特斯拉AI Day：自动驾驶的“模拟训练”和马斯克的“醉翁之意”

特斯拉AI Day：自动驾驶的“模拟训练”和马斯克的“醉翁之意”初二下册物理题 和预期基本一致，这场延后近40分钟的特斯拉AI Day集中讲述了三部分内容：自动驾驶视觉路线、DOJO+D1芯片以及Tesla Bot人形机器人。 最后一点几乎与现阶段无关，依照特斯拉规划，Tesla Bot机器人

初二下册物理题

近日有关于初二下册物理题的话题受到了许多网友们的关注，大多数网友都想要知道初二下册物理题问题的具体情况，那么关于初二下册物理题的相关信息，小编也是在网上收集并整理的一些相关的信息，接下来就由小编来给大家分享下小编所收集到的与初二下册物理题问题相关的信息吧。

点击（前往）进行了解>>

以上就是关于初二下册物理题这个话题的相关信息了，希望小编分享给大家的这些新闻大家能够感兴趣哦。

和预期基本一致，这场延后近40分钟的特斯拉AI Day集中讲述了三部分内容：自动驾驶视觉路线、DOJO+D1芯片以及Tesla Bot人形机器人。

最后一点几乎与现阶段无关，依照特斯拉规划，Tesla Bot机器人原型机在2022年才能够推出，而如今便早早地把故事开头讲出来，似乎也迎合了有关“稳住投资人”的猜测。

视觉+算法，构建数据标签

相比“星球大战”的科幻，特斯拉有关自动驾驶视觉路线的矢量分析、贴标及模拟计算则更加贴近现实。此前，在自动驾驶感知路线的选择上，纯视觉与视觉雷达融合的两种方案，形成了特斯拉与其他车企的最大不同。

从特斯拉的观念来看，“用眼睛开车”能够将硬件成本拉低，但随之而来的，则是通过大量人工智能的计算、分析手段去解决车辆行驶中的种种问题。雷达数据的缺失使软件处理难度呈几何倍上升。感知层面的硬件简化，带来的也将是感知系统升级和执行层的复杂计算。

尽管这是一种最贴近人类的解决方案，但不同的是，在摄像头的视角中，我们所感叹的大千世界，呈现出的只有各式各样的像素集合。因此，在判别方式上，摄像头需要分析像素间的联系，并通过贴标的方式，将其集合成便于后续驾驶决策的物体。

为了避免影像畸变、画幅呈现不足等多种问题，特斯拉从原有的2D图像标记升级为空间+时间的4D矢量标签。

目前，特斯拉车身装配有8枚摄像头，以每秒36帧的频率，1280*960分辨率12bit HDR图像的清晰标准，将周围物体整合并通过时间轨迹区分静态、动态及物体边界，并利用包括多头路线、相机校准、缓存、队列和优化等方法来简化神经网络计算。

无论是长度巨大的半挂卡车，还是边界被遮挡的街边路口，通过多角度图像呈现、数据分析、Transformer距离预测算法以及不同特征的叠加、覆盖，特斯拉建立起了庞大的街景标签，为后续计算提供良好的感知分析。

现阶段，特斯拉已针对10亿张不同图像和3亿张不同场景进行数据贴标，但对于完全无人驾驶来说，这些标签量还远远不够。

为了应对如此庞大的数据，特斯拉表示，公司目前拥有一支 1000 人的数据标签队伍，与工程师一起工作，打造了完全定制化的数据标签和分析架构。同时，伴随效率的不断升高，特斯拉已经实现对同一条路进行多次数据收集，抹去曾经红黄颜色组成的“边界框”，把环境场景拆分成点云，上传至云端，形成了接近于“高精地图”的实测环境场景。

D1芯片加入，促进自动驾驶“模拟训练”

自动驾驶更大的难题，在于如何应对极其复杂的路况。常态化的采集能够带来标签库的快速建立，可面对实际行驶过程中多变的气候环境、行人车辆动态，仅仅依靠工程师的路测还远远不够。“我们的数据标识来源自模拟图像，我们需要一些极端情况，人类路测工程师收集很难，因此采用不同的3D道路模拟场景收集相关数据。”

依靠短片记录驾驶场景，特斯拉每周能够获得1万段类似的恶劣环境短片，通过自动标签最终实现精准的距离感知。

此外，凭借Autopilot仿真测试，电脑能够精确标注、部署虚拟的车辆、行人，并倒入各类天气环境及不同场景，通过大规模的模拟训练，实现“计算机训练”自动驾驶的目的。

目前，经过特斯拉车内网络训练的图像共有3.71亿张，形成了4.8亿个标签。未来，除了人、车等动态物体，特斯拉还将检测静态物体、道路拓扑、更多车辆和行人以及强化学习，而这些上亿次的训练工程，则将在DOJO超级计算中心和D1 芯片的成功研发生产之下，得以顺利进行。

据了解，D1芯片采用了台积电7nm工艺，处理能力为 362 TFLOPs 。单一芯片内部带宽达到10TB/s，芯片外带宽也高达4TB/s 。

25个单体芯片能够拼装成为一个芯片组，直接在一个圆晶上光刻，使芯片群接口速度达到36 TB/s，处理能力高达 9 PFLOPs 。这也意味着，不仅全新芯片群的延迟率显著降低，计算能力也远超市场现有产品，甚至只需要几十个这样的芯片群，就能达到目前顶尖超算能力。

理论而言，120个D1芯片群组成服务器机柜，其算力将超过1.1 EFLOPS，是与行业内的其它产品相比，性能提升4倍，能效比提升1.3倍，空间缩小5倍。

毫秒级高效决策，驾驶感受趋紧平滑

反复的模拟训练和实际道路数据采集、系统训练，拓展了车辆决策层的计算、选择空间。特斯拉自动驾驶软件总监Ashok Elluswamy表示，特斯拉采用混合决策系统，首先让感知数据通过向量空间的粗搜索，然后经过连续优化，最后能够形成平滑的运动轨迹。

比如，经过一个包含左转、直行、超车等多种其他驾驶车辆的十字路口时，车辆拥有减速提早变线、加速推迟变线、停车等候让行等多种决策方式可供选择，但如何依据当前路况，选择更优的驾驶方案，则需要依赖coarse search（粗搜索）实现。

在1.5毫秒内，特斯拉可进行2500次变道时机搜索，并通过众多备选项得出相对的smooth trajectory（平滑轨迹），最终使车辆在兼顾舒适与安全的基础上及时采取变道措施。

在另一个案例中，车辆处在一个仅能满足“单车宽度”通过的狭窄路段“双向来车”的场景。首先，面对对向来车主动让行，特斯拉判断减速继续前行，而后对于再度出现的另一辆对向来车，特斯拉选择避让停车同时，对向车辆同样选择了停车避让，因此，特斯拉果断改变了驾驶决策，再次起步通过了这一路段。

这些特殊路段的行驶当中，特斯拉的决策、规划都更加倾向于实际人类驾驶，而最终目的，也是通过快速的路径选择、驾驶决策，在保障行驶速度的同时，为使用者提供更加安全、顺滑产品优化。

比较而言，特斯拉无论在感知还是决策层面，都与目前其他自动驾驶企业所呈现的产品拉开了一定距离，但回归感知路线的选择来看，缺乏高精地图、激光雷达等硬件设备，这样的神经计算网络优势能够持续多久，未来车辆驾驶能力能否真正实现对人类的超越，这些仍然是特斯拉将要解决的问题，也是其能否持续保持领先地位的关键。

当然，马斯克的关注点或许并不在此，身处特斯拉技术的高速成长期，如何“吸引人才”、“给予市场投资信心”，似乎才是此次AI Day最为关键的意义之所。

巴不得妈妈 http://www.xinzhiliao.com/bj/jianfei/13868.html