der kræver 70.000 GPU-timer at træne 🔥. Tilsammen genererer de 1.000 forskellige tensors (forudsigelser) for hvert punkt i tid.

Autonomitetsalgoritmer

Autonomitetsalgoritmer

Vi udvikler de basisalgoritmer, der kører i bilen ved at skabe en gengivelse af verden i høj opløsning og planlægge trajektorier i dette rum. For at kunne optræne de neurale netværker til at kunne forudsige sådanne gengivelser, skaber vi nøjagtige, empiriske data i stor skala ved hjælp af algoritmer ved at kombinere informationer fra bilens sensorer i tid og rum. Vi benytter avancerede teknikker til at skabe et robust planlægnings- og beslutningstagningssystem, der opererer i komplicerede situationer fra den virkelige verden med alle dens usikkerheder. Du vil kunne evaluere dine algoritmer ved hjælp af hele Tesla-flåden.

Kodefundamenter

Kodefundamenter

Overførselshastighed, latens, korrektion og determinisme er de primære parametre, vi benytter til optimering af vores programkode. Vi bygger fundamentet til vores Autopilot-software op fra de laveste niveauer i stakken i tæt integration med vores specialudviklede hardware. Vi implementerer superpålidelige bootloadere med understøttelse af over-the-air opdateringer og benytter tilpassede Linux-kernels. Vi programmerer hurtig, hukommelseseffektiv lavniveaukode for at indsamle højfrekvente data med høj volumen fra vores sensorer og for at dele dem med flere forbrugerprocesser— uden at det påvirker latensen for adgangen til den centrale hukommelse eller begrænser adgangen til CPU-cyklusser for vigtig funktionskode. Vi presser og sender beregninger på tværs af en række forskellige hardwareprocesenheder fordelt på flere system-on-chip-enheder.

Evalueringsinfrastruktur

Evalueringsinfrastruktur

Vi bygger åbne og lukkede kredsløb, evalueringsværktøjer med kredsløbsindbygget hardware og infrastruktur i stor målestok for at accelerere innovationen, holde øje med ydeevneforbedringer og forhindre regression. Vi udnytter anonymiserede, karakteristiske data fra vores flåde og integrerer dem i store suiter af testscenarier. Vi skriver kode, der simulerer vores miljø, som er baseret på den virkelige verden og producerer ultrarealistisk grafik og andre sensordata, som benyttes af vores Autopilot-software til fejlretning i realtid eller automatiserede tests.

obligatorisk

Sender ...

Tak for din henvendelse. Vi vil kontakte dig snarest muligt.

Beklager, vi kan ikke behandle din anmodning på nuværende tidspunkt. Prøv venligst igen senere.