Поскольку Tesla работает над внедрением системы автономного вождения уже в следующем году, автопроизводитель патентует систему конвейера данных и глубокого обучения, которая может помочь им быстрее ее разработать.
Система была представлена в новой патентной заявке Tesla под названием «Система конвейера данных и глубокого обучения для автономного вождения».
Конвейер данных Tesla, вероятно, является одним из крупнейших в отрасли, если не самым крупным, поскольку он получает данные от сотен тысяч автомобилей, оснащенных большим набором датчиков.
В заявке Tesla объясняет проблему, которую решает ее система:
«Системы глубокого обучения, используемые для реализации автономного вождения, обычно полагаются на захваченные данные датчиков в качестве входных данных. В традиционных системах обучения захваченные данные датчиков совместимы с системой глубокого обучения путем преобразования захваченных данных из формата датчика в формат, совместимый с начальным входным слоем системы обучения. Это преобразование может включать сжатие и уменьшение частоты дискретизации, что может снизить точность сигнала исходных данных датчика. Более того, изменение датчиков может потребовать новый процесс преобразования. Следовательно, существует потребность в специализированном конвейере данных, который может максимизировать информацию сигнала из захваченных данных датчика и обеспечить более высокий уровень информации сигнала для сети глубокого обучения для анализа глубокого обучения.»
Tesla описывает свое решение в патентной заявке:
«Представлен конвейер данных, который извлекает и предоставляет данные датчиков в виде отдельных компонентов сети глубокого обучения для автономного вождения. В некоторых вариантах реализации автономное вождение осуществляется с использованием сети глубокого обучения и входных данных, получаемых от датчиков. Например, датчики, установленные на транспортном средстве, предоставляют в реальном времени данные датчиков, такие как данные зрения, радара и ультразвука, об окружающей среде транспортного средства нейронной сети для определения реакций управления транспортным средством. В некоторых вариантах реализации сеть реализована с использованием нескольких слоев. Данные датчиков извлекаются в два или более различных компонента данных на основе информации сигнала данных. Например, данные признаков и/или краев могут быть извлечены отдельно от глобальных данных, таких как данные глобального освещения, в разные компоненты данных. Различные компоненты данных сохраняют целевые релевантные данные, например, данные, которые в конечном итоге будут использоваться для идентификации краев и других признаков сетью глубокого обучения. В некоторых вариантах реализации различные компоненты данных функционируют как контейнеры, которые хранят данные, весьма релевантные для идентификации определенных целевых признаков, но сами по себе не идентифицируют или не обнаруживают признаки. Различные компоненты данных извлекают данные для обеспечения точного обнаружения признаков на соответствующем этапе сети машинного обучения. В некоторых вариантах реализации различные компоненты данных могут быть предварительно обработаны для улучшения конкретной информации сигнала, которую они содержат. Компоненты данных могут быть сжаты и/или уменьшены по частоте дискретизации для повышения эффективности ресурсов и вычислений. Затем различные компоненты данных предоставляются системе глубокого обучения на разных уровнях системы.
Сеть глубокого обучения способна точно идентифицировать и обнаруживать признаки, связанные с целевыми данными (например, края, объекты и т. д.) компонента данных, используя информацию сигнала, сохраненную во время извлечения, в качестве входных данных. Например, данные признаков и краев предоставляются первому слою сети, а глобальные данные — более позднему слою сети. Извлекая различные компоненты данных, каждый из которых сохраняет свою соответствующую целевую информацию сигнала, сеть более эффективно обрабатывает данные датчиков. Вместо получения данных датчиков в качестве начальных входных данных для сети, сеть получает наиболее полезную информацию на наиболее подходящем уровне сети. В некоторых вариантах реализации сеть анализирует более полную версию захваченных данных датчиков, поскольку различные компоненты данных могут полностью использовать разрешение изображения их соответствующих компонентов для их предполагаемых целей. Например, входные данные для признаков и краев могут использовать все разрешение, диапазон бит и глубину бит для данных признаков и краев, в то время как входные данные для глобального освещения могут использовать все разрешение, диапазон бит и глубину бит для данных глобального освещения.»
Интересно, что двое из трех инженеров, указанных в патенте как изобретатели, Бриджеш Трипатхи и Тимофей Уваров, больше не работают в Tesla.
Intel для Трипатхи, а Pony.Ai для Уварова.
Что касается третьего инженера, Евгения Файнштейна, неясно, работает ли он все еще в Tesla.
Вот полная патентная заявка Tesla:
[scribd id=441072526 key=key-Mao5JoLi07Oi5n3bjffX mode=scroll]