오토파일럿

Tesla는 대규모로 풀 셀프-드라이빙 관련 기술을 개발하고 배포합니다. Tesla는 추론 하드웨어를 효율적으로 사용하면서 풀 셀프-드라이빙의 비전과 계획을 위해 첨단 인공 지능을 기반으로 하는 접근 방식이 풀 셀프-드라이빙에 대한 해결책을 찾는 유일한 방법이라고 생각합니다.

하드웨어

하드웨어

풀 셀프-드라이빙 소프트웨어를 작동하는 실리콘칩은 완전히 새롭게 설계되어 작은 규모의 아키텍처 및 마이크로 아키텍처의 개선을 통해 전력 당 최대의 성능을 끌어냅니다. 설계에 대한 도면, 시기 선택 및 전력 분석을 수행합니다. 기능과 성능을 검증하기 위해 견고한 무작위 검사 및 스코어보드를 작성합니다. 성능 최적화 전력 절감에 중점을 두고 프로그램에 컴파일러와 드라이버를 구현하면서 실리콘칩과 통신합니다. 최종적으로 실리콘칩의 유효성을 확인하고 대량 생산을 시작합니다.

신경망(Neural Network)

신경망(Neural Network)

최첨단 연구를 적용하여 인식에서 제어에 이르는까지 다양한 문제에 대한 심층 신경망을 학습합니다. 각 카메라의 네트워크는 가공되지 않은 이미지를 분석하여 의미론적 세분화, 물체 감지, 모노큘러(Monocular) 심층 판단을 수행합니다. Tesla 조감도 네트워크는 모든 카메라 영상을 이용하여 도로 레이아웃, 정지 상태의 기반 시설물, 3D 물체를 하향식 보기로 출력합니다. Tesla 네트워크는 실시간으로 전 세계의 백만 대에 달하는 차량에서 반복적으로 제공되는 가장 복잡하고 다양한 시나리오를 통해 학습합니다. 오토파일럿 신경망 전체를 만들기 위해 학습하는 데 70,000 GPU가 소요되는 48개의 네트워크가 연관되어 있습니다🔥. 모두 합하여 각 시간 단계별로 예상치인 1,000개의 서로 다른 텐서(tensor)를 출력합니다.

자율 학습 알고리즘

자율 학습 알고리즘

공간을 높은 정밀도로 표현하고 그 공간에서 궤적을 계획하여 차량을 주행하는 핵심 알고리즘을 개발합니다. 이런 표현을 예측하기 위해 신경망을 학습시키려면 공간과 시간에 걸쳐 차량 센서의 정보를 결합하여 알고리즘으로 정확하고 대규모의 실측 데이터를 생성합니다. 최첨단 기술을 사용하여 불확실성이 높은 복잡한 실제 상황에서 작동하는 강력한 계획 및 의사 결정 시스템을 구축합니다. 전체 Tesla 차량의 규모로 알고리즘을 평가합니다.

코드의 기초

코드의 기초

처리량, 지연 시간, 정확성 및 결정론 등은 코드를 최적화하는 주요 측정 항목입니다. 사용자 지정 하드웨어와 긴밀하게 통합되어 스택의 가장 낮은 수준에서 오토파일럿 소프트웨어를 구축합니다. 무선 업데이트를 지원하는 안정적인 부트로더(Bootloader)를 구현하고 맞춤형 리눅스(Linux) 커널을 가져옵니다. 빠르고, 메모리 사용량이 적은 낮은 단계의 코드를 작성하여 센서의 고주파수 대용량 데이터를 캡처하고 중앙 처리 장치의 메모리 액세스 대기 시간에 영향을 주거나 CPU 사이클의 중요한 기능 코드에 영향을 주지 않으면서 여러 소비자 프로세스와 공유합니다. 여러 SoC(System-on-chip)에 분산되어 있는 다양한 하드웨어 처리 장치에서 연산을 최대화하고 병렬 연산을 수행합니다.

평가 인프라

평가 인프라

개방 및 폐쇄형 루프 HIL(Hardware in-the-loop-in) 평가 도구 및 인프라를 구축하여 혁신 속도를 가속화하고 성능 향상도를 추적하며 회귀 현상을 방지합니다. Tesla 차량들에서 추출된 익명의 특성 클립들을 활용하여 대규모 테스트 케이스에 통합합니다. 실제 환경을 시뮬레이션하는 코드를 작성하여 실시간 디버깅 또는 자동화된 테스트를 위해 오토파일럿 소프트웨어에 공급하는 실제와 유사한 그래픽 및 기타 센서 테이터를 생성합니다.

필수 정보입니다.

제출 중...

제출해 주셔서 감사합니다. 연락 드리겠습니다!

죄송합니다. 지금은 요청을 처리할 수 없습니다. 나중에 다시 시도해주십시오.