Autopilot

Vi utvikler og distribuerer autonomi i stor skala. Vi tror at en tilnærming basert på avansert AI for visjon og planlegging, støttet av effektiv bruk av inference-hardware, er den eneste måten å oppnå en generell løsning på fremtidig selvkjørende biler.

Hardware

Hardware

Bygg silisiumchips som driver vår programvare for selvkjørende biler fra bunnen av, mens du er lidenskapelig opptatt av å gjøre små arkitektoniske og mikroarkitektoniske forbedringer for å makismere silisiumytelse per watt. Planlegge produksjon, timing og kraftanalyser av designet. Gjøre robuste, randomiserte tester for å verifisere funksjonalitet og ytelse. Implementere kompilatorer og drivere for å programmere og kommunisere med chipen, med sterkt fokus på ytelsesoptimalisering og energisparing. Til slutt validerer du silisiumchipen og setter den i masseproduksjon.

Neural nettverk

Neural nettverk

Bruk toppmoderne forskning for å trene dype neurale nettverk på problemer som spenner fra oppfatning til kontroll. Våre per-kamera-nettverk analyserer røde bilder for å utføre semantisk segmentering, objektdeteksjon og monokulær dybdestimasjon. Våre fugler-øye-visning-nettverk tar video fra alle kameraer for å utføre veiskilden, statisk infrastruktur og 3D-objekter direkte i den nedre nedvisningen. Våre nettverk lærer av de mest kompliserte og mangfoldige scenariene i verden, iterativt hentet fra bilparken vår med nesten 1 M kjøretøy i sanntid. En full bygg av autopilotens neurale nettverk involverer 48 nettverk som tar 70.000 GPU-timer å trene 🔥. Sammen skriver de ut 1000 tusen tensors (spådommer) ved hvert tidspunkt.

Autonomitetsalgoritmer

Autonomitetsalgoritmer

Utvikle kjernealgoritmene som kjører bilen ved å skape en riktig representasjon av verden og planlegge kjørebaner på riktig sted. For å trene opp nevrale nettverk til å forutsi slike representasjoner, må man samle nøyaktige algoritmer og storskala bakkedata i sanntid ved å kombinere informasjon fra bilens sensorer på tvers av tid og sted. Bruke moderne teknologier for å bygge et robust planleggings- og beslutningsprosessystem som opererer i kompliserte, virkelige situasjoner i uklare situasjoner. Evaluere algoritmene på tvers av hele Tesla-flåten.

Kodegrunnlag

Kodegrunnlag

Gjennomstrømning, forsinkelse, korrekthet og determinisme er de viktigste beregningene vi optimaliserer koden vår for. Bygge autopilotens programvarebaser fra grunnen, tett integrering med vår egendefinerte maskinvare. Implementere supertrouble bootloaders med støtte for OTA-oppdateringer og hente tilpassede Linux-kjerner. Skrive hurtig, minneeffektiv lavnivåkode for å fange høyfrekvente, høyvolumsdata fra sensorene våre og dele den med flere forbrukerprosesser— uten å påvirke sentral minnetilgangsventetid eller sultende kritisk funksjonskode fra CPU-sykluser. Optimalisere en rekke maskinvareprosessorer på tvers av flere maskinvaresystemer og system-on-chips.

Evaluering av infrastruktur

Evaluering av infrastruktur

Bygge evalueringsverktøy for åpen og lukket sløyfe, hardware-in-the-loop og infrastruktur i skala for å akselerere innovasjonsraten, spore ytelsesforbedringer og forebygge regresjoner. Utnytte anonymiserte karakteristiske klipp fra bilparken vår og integrere dem i store suiter av testtilfeller. Skrive kode som simulerer det virkelige miljøet vårt og produsere svært realistisk grafikk og andre sensordata som mater vår Autopilot-programvare ved direkte feilsøking eller automatisert testing.

påkrevd

Sender ...

Takk for innsendelsen, vi tar kontakt!

Beklager, vi kan ikke å behandle forespørselen din akkurat nå, vennligst prøv igjen senere.