Tesla Otonom Sürüş Keynote @ CVPR21 özeti

Radarı çıkarıp saf vision ile Autopilot’u iyileştirdikleri örneğin sunumu (Clien’de Slipper kullanıcısının özeti)

• Önceden radar ve vision birlikte kullanılıyordu

• Radar gürültüsü nedeniyle tahmin edilen değerlerin güvenilirliğinde sorun vardı

• Bu yüzden yalnızca vision kullanarak nesnelerin konumunu, hızını ve ivmesini tahmin etme çalışması yapıldı

→ Halka açık yollarda dolaşan Tesla filosunun sürüş videoları alınıp çevrimdışı ortamda otomatik olarak etiketlenerek (konum, hız, ivme yazılarak) eğitim verisi oluşturuldu

→ 'Zor durum' olduğunu anlayabilen 221 farklı belirti tanımlandı ve normal Tesla araçlarında 'shadow mode' olarak çalışan sinir ağı bu belirtileri yakaladı

→ Tesla AI ekibi belirli bir 'zor durumu' sorun olarak değerlendirdiğinde, benzer durumlara ait veriler Tesla araçlarından toplanıp (otomatik olarak) etiketlenmiş eğitim verisi oluşturuldu

→ Bununla eğitilen yeni sinir ağının tekrar 'shadow mode'da dağıtılması süreci tekrarlandı

→ 4 ay boyunca 7 kez tekrarlandı ve edge case'ler dahil 1 milyon videodan oluşan bir eğitim seti kuruldu

→ Etiket sayısı 6 trilyon, veri boyutu 1.5 petabayt

→ Eğitim için 1.8 exaflops performansında bir süper bilgisayar kuruldu

• Bunun sonucunda ortaya saf vision Autopilot çıktı

• Çok daha hızlı tepki veriyor, çeşitli nesneleri tanımlıyor ve tatmin edici sonuçlar gösteriyor

[dalinaum]

Pure Vision Autopilot ise phantom brake sorununun daha da kötüleşeceği anlaşılıyor.