Mākslīgais intelekts un robotika

Tesla Optimus

Veidojiet universālu, divkājainu, autonomu humanoīdu robotu, kas spēj veikt bīstamus, atkārtotus vai garlaicīgus uzdevumus. Lai sasniegtu šo mērķi, jāizveido programmatūras steki, kas nodrošina līdzsvaru, navigāciju, uztveri un mijiedarbību ar fizisko pasauli. Lai risinātu dažus no mūsu sarežģītākajiem inženiertehniskajiem uzdevumiem, mēs meklējam dziļās mācīšanās, datorredzes, kustības plānošanas, vadības sistēmu un mehānikas inženierus, kā arī vispārēja profila programmatūras inženierus.

Skatīt vakances

FSD mikroshēma

Izstrādājiet MI inferenču mikroshēmas Full Self-Driving programmatūras darbināšanai, izvērtējot ikvienu arhitektūras un mikroarhitektūras uzlabojumu un panākot maksimālu silīcija veiktspēju uz vatu. Veiciet mikroshēmas fiziskā izkārtojuma plānošanu, kā arī laika parametru un jaudas analīzi. Rakstiet robustus testus un rezultātu pārbaudes mehānismus, lai verificētu funkcionalitāti un veiktspēju. Ieviesiet draiverus mikroshēmas programmēšanai un saziņai ar to, galveno uzmanību pievēršot veiktspējas optimizācijai un redundancei. Visbeidzot validējiet silīcija mikroshēmu un sāciet tās masveida ražošanu izmantošanai mūsu transportlīdzekļos.

Neironu tīkli

Izmantojiet jaunāko pētījumu atziņas, lai apmācītu dziļos neironu tīklus uzdevumiem no uztveres līdz vadībai. Mūsu katrai kamerai paredzētie tīkli analizē neapstrādātus attēlus, lai veiktu semantisko segmentāciju, objektu noteikšanu un monokulāro dziļuma novērtēšanu. Mūsu putna lidojuma skata tīkli izmanto visu kameru video, lai skatā no augšas tieši attēlotu ceļa izkārtojumu, statisko infrastruktūru un 3D objektus. Mūsu tīkli mācās no pasaulē sarežģītākajiem un daudzveidīgākajiem scenārijiem, ko reāllaikā atkārtoti iegūstam no sava autoparka, kurā ir miljoniem transportlīdzekļu. Pilns pašbraukšanas neironu tīklu komplekts ietver 48 tīklus, kuru apmācībai nepieciešami 70 000 GPU stundu 🔥. Kopā tie katrā laika solī izvada 1000 atšķirīgus tensorus (prognozes).

Autonomās braukšanas algoritmi

Izstrādājiet galvenos algoritmus, kas vada transportlīdzekli, izveidojot augstas precizitātes pasaules attēlojumu un plānojot trajektorijas šajā telpā. Lai apmācītu neironu tīklus prognozēt šādus attēlojumus, algoritmiski izveidojiet precīzus un liela mēroga etalondatus, apvienojot transportlīdzekļa sensoru informāciju telpā un laikā. Izmantojiet modernākās metodes, lai veidotu robustu plānošanas un lēmumu pieņemšanas sistēmu, kas sarežģītās reālās situācijās darbojas nenoteiktības apstākļos. Novērtējiet algoritmus visa Tesla autoparka mērogā.

Koda pamati

Caurlaidspēja, latentums, korektums un determinētība ir galvenie rādītāji, kuru uzlabošanai optimizējam kodu. Veidojiet pašbraukšanas programmatūras pamatus no steka zemākajiem līmeņiem, cieši integrējot tos ar mūsu pielāgoto aparatūru. Ieviesiet īpaši uzticamus sāknēšanas ielādētājus ar attālināto atjauninājumu atbalstu un iedarbiniet pielāgotus Linux kodolus. Rakstiet ātru un atmiņas ziņā efektīvu zema līmeņa kodu, lai iegūtu augstas frekvences un liela apjoma datus no mūsu sensoriem un kopīgotu tos ar vairākiem patērētājprocesiem, nepalielinot centrālās atmiņas piekļuves latentumu un neatņemot procesora ciklus kritiski svarīgajam funkcionālajam kodam. Optimizējiet un konveijerizējiet skaitļošanu dažādās aparatūras apstrādes vienībās, kas sadalītas pa vairākām vienčipa sistēmām.

Novērtēšanas infrastruktūra

Plašā mērogā veidojiet novērtēšanas rīkus un infrastruktūru darbībai atvērtā cilpā, slēgtā cilpā un ar aparatūru cilpā, lai paātrinātu inovāciju tempu, sekotu veiktspējas uzlabojumiem un novērstu regresijas. Izmantojiet anonimizētus raksturīgu situāciju videofragmentus no mūsu autoparka un integrējiet tos plašās testpiemēru kopās. Rakstiet kodu, kas simulē mūsu reālās pasaules vidi un ģenerē ļoti reālistisku grafiku un citus sensoru datus pašbraukšanas programmatūras atkļūdošanai reāllaikā vai automatizētai testēšanai.