Giám đốc điều hành của Tesla Elon Musk gần đây đã công bố Tesla Bot của công ty. Robot có tên gọi Optimus shuffled trên sân khấu, vẫy tay, và bơm cánh tay trong một điệu nhảy tốc độ chậm. Musk dự đoán robot có thể có giá 20.000 USD trong vòng 3-5 năm nếu tất cả đều theo kế hoạch. Nhưng câu hỏi là, nó có thể làm gì cho chúng ta. Nhưng trước khi chúng tôi vào được đó, hãy nhìn vào những thiết bị chính lái chiếc Tesla Bot.
Bộ chấp hành bot của Tesla
The Bộ chấp hành là hệ thống điều khiển chính cho bất kỳ robot nào. Bạn có thể nói rằng một robot không có gì hơn là một máy tính với các bộ phận chuyển động, hay nói cách khác, một Robot là một máy tính với Actuators và cảm biến. Tesla đã phát triển các bộ Actuators riêng cho Bot, nó sử dụng 3 loại thiết bị truyền động quay và 3 loại. Bộ chấp hành tuyến tính.
Nếu bạn đang tự hỏi tại sao Tesla không sử dụng các thiết bị truyền động tuyến tính được chuẩn hóa như FIRGELLI Thiết bị truyền động, bởi vì chúng có một số ràng buộc có nghĩa là họ phải phát triển hệ thống riêng của mình để khiến cho Robots trở nên nhẹ hơn, hiệu quả năng lượng, mật độ công suất cao và chi phí thấp. Tesla tuyên bố họ muốn mua Bot để bán lẻ với giá 20.000 USD mỗi người. Đây là một mệnh lệnh cao cho một thứ gì đó có thể yêu cầu 23 Actuators, và PC mạnh, nhiều cảm biến và một bộ pin để làm cho nó kéo dài hơn vài giờ, cộng với một bộ xương mạnh mẽ để giữ tất cả lại với nhau.
Bộ truyền động tuyến tính của Tesla bot
Các thiết bị truyền động tuyến tính được phát triển rất cụ thể cho một vai trò cụ thể, điều này có nghĩa là chúng sẽ không thực sự được sử dụng cho bất kỳ ứng dụng nào khác ngoài một robot. Bộ truyền động của họ sử dụng một hệ thống Roller hành tinh và Tesla gọi nó, nhưng đây là mã cơ bản cho thiết kế leadbvít, và thay vì một cuộn dây từ trường truyền thống ở giữa động cơ, họ quyết định sử dụng một thiết kế động cơ lõi. Điều này có nghĩa là thiết kế của Ball rất hiệu quả và sử dụng ít điện năng hơn, nhưng cũng đắt hơn. Và họ sử dụng một hệ thống điện không Brushless có nghĩa là nhịp sống sẽ nhanh hơn đáng kể và cho phép các chế độ ổ đĩa được kiểm soát bởi phần mềm.
Chiều dài của chuyến đi chỉ khoảng 2 " dài, và như bức ảnh cho thấy chúng nâng một cây Piano ở 500KG, điều này khá là trọng lượng. Bạn có thể thắc mắc tại sao nó cần phải nâng nhiều trọng lượng như vậy?, đó là bởi vì khi được cài đặt trong một bộ xương bằng kim loại, các thiết bị truyền động đi lại cần khuếch đại lên những gì nó đang di chuyển. Vì vậy, nếu di chuyển chân của một robot, chân cần phải có thể di chuyển khoảng 150 con, hoặc hơn 2 foot chiều dài chân cần đu từ khoảng không đến một vòng cung 3 feet. Cơ thể huda đã tiến hóa hơn 100.000 năm cho phép con người làm điều này bằng cơ bắp chân, nhưng nhận được một thiết bị truyền động thẳng để làm điều này không phải là việc dễ dàng. Vì vậy, điểm mà tôi đang làm là, mặc dù The Actuator có thể nâng lên 500Kg trọng lượng trên 2 inch, một khi các thiết bị truyền động kết nối với đòn bẩy, lực sẽ giảm đáng kể, tùy thuộc vào tỷ lệ đòn bẩy, và tốc độ tăng lên khiến cho một cuộc giao dịch thương mại tốt.
Tesla bot trình bày.
Đây là những gì Tesla đã nói về những bài thuyết trình mới nhất mà họ đưa ra vào ngày 302022.
Món quà của Elon Musk: WTôi có vài điều thú vị để cho anh xem, tôi nghĩ anh sẽ rất ấn tượng đấy. Tôi muốn đặt ra một số kỳ vọng đối với người máy Optimus của chúng ta như các bạn biết năm ngoái chỉ là một người trong bộ đồ robot nhưng chúng ta không phải là một người máy bay xa và tôi nghĩ rằng bạn biết so với điều đó sẽ rất ấn tượng. Và chúng ta sẽ nói về những tiến bộ trong AI cho việc tự lái xe đầy đủ cũng như cách họ áp dụng cho nhiều hơn nữaNói chung với những vấn đề về AI của thế giới thực như một con robot hình người và thậm chí còn vượt xa điều đó Tôi nghĩ có một vài tiềm năng mà những gì chúng ta đang làm ở đây, Tesla có thể đóng góp ý nghĩa cho AGI, và tôi nghĩ thật sự cho chúng ta biết một thực thể tốt để làm điều đó từ quan điểm quản trị bởi vì chúng ta là một công ty giao dịch công khai chúng ta có một lớp cổ phiếu và điều đó có nghĩa là công chúngĐiều khiển Tesla và tôi nghĩ đó thực sự là một điều tốt nếu tôi phát điên là anh có thể sa thải tôiRất quan trọng, có lẽ tôi không điên. Tôi không biết. Vì vậy, chúng ta sẽ nói rất nhiều về tiến độ của chúng ta trong chế độ tự động AI cũng như tiến bộ trong cùng với dojo, và sau đó chúng ta sẽ đưa cả đội ra ngoài và làm một bài q & a dài để bạn có thể hỏi những câu hỏi khó. Bất cứ điều gì bạn thích những câu hỏi về công nghệ hiện sinh nếu nó muốn có càng nhiều thời gian cho Q&A càng tốt để có thể thấy rằng bạn đoán những gì hằng ngày.
Hey guys tôi là Milan I làm việc về chế độ lái tự động và nó là cao su tôi là một kỹ sư cơ khí trong dự án cũng vậy nên chúng tôi nên mang theo Bot trước khi chúng tôi đi trước lần đầu tiên chúng tôi thử robot này mà không cần bất kỳ cần cẩu hỗ trợ
Cơ cấu cơ khí không có cáp gì, tôi muốn gia nhập với các anh.
Tối nay, nhưng đây là lần đầu tiên anh sẵn sàng đi.Máy tính lái xe tự động chạy trong xe Tesla của bạn bằng cách đây là lần đầu tiên robot hoạt động mà không có dây buộc vào tối nay, vậy nên robot có thể thực sự làm nhiều hơn là chúng tôi chỉ cho bạn thấy chúng tôi không muốn nó rơi vào mặt nó, vì vậy chúng tôi sẽ cho bạn xem một vài đoạn video mà bây giờ robot đang thực hiện một vài thứ khác, um, ít rủi ro hơn.
Yeah chúng tôi muốn thể hiện thêm một chút về những gì chúng tôi đã làm trong vài tháng quaNgoài việc đi lại và nhảy múa trên sân khấu và bắt đầu khiêm tốn nhưng bạn có thể thấy mạng lưới thần kinh tự động chạy như
Được huấn luyện lại trên nền tảng mới mà tôi có thể thấy được.Một cái nhìn thấy được đó là con robot đó là thứ mà thế giới robot nhìn thấy nên nó rất rõ ràng những vật thể như thế này là vật thể nó sẽ nhặt nó lên. Chúng tôi sử dụng quy trình tương tự như chúng tôi đã làm việc lái tự lái để thu thập dư ̃ liệu trong việc đào tạo mạng của bạn mà chúng tôi triển khai trên
Robot là một ví dụ minh họa cho cơ thể hơn một chút.
một điều gì đó mà chúng tôi muốn cố gắng đóng đinh trong vài tháng trong vài tháng tới tôi sẽ nói đến sự hoàn hảoĐây thực sự là một nhà ga ở Nhà máy Fremont.
Đó không phải là thứ duy nhất chúng ta có để chỉ ra hôm nay, để những gì bạn thấy là cái mà chúng tôi gọi là Bumble C, đó là loại robot phát triển thô của chúng tôi sử dụng các thiết bị chấp hành bán off-the-shelf nhưng chúng tôi thực sự đã đi xa hơn một bước so với đội đã làm một công việc tuyệt vời và chúng tôi thực sự có một robot tối ưu với a
Tesla thiết kế hoàn toàn ở cả hệ thống kiểm soát cục pin.Mọi thứ vẫn chưa sẵn sàng đi nhưng tôi nghĩ nó sẽ bước đi trong vài tuần nữa, nhưng chúng tôi muốn cho các bạn xem con robot và một thứ gì đó thực sự khá gần với những gì sẽ được sản xuất, và và cho bạn thấy tất cả những điều nó có thể làm như vậy hãy mang nó ra ngoài
Chúng tôi hy vọng sẽ có được một đơn vị sản xuất Optimus.
di chuyển tất cả các ngón tay di chuyển một cách độc lập ngón cái, có hai
của tự do nên nó có ngón cái đối lập và bàn tay trái và phải.
Nó có thể vận hành công cụ và làm những việc hữu ích, mục tiêu của chúng ta là tạo ra một thứ hữu ích
Robot hình người càng nhanh càng tốt và chúng tôi cũng thiết kế nó bằng cách sử dụng
Cùng một kỷ luật mà chúng ta sử dụng trong việc thiết kế chiếc xe để thiết kế nó để sản xuất nó có thể xảy ralàm cho robot ở mức cao với chi phí thấp với độ tin cậy cao để điều đó cực kỳ quan trọng là tôi muốn nói các bạn đều đã thấy những cuộc biểu tình robot hình người rất ấn tượng và điều đó thật tuyệt vời nhưng điều đó là gì? Họ thiếu một bộ não, họ không có trí thông minh
định hướng thế giới một mình và chúng cũng rất đắt đỏ,và được thực hiện với thể tích thấp, trong khi đây là xã hội lạc quan và có khả năng cực kỳ robot nhưng thực hiện với khối lượng rất cao có thể cuối cùng là hàng triệu đơn vị và nó sẽ phải tốn kém hơn rất nhiều so với một chiếc xe hơi.
Tôi sẽ nói là ít hơn hai mươi ngàn đô la sẽ là của tôi.
Tiềm năng lạc quan là tôi cảm kích bằng cách rất hiệu quả
Mọi người, như những bản demo của Tesla đang đếnĐược rồi, tốt lắm là tốt rồi. Các đội tuyển vào và nhóm đã đặt vào một công việc tuyệt vời ... những ngày làm việc ... uh ... uh ... uh, uh, uh, uh, uh, uh, uh, uh, uh, uh, uh, ngày làm việc 7 ngày một tuần để 3am dầu để đến buổi trình diễn hôm nay, tôi tự hào về những gì họ đã làm là làm một công việc tuyệt vời mà tôi chỉ muốn trao một bàn tay cho toàn bộ nhóm này để được thực hiện để tinh chỉnh Optimus và cải thiện nó rõ ràng đây chỉ là phiên bản Optimus vàĐây thực sự là lý do chúng ta tổ chức sự kiện này để thuyết phục một số người tài năng nhất trên thế giới như các bạn gia nhập Tesla và giúp biến nó thành hiện thực và đưa nó đến thành hiện thực để có thể giúp đỡ hàng triệu người và những tiềm năng mà nó thích nó thực sự rất là phiền não bởi vì bạn phải nói như thế nào là nền kinh tế một nền kinh tế phát triển năng suất lao động với năng suất lao động đầu ra bình quân đầu người không rõ nền kinh tế có nghĩa là nền kinh tế có nghĩa là một nền kinh tế sẽ trở thành một vô hạn vô tận để những gì bạn biết được thực hiện trong kịch bản lành mạnh um the this có nghĩa là tương lai của sự phong phú trong tương lai nơi mà um không có nghèo đói nơi mọi người bạn
có thể có bất cứ điều gì bạn muốn về sản phẩm và dịch vụNó thực sự là một sự biến đổi cơ bản của nền văn minh như chúng ta biết rõ ràng là chúng ta muốn chắc chắn rằng sự chuyển đổi là một sự tích cực và an toàn và đó cũng là lý do tại sao tôi nghĩ Tesla là một thực thể làm điều này là một lớp cổ phiếu công khai được giao dịch công khai sở hữu bởi công chúng là rất quan trọng và không nên bỏ qua tôi nghĩ rằng điều này là cần thiết bởi vì sau đó nếu công chúng không thích những gì Tesla làm công chúng có thể mua cổ phần của Tesla và bỏ phiếu khác đi.
Đây là chuyện quan trọng nhất mà tôi không thể làm theo những gì tôi muốn.Đôi khi người ta nghĩ rằng điều đó là không đúng, vì vậy bạn biết đó là điều quan trọng mà thực thể công ty cho rằng nó là một điều gì đó mà công chúng có thể ảnh hưởng chính xác và vì vậy tôi nghĩ cấu trúc Tesla là lý tưởng cho điều đó và như tôi đã nói rằng bạn biết lái xe tự lái chắc chắn sẽ có một tác động to lớn trên thế giới um tôi nghĩ họ sẽ cải thiện
năng suất giao thông vận tải ít nhất một nửa độ lớn có lẽ là mộtMức độ lớn hơn tôi nghĩ là không rõ ràng là không rõ ràng những gì mà chúng ta cần làm theo đúng cách chúng ta cần làm điều đó một cách cẩn thận và an toàn và đảm bảo rằng kết quả là một điều có lợi cho nền văn minh và một khi tôi không thể làm điều đó là điều cực kỳ quan trọng Và tôi hy vọng bạn sẽ cân nhắc việc tham gia Tesla để đạt được những mục tiêu đó tại Tesla chúng tôi thực sự quan tâm đến việc làm điều đúng ở đây luôn luôn khao khát làm điều đúng và và thực sự không trả tiền cho con đường với mục đích tốt và tôi nghĩ con đường đến địa ngục chủ yếu được lát với những ý định xấu nhưng mỗi lần một lần nữa lại có một ý định tốt trong đó vì vậy chúng tôi muốn làm điều đúng để bạn có thể cân nhắc việc tham gia vào chúng tôi và giúp làm cho nó xảy ra ...Đang chuyển sang giai đoạn tiếp theo, cảm ơn Elon.
Được rồi, bây giờ anh đã thấy một cặp robot ngày nay thực hiện một dòng thời gian nhanh, nên năm ngoái chúng tôi đã tiết lộ ra robot Tesla.
Nhưng một khái niệm không đưa chúng ta đến rất xa chúng ta biết chúng ta cần một nền tảng phát triển và hội nhập thực sự
đi học thật nhanh càng tốt để con robot đi ra ngoài và làm những thói quen nhỏ cho các bạn.
Đã 6 tháng xây dựng phần nâng cấp phần mềm tích hợp phần mềm qua các tháng kể từ đó
Song song chúng ta cũng đang thiết kế thế hệ tiếp theo.
Vậy tên này bắt nguồn từ quá trình thiết kế loại xe mà bạn biết chúng ta đang tận dụng tất cả
những người học rằng chúng ta đã có rất nhiều thay đổi kể từ năm ngoái nhưng có một vài điều
Chúng ta vẫn còn một sự tập trung chi tiết vào hình dạng con người chúng ta nghĩ.
Vấn đề là vì một vài lý do nhưng thật vui khi chúng ta dành rất nhiều thời gian nghĩ về việc cơ thể con người tuyệt vời như thế nào
Một sự chuyển động đáng kinh ngạc này thường rất là tuyệt vời.
Tập thể dục là nếu bạn đặt ngón tay lên cái ghế trước mặt bạn sẽ nhận thấy rằng có một phạm vi lớn của chuyển động mà
Bạn có ở vai và khuỷu tay của bạn ví dụ mà không cần di chuyển ngón tay bạn có thể di chuyển khớp
Về nơi này nhưng robot bạn biết chức năng chính của nó là thực hiện công việc hữu ích và
Có lẽ không nhất thiết phải cần tất cả các mức độ tự do đó ngay lập tức nên chúng ta đã loại bỏ nó xuống đến mức tối thiểu.
của 28 bậc tự do cơ bản và sau đó tất nhiên tay chúng ta cùng với đó
Con người cũng khá hiệu quả trong một số thứ và không hiệu quả trong những thời điểm khác, ví dụ như chúng ta có thể ăn một ít.
Lượng thức ăn để duy trì bản thân trong vài giờ ... nhưng khi chúng ta chỉ ngồi quanh không.
Nhưng chúng ta thật không hiệu quả, chúng ta đang đốt cháy năng lượng trên nền tảng robot của chúng ta.
chúng ta sẽ giảm thiểu mức tiêu thụ năng lượng nhàn rỗi đó giảm xuống thấp nhất có thể và cách chúng ta có thể
Flip a switch và ngay lập tức robot biến thành một thứ gì đó hữu ích
Vậy hãy nói về thế hệ mới nhất này một số chi tiết, chúng ta sẽ lên màn hình ở đây, các bạn sẽ thấy
Cam là thiết bị truyền động chúng ta sẽ có được một chút và trong màu xanh hệ thống điện của chúng ta.
Vậy bây giờ chúng ta có nghiên cứu dựa trên con người và chúng ta có nền tảng phát triển đầu tiên mà chúng ta có cả hai
nghiên cứu và thực hiện để rút ra tư ̀ thiết kê ́ này chúng tôi sử dụng thiết kê ́ xe đó
cho nên chúng ta sẽ lấy nó từ khái niệm thông qua thiết kế và phân tích và
sau đó xây dựng và xác thực theo cách chúng ta sẽ tối ưu hóa cho những thư ́ như chi phí và hiệu quả
bởi vì đó là số liệu quan trọng để đưa sản phẩm này đến quy mô cuối cùng bằng cách nào chúng ta sẽ làm tốt chúng ta là
làm giảm bớt số phận của chúng ta và năng lượng tiêu thụ của chúng ta với mọi yếu tố có thể chúng ta sẽ làm những việc như
làm giảm cảm biến và dây dẫn ở các điểm cực của chúng ta bạn có thể tưởng tượng ra nhiều khối lượng trong tay và bàn chân của bạn sẽ đi đến
trở nên vô cùng khó khăn và quyền lực cần phải di chuyển xung quanh và chúng ta sẽ tập trung cả hai chúng ta
phân phối quyền lực và tính toán của chúng ta cho trung tâm vật lý của nền tảng
Vì vậy, ở giữa thân mình, đó chính là Torso chúng ta có gói pin của chúng ta, nó có kích thước 2,3 kilowatt giờ
đó là hoàn hảo cho một ngày làm việc thật sự của một ngày làm việc thật sự độc đáo về cục pin này.
Nó có tất cả pin điện tử được tích hợp vào một PCB đơn trong gói nên có nghĩa là mọi thứ
Từ cảm nhận đến việc quản lý điện tích và phân phối điện là tất cả trên một tất cả
tại một nơi chúng ta cũng đã tận dụng cả phương tiện sản phẩm và sản phẩm năng lượng của chúng ta.
Tất cả các tính năng chính của pin này để hợp lý hóa sản xuất thật sự hiệu quả và
hệ thống làm mát đơn giản quản lý pin và cũng an toàn và tất nhiên chúng ta có thể tận dụng Tesla's
Cơ sở hạ tầng và chuỗi cung ứng hiện có làm cho nó trở thành một phần của bộ não của chúng ta
Không phải ở đầu, nhưng nó cũng rất gần với thân của chúng tôi và chúng tôi có máy tính trung tâm, vì vậy bạn đã biết Tesla
Trên mỗi chiếc xe chúng tôi sản xuất đều có máy tính tự lái hoàn toàn. Chúng tôi muốn tận dụng lợi thế của phần cứng tự lái và
Phần mềm cho nền tảng hình người, nhưng vì nó khác nhau về yêu cầu và hình dạng, chúng tôi
Đầu tiên là thay đổi một số thứ, vì vậy chúng ta vẫn sẽ làm điều đó - nó sẽ làm mọi thứ mà bộ não con người làm.
Xử lý dữ liệu hình ảnh để đưa ra quyết định ngay lập tức dựa trên nhiều đầu vào cảm giác và giao tiếp
Để hỗ trợ giao tiếp, nó đi kèm với kết nối không dây và hỗ trợ âm thanh
Ngoài ra, nó còn có các tính năng bảo mật cấp phần cứng quan trọng để bảo vệ cả robot và con người.
Xung quanh robot, vì vậy bây giờ chúng ta có cốt lõi của riêng mình
Chúng tôi cần một số chi tiết của anh chàng này và chúng tôi rất muốn cho bạn thấy bộ truyền động của chúng tôi và
bàn tay chức năng, nhưng trước khi chúng tôi làm điều này, tôi muốn giới thiệu Malcolm, người sẽ nói một chút
Cơ sở cấu trúc robot của chúng tôi [vỗ tay]
Cảm ơn rất nhiều.
Tesla có khả năng hoàn thành các hệ thống rất phức tạp - nó thực sự phức tạp hơn nhiều so với các vụ tai nạn bạn thấy
Đây là một vụ va chạm mô phỏng trên Model 3, chồng lên đỉnh của vụ va chạm vật lý thực tế
Thật ra, thật không thể tin được nó chính xác đến mức nào chỉ để cho bạn hiểu được sự phức tạp của mô hình này
Nó bao gồm mỗi máy giặt Bolton nút mỗi hàn điểm và nó có 35 triệu độ tự do, điều này thật tuyệt vời
Thật vậy, nếu chúng ta không có một chiếc xe như vậy, chúng ta sẽ không thể tạo ra chiếc xe an toàn nhất thế giới".
Vì vậy, chúng ta có thể sử dụng khả năng và phương pháp của mình từ phía ô tô để gây ảnh hưởng đến robot không?
Chúng tôi có thể làm một mô hình bởi vì chúng tôi có phần mềm crash và chúng tôi sử dụng cùng một phần mềm ở đây và chúng tôi có thể làm cho nó crash
Mục đích của việc này là để đảm bảo rằng nếu nó rơi trong điều kiện lý tưởng, nó sẽ không rơi, nhưng đó là tổn thương bề mặt.
Ví dụ, chúng tôi không muốn phá vỡ hộp số trên cánh tay của nó, tương đương với trật khớp vai robot
Thật khó khăn và tốn kém để sửa chữa, vì vậy chúng tôi muốn phủi bụi và tiếp tục làm một công việc đã hoàn thành.
Nếu chúng ta cũng có thể áp dụng cùng một mô hình và chúng ta có thể điều khiển bộ truyền động bằng cách sử dụng đầu vào từ mô hình đã được giải quyết trước đó
Biến nó thành hiện thực, đó là tạo ra hành động cho nhiệm vụ mà chúng ta muốn robot thực hiện.
Nhiệm vụ là nhặt các hộp, quay lại và ngồi xổm lên cầu thang, bất cứ nhiệm vụ nào chúng ta có thể chơi
Mô hình này chỉ cho thấy đi bộ đơn giản, chúng ta có thể tạo ra áp lực trong tất cả các thành phần giúp chúng ta
Tối ưu hóa các thành phần. Đây không phải là robot khiêu vũ.
Trên thực tế, hành vi khuôn mẫu là năm mô hình hàng đầu của robot, thường khi con người chế tạo robot, họ đảm bảo
Chế độ đầu tiên là gần chữ số duy nhất trên cùng, lên đến 10 Hz
Ai đã làm điều này để làm cho việc kiểm soát đi bộ dễ dàng hơn, đi bộ khó khăn nếu bạn không thể đảm bảo
Chân bạn lắc lư ở đó, điều này có thể tạo ra một robot và chúng tôi muốn tạo ra hàng ngàn, thậm chí hàng triệu
Chúng tôi không có sự sang trọng để làm cho họ từ sợi carbon titan, chúng tôi muốn làm cho họ từ nhựa, nhưng không
Quá cứng nhắc, vì vậy chúng tôi không thể có những mục tiêu cao mà tôi gọi là mục tiêu ngu ngốc
Chúng ta phải để họ làm việc với các mục tiêu thấp hơn, và nếu bạn nghĩ về nó, điều đó có tốt không?
Cái này, nhưng chúng tôi chỉ là những túi thạch và xương ướt, và nếu tôi đứng trên đó, chúng tôi không thường xuyên
Chân tôi không rung ở tần số 10 hertz và chúng tôi làm việc ở tần số thấp, vì vậy chúng tôi
Nó chỉ làm cho việc kiểm soát trở nên khó khăn hơn, vì vậy chúng tôi lấy thông tin từ nó, dữ liệu phương thức
độ cứng và đưa nó vào hệ thống điều khiển để nó có thể đi bộ
Chỉ cần thay đổi thuế một chút nhìn vào đầu gối chúng ta có thể lấy cảm hứng từ
Sinh học, chúng ta có thể nhìn vào lợi thế cơ học của đầu gối là gì, và hóa ra nó thực sự đại diện cho
Tương tự như liên kết bốn thanh, điều này rất phi tuyến tính, điều này không đáng ngạc nhiên vì nếu
Bạn nghĩ rằng khi bạn uốn cong chân xuống, đầu gối của bạn sẽ có mô-men xoắn lớn hơn nhiều so với khi bạn uốn cong.
thẳng, vì vậy bạn sẽ mong đợi một chức năng phi tuyến tính, trong thực tế, sinh học là phi tuyến tính
Điều này rất phù hợp với nó, vì vậy đây là bốn
Các liên kết rõ ràng không phải là bốn liên kết vật lý, như tôi đã nói, các tính năng tương tự, nhưng tôi cá rằng đó là
Không khoa học lắm, hãy khoa học hơn một chút, chúng tôi đã hoàn thành tất cả các nhiệm vụ thông qua biểu đồ này, nhưng điều này
Nó cho thấy những người đi bộ ngồi xổm và tôi nói về nhiệm vụ mà chúng tôi đang làm dưới áp lực và đó là cảnh nói chuyện.
Đầu gối chống lại đầu gối uốn cong trên trục ngang, điều này cho thấy yêu cầu đầu gối phải thực hiện tất cả các chuyển động này
Nhiệm vụ, sau đó lướt sóng trên đỉnh núi, đó là những gì cần thiết
Hãy để robot thực hiện các nhiệm vụ này.
Nếu chúng ta nhìn vào bốn liên kết, nó thực sự là một đường cong màu xanh lá cây, nó nói
Bốn liên kết thực sự tuyến tính hóa các đặc tính của lực, thực sự làm giảm lực
Đó là lý do tại sao bộ truyền động có lực thấp nhất có thể, lực hiệu quả nhất mà chúng ta muốn tiêu thụ năng lượng từ từ.
Đường cong màu xanh là gì, đường cong màu xanh thực sự là, nếu chúng ta không có liên kết bốn thanh, chúng ta chỉ có một cánh tay
Mở rộng chân của tôi với một thiết bị truyền động trên đó, một liên kết hai thanh đơn giản
Đây là điều tốt nhất bạn có thể làm với một liên kết hai đơn giản cho thấy rằng điều này sẽ được thực hiện trong
Thiết bị truyền động không hiệu quả, vậy nó sẽ trông như thế nào trong thực tế
Bạn sẽ thấy tốt, nhưng nó được quấn chặt trong đầu gối của bạn và bạn sẽ thấy một tốt đẹp
Sau một giây, bạn sẽ thấy kết nối đầy đủ, nó chạy trên bộ truyền động, được tạo ra bởi
Lực và dịch chuyển trên thiết bị truyền động, bây giờ chuyển bạn đến accordion
Vì vậy, tôi muốn nói chuyện với bạn về quy trình thiết kế và bộ truyền động
Danh mục đầu tư, uh, trong robot của chúng tôi, nên......
Ô tô và robot Khi nói đến thiết kế hệ thống truyền động, điều quan trọng nhất ở đây là chất lượng năng lượng và chi phí
Từ ô tô đến robot, hầu hết kinh nghiệm thiết kế của chúng tôi đều được truyền lại.
Vì vậy, trong trường hợp cụ thể, bạn sẽ thấy một chiếc xe với hai đơn vị ổ đĩa
Được sử dụng để tăng tốc hoặc lái xe với tốc độ từ 0 đến 60 dặm/giờ
Các thành phố điều khiển các trang web trong khi robot có 28 thiết bị truyền động và
Không rõ nhiệm vụ ở cấp độ chấp hành là gì, vì vậy chúng tôi có những nhiệm vụ như vậy
Là cấp độ cao hơn, chẳng hạn như đi bộ, leo cầu thang hoặc mang theo vật nặng, tất cả đều cần được chuyển đổi thành
hợp thành các thông số kỹ thuật chung, vì vậy chúng tôi sử dụng mô hình của chúng tôi
Tạo mô-men xoắn cho các khớp của chúng tôi - quỹ đạo tốc độ
Sau đó nó sẽ được nhập vào mô hình tối ưu hóa của chúng tôi và chạy
Quá trình tối ưu hóa là
Robot có thể xoay và đi bộ, vì vậy khi chúng ta có tốc độ mô-men xoắn này
Chúng tôi đã vẽ đường đi trên biểu đồ hiệu quả của bộ truyền động và chúng tôi có thể đi theo
Quỹ đạo tạo ra tiêu thụ năng lượng và tích lũy năng lượng
Mối quan hệ giữa năng lượng và thời gian của nhiệm vụ để chúng ta có thể xác định hệ thống
Chi phí của một thiết bị truyền động cụ thể và đặt một điểm đơn giản vào đám mây, sau đó chúng tôi làm điều đó
Đây là hàng trăm ngàn thiết bị truyền động thu được bằng cách giải quyết trong cụm của chúng tôi, với đường màu đỏ cho thấy biên giới Pareto
Đây là khu vực ưa thích mà chúng tôi sẽ tìm kiếm khu vực tốt nhất, vì vậy X có nghĩa là
Chúng tôi đã chọn thiết kế thiết bị truyền động ưa thích cho khớp cụ thể này, vì vậy bây giờ chúng tôi cần làm điều đó cho mỗi khớp
có 28 khớp để tối ưu hóa và chúng ta phân tích đám mây chúng ta phân tích Đám mây lần nữa cho mỗi khớp
Và trục đỏ lần này biểu thị thiết kế thiết bị truyền động đầu tiên cho mọi người.
Vấn đề ở đây là chúng ta có quá nhiều thiết kế truyền động độc đáo và
Ngay cả khi chúng ta tận dụng lợi thế của Symmetry vẫn còn quá nhiều để tạo ra thứ gì đó.
sản xuất chúng tôi cần có khả năng giảm số lượng thiết kế truyền động độc đáo do đó chúng tôi đã chạy một cái gì đó
là nghiên cứu bình thường mà chúng ta phân tích lại Mây của chúng ta lần này.
Thiết bị chấp hành đồng thời đáp ứng yêu cầu hiệu suất chung cho nhiều hơn một khớp cùng lúc so với
Kết quả đầu tư là 6 bộ truyền động và chúng hiển thị trong một màu sắc bản đồ con số giữa
Và các thiết bị truyền động cũng có thể được xem trong slide này, chúng ta có 3 vòng quay và
3 thiết bị truyền động thẳng hàng đều có lực lượng sản lượng lớn hoặc Torque mỗi khối lượng
Thiết bị truyền động quay đặc biệt có bộ ly cơ khí được tích hợp trên liên lạc góc cạnh tốc độ cao
Quả bóng và mặt tốc độ cao và tốc độ thấp.
mang và bánh răng là một loại dụng cụ sóng và có ba cảm biến tích hợp
Đây và cái máy nam châm vĩnh cửu của thiết bị truyền động thẳng
Tôi rất tiếc là thiết bị truyền động tuyến tính có những con lăn hành tinh và một hành tinh đảo ngược.
Là một đoàn xe thiết bị cho phép hiệu quả và tính toán và độ bền
để chứng minh khả năng của lực lượng vận động hành động tuyến tính của chúng ta.
đã lập một thí nghiệm để kiểm tra nó dưới những giới hạn của nó
Và tôi sẽ cho các bạn thưởng thức video này.
Vậy bộ truyền động có thể nhấc máy.
Nửa âm 9 mét hòa tấu piano vĩ đại
và
Đây là một yêu cầu nó không phải là thứ hay để có bởi vì cơ bắp của chúng ta có thể làm
Giống nhau khi chúng được điều khiển trực tiếp khi chúng bị điều khiển trực tiếp hoặc các cơ bắp có thể làm điều tương tự.
Đầu gối là một hệ thống liên kết bị liên kết.
vào vận tốc ở cuối ngọn đồi của chúng ta vì mục đích tạo ra cho
sự nhanh nhẹn của cơ thể con người nên đây là một trong những điều tuyệt vời về cơ thể con người và tôi là
Tôi muốn được chào đón đồng nghiệp Mike của tôi, người sẽ nói chuyện với anh về bàn tay
Thiết kế cảm ơn bạn rất nhiều cảm ơn
Vậy chúng ta mới thấy một con người mạnh thế nào và một con người có thể trở nên như thế nào.
Con người cũng cực kỳ khéo léo, con người có khả năng di chuyển
ở 300 độ mỗi giây nó có hàng chục ngàn cảm biến xúc giác
và nó có khả năng nắm bắt và điều khiển hầu hết mọi vật thể trong cuộc sống hàng ngày của chúng ta
cho thiết kế robot của chúng ta được lấy cảm hứng từ sinh học chúng ta có năm ngón tay
Ngón tay của chúng ta được điều khiển bởi các gân kim loại vừa linh hoạt và mạnh mẽ chúng ta có khả năng hoàn thành rộng rãi
Gradient độ cao khẩu độ trong khi cũng được tối ưu hóa để hấp thu chính xác các đối tượng nhỏ và tinh tế nhỏ.
Vậy tại sao con người như bàn tay robot, lý do chính là nhà máy của chúng ta và thế giới xung quanh chúng ta.
thiết kế là ergonomic vậy nghĩa là nó đảm bảo cho các vật thể trong nhà máy của chúng ta có thể lấy được
Nhưng nó cũng đảm bảo rằng những vật thể mới mà chúng ta có thể chưa bao giờ thấy trước đây có thể bị con người chạm vào và bởi chúng ta
Cánh tay robot cũng khá thú vị bởi vì nó nói rằng những vật này được thiết kế cho bàn tay của chúng ta
thay vì phải thay đổi bàn tay của chúng tôi để đi cùng đối tượng mới
Một số thông tin cơ bản về bàn tay của chúng ta là có 6 cơ cấu chấp hành và 11 độ tự do nó có một bộ điều khiển trong đó
chạy các ngón tay và nhận cảm biến phản hồi cảm biến thực sự quan trọng đối với
tìm hiểu thêm về các đối tượng mà chúng ta đang gặm cỏ và cũng là khả năng để chúng ta nhận ra ở đâu
tay chúng ta đang ở trong không gian một trong những khía cạnh quan trọng của bàn tay là nó thích ứng được khả năng thích ứng này
có liên quan đến cơ bản là cơ chế phức tạp cho phép bàn tay thích ứng với các đối tượng đang được ghép
Một phần quan trọng khác là chúng ta có một ngón tay không thể quay lại.
và vận chuyển vật thể mà không cần phải bật lại động cơ tay mà bạn vừa nghe chúng tôi đi
Chúng tôi đã thiết kế phần cứng của Tesla Hardware bây giờ chúng tôi sẽ giao nó cho Milan và nhóm tự chủ của chúng tôi để mang thứ này
Người máy có thể cảm ơn
Tất cả những điều tuyệt vời mà chúng tôi đã trình bày trước đó trong video đã được đăng tải.
Có thể chỉ trong vài tháng, nhờ có một từ tuyệt vời mà chúng ta đã thực hiện chế độ lái tự động trong vài năm qua.
Hầu hết các thành phần này được chuyển sang môi trường Bots nếu bạn nghĩ vê ̀ nó chúng tôi đang di chuyển
Từ một robot trên bánh xe đến một con robot ở chân nên một số thành phần khá giống nhau và một số yêu cầu khác
Kích thích nặng hơn, ví dụ mạng neural neural của máy tính
báo cáo trực tiếp từ lái tự động đến tình hình Bots.
chúng ta đang nói chuyện chi tiết hơn nữa với đội lái tự động giờ đang chạy trên con robot ở đây
Video này chỉ có thay đổi thực sự là dữ liệu huấn luyện mà chúng tôi phải nhớ lại
chúng tôi cũng đang tìm cách cải thiện các mạng thuê ́ này bằng cách sử dụng công việc trên trường Radiance của bạn để lấy
hình vẽ tích cực lớn của môi trường Boots cho ví dụ ở đây một số
máy đọc mà bot có thể phải tương tác với
một vấn đề thú vị khác để nghĩ đến là trong môi trường trong nhà chủ yếu là với ý thức của tín hiệu GPS như thế nào
chuẩn bị đi đến địa điểm tìm thấy trạm sạc gần nhất nên chúng ta đã được huấn luyện.
thêm nhiều mạng neuron để xác định tần số cao các điểm then chốt bên trong
Bots camera stream và theo dõi chúng qua nhiều khung thời gian khi bot hướng đến môi trường của nó
Và chúng ta đang sử dụng những điểm đó để ước lượng tốt hơn về tư thế và quỹ đạo trong môi trường của nó.
Nó đang đi bộ, chúng tôi cũng đã làm một số việc.
Mô phỏng mô phỏng theo đúng nghĩa đen mà chúng ta đã tích hợp quá trình chuyển đổi của robot
Và đây là video của mã điều khiển chuyển động chạy trong trình mô phỏng mô phỏng toán tử cho thấy
Sự tiến hóa của robot đi lại theo thời gian và như bạn có thể thấy chúng ta bắt đầu khá chậm trong tháng 4 và bắt đầu tăng tốc
Khi chúng ta mở khóa nhiều khớp hơn và kỹ thuật nâng cao hơn như là cân bằng vũ khí trong vài tháng qua
Quá trình này rất khác biệt khi chúng ta chuyển từ xe sang Boots.
và vì vậy tôi nghĩ rằng nó có chiều sâu hơn một chút và tôi muốn các đồng nghiệp bắt đầu nói về điều này
nước ngoài
Chào mọi người, tôi là kỹ sư robot trong dự án và tôi sẽ nói về việc đi bộ
Có vẻ dễ dàng khi người ta làm điều đó mỗi ngày anh không cần phải nghĩ về nó.
nhưng có một số khía cạnh của việc đi lại đang thách thức từ góc độ kỹ thuật ví dụ
Nhận thức về thể chất có nghĩa là có một đại diện tốt cho bản thân, độ dài của chân tay bạn là gì
khối lượng tay chân của bạn có kích thước của bàn chân bạn, tất cả các vấn đề cũng có một cổng hiệu quả năng lượng bạn
có thể tưởng tượng có những phong cách đi bộ khác nhau và tất cả đều hiệu quả như nhau
Cân bằng quan trọng nhất không rơi và dĩ nhiên cũng phối hợp chuyển động
Tất cả các chi của anh cùng nhau làm tất cả những điều này một cách tự nhiên nhưng là kỹ sư hay các nhà máy móc chúng ta có
nghĩ về những vấn đề này và nếu tôi sẽ cho bạn thấy cách chúng ta giải quyết chúng trong việc lập kế hoạch và kiểm soát dịch chuyển của chúng ta
Nên chúng ta bắt đầu với kế hoạch chuyển động và đại diện của liên kết.
nghĩa là mô hình động lực học động lực học của robot và các tính chất liên lạc và sử dụng mô hình đó và mong muốn
Ðường dẫn cho nhà quy hoạch Locomotion của chúng ta tạo ra quỹ đạo tham chiếu cho toàn bộ hệ thống
điều này có nghĩa là quỹ đạo khả thi liên quan đến giả định mô hình của chúng ta
Planner hiện đang làm việc trong ba giai đoạn nó bắt đầu lên kế hoạch bước chân và kết thúc với toàn bộ hệ thống ảnh chuyển động
Hãy lặn sâu hơn một chút về cách hoạt động của nó trong đoạn video chúng ta thấy bước chân đang được lên kế hoạch
Chân trời theo đường dẫn mong muốn và chúng ta bắt đầu tư ̀ đây và thêm vào đó
Quỹ đạo kết nối những bước chân này sử dụng ngón chân và tấn công giống như con người như con người.
và điều này cho chúng ta một bước tiến lớn hơn và ít uốn cong hơn cho hiệu quả cao của hệ thống
Giai đoạn cuối cùng là tìm một trung tâm của quỹ đạo khối lượng cho chúng ta một chuyển động khả thi tính động của
Toàn bộ hệ thống giữ thăng bằng như chúng ta đều biết kế hoạch tốt nhưng chúng ta
Cũng phải nhận ra chúng trong thực tế, hãy nói là cậu biết cách chúng ta có thể làm điều này.
[Tiếng vỗ tay] Cảm ơn Felix xin chào mọi người.
Anand và tôi sẽ nói với anh về việc kiểm soát nên hãy lên kế hoạch chuyển động của Felix.
Vừa nói và đặt nó vào thế giới thực trên một con robot thực sự để xem chuyện gì sẽ xảy ra.
Nó cần một vài bước và ngã xuống giếng có một chút thất vọng.
Nhưng chúng ta thiếu một vài mảnh chìa khóa ở đây sẽ làm cho nó hoạt động.
Như Felix đã đề cập đến kế hoạch chuyển động đang sử dụng một phiên bản lý tưởng hóa của
bản thân và một phiên bản của thực tế xung quanh nó không chính xác
nó cũng thể hiện ý định của nó thông qua quỹ đạo và các nhánh của nó.
Lực lượng và hành tinh mà nó muốn phát huy trên thế giới này.
thực tế lại phức tạp hơn bất kỳ mô hình tương tự nào cũng không phải là robot
Đơn giản hóa nó có rung động và chế độ tuân thủ tiếng cảm biến và trên và trên
và trên thế giới thực, khi bạn đặt robot trong thế giới thực
Các lực lượng bất ngờ gây ra những động lực không được mô phỏng mà về cơ bản là người lập kế hoạch không biết và rằng
làm cho sự mất ổn định đặc biệt là cho một hệ thống tự động ổn định như vận động biped
Vậy chúng ta có thể làm gì với nó, chúng ta đo lường thực tế chúng ta sử dụng cảm biến và sự hiểu biết
Thế giới hãy tính toán tình trạng và tình trạng của nhà nước với tôi ở đây bạn có thể thấy thái độ và xương chậu thế nào
về cơ bản là hệ thống hình cầu trong một con người cùng với trung tâm của quỹ đạo khối lượng được theo dõi khi robot đi bộ
trong môi trường văn phòng bây giơ ̀ chúng ta có tất cả các mảnh chúng ta cần
để đóng vòng lặp lại để chúng ta sử dụng mô hình bot tốt hơn của chúng ta sử dụng sự hiểu biết về thực tại
Chúng ta đã đạt được thông qua sự ước tính của Bang và so sánh những gì chúng ta muốn so với những gì chúng ta mong đợi.
Thực tế đang thực hiện với chúng ta để thêm hiệu chỉnh cho hành vi của
Robot ở đây người máy chắc chắn không đánh giá cao việc bị đánh lừa nhưng không có gì.
Một công việc đáng nể để đứng thẳng vào điểm cuối cùng này là một con robot.
Đi bộ là không đủ chúng ta cần dùng tay và cánh tay của nó.
Hãy nói về sự thao túng
[Tiếng vỗ tay]
Xin chào mọi người tên tôi là kỹ sư robot Eric. Tôi muốn nói chuyện
Về việc chúng ta đã làm cho robot điều khiển mọi thứ trong thế giới thực chúng ta muốn thao túng các vật thể.
Nhìn càng tự nhiên càng tốt và nhanh chóng đến mức chúng ta đã làm
Chúng ta đã phá vỡ quá trình này thành 2 bước đầu tiên là tạo ra một thư viện tham khảo chuyển động tự nhiên hoặc chúng ta có thể
Hãy gọi chúng là biểu tình và sau đó chúng ta đã chuyển đổi các tham chiếu chuyển động trực tuyến với thế giới hiện tại
Vậy hãy nói rằng chúng ta có một cuộc biểu tình của con người về việc chọn một vật thể mà chúng ta có thể nhận được một chuyển động của nó
thao tác được hiển thị ngay đây như một loạt các khung khóa thể hiện các vị trí của bàn tay
Cung điện Torso chúng ta có thể lập bản đồ cho robot bằng cách sử dụng hệ thống động học nghịch đảo và nếu chúng ta thu thập một
Bây giờ chúng ta có một thư viện chúng ta có thể làm việc với nhưng một minh chứng đơn giản là không phải
có thể tổng quát được với sự thay đổi trong thế giới thực, ví dụ như thế này chỉ là làm việc cho một cái hộp rất đặc biệt
vị trí mà chúng ta đã làm là chạy các quỹ đạo tham chiếu này qua một
Chương trình tối ưu hóa quỹ đạo quyết định nơi tay phải cân bằng như thế nào
trong khi nó cần điều chỉnh chuyển động đến thế giới thực.
Nếu hộp này ở trong vị trí này thì vị trí tối ưu sẽ tạo ra cái này.
thay vào đó Milan sẽ nói về uh
Tiếp theo là gì cho Optimus uh Tesla y cảm ơn Larry
Hi vọng là bây giờ các cậu có một ý tưởng tốt về những gì chúng ta đã trải qua vài tháng qua
Um, chúng tôi bắt đầu làm những việc có thể sử dụng nhưng nó không phải là hữu ích, vẫn còn một con đường dài và thú vị.
Tôi nghĩ điều đầu tiên trong vài tuần tới là tìm Optimus ít nhất.
Với Bumble C, nguyên mẫu lỗi khác mà anh đã thấy trước đó và có lẽ là Beyond, chúng ta cũng sẽ bắt đầu.
tập trung vào việc sử dụng thật sự tại một trong những nhà máy của chúng tôi và thực sự cố gắng để đóng đinh nó và tôi đã hết tất cả
các yếu tố cần thiết để triển khai sản phẩm này trong thế giới thực tôi đã đề cập trước đó
Bạn biết điều khiển trong nhà để quản lý hay thậm chí phục vụ tất cả
các thành phần cần thiết để mở rộng sản phẩm này nhưng tôi không biết bạn nhưng sau khi
nhìn thấy những gì chúng ta đã chứng minh tối nay ... tôi chắc rằng chúng ta có thể làm được điều này trong vài tháng hoặc vài năm tới và tôi sẽ làm
sản phẩm này là hiện thực và thay đổi toàn bộ nền kinh tế nên tôi muốn cảm ơn toàn bộ đội Optimus về việc chăm chỉ
Mấy tháng vừa qua tôi nghĩ việc này thật tuyệt vời đã được hoàn thành trong vòng 6 hay 8 tháng.
rất nhiều [Vỗ tay]
Cám ơn mọi người
Chào, tôi là Ashok Tôi sẽ dẫn dắt đội lái tự động cùng với Milan Thượng đế nó sẽ rất khó để đứng đầu
Dù sao thì Optimus cũng sẽ cố gắng.
Mỗi Tesla đã được xây dựng trong vài năm qua, chúng tôi nghĩ có
Phần cứng để làm cho xe tự lái chúng ta đã làm việc trên phần mềm
tăng độ tự chủ cao hơn và cao hơn lần này khoảng năm ngoái chúng ta đã có
Khoảng 2 000 xe đang lái phần mềm FSD beta của chúng tôi kể từ đó chúng tôi có nhiều
cải thiện phần mềm là mạnh mẽ và khả năng mà hiện nay chúng tôi đã bán nó cho 160 000 khách hàng như hiện nay
[Tiếng vỗ tay]
Đây không phải là tự do, nó đến từ mồ hôi và máu của đội kỹ thuật trong một năm qua.
Ví dụ, chúng tôi đã đào tạo 75 000 mô hình mạng thần kinh chỉ mới được một năm.
Gần như là một mô hình mỗi tám phút mà bạn biết là ra khỏi đội và sau đó chúng ta đánh giá chúng trên diện rộng của chúng ta
Và sau đó chúng tôi tàu 281 của những mô hình đó thực sự cải thiện hiệu suất của chiếc xe
và không gian cải tiến này đang diễn ra trong ngăn xếp phần mềm lập kê ́ hoạch
Cơ sở hạ tầng các công cụ thậm chí thuê mọi thứ đang tiến triển lên cấp độ
phần mềm beta FSG khá có khả năng lái xe nó nên có thể định hướng từ
Bãi đỗ xe để xử lý việc CDC lái xe dừng đèn giao thông và ngừng các biển báo
thương lượng với các đối tượng tại các giao điểm làm thay đổi và vân vân
Tất cả những thứ này xuất phát từ các dòng máy quay đi qua mạng thần kinh của chúng ta, nó sẽ chạy trên chiếc xe đó.
không trở lại máy chủ hay bất cứ thứ gì nó chạy trên xe và tạo ra tất cả các đầu ra để hình thành mô hình thế giới
Xung quanh chiếc xe và phần mềm lập kế hoạch lái xe dựa trên đó
Hôm nay chúng ta sẽ đi vào rất nhiều thành phần tạo nên hệ thống Mạng lưới nghề nghiệp hoạt động như căn cứ.
lớp hình học của hệ này là hệ thần kinh video đa camera
mạng từ những hình ảnh dự đoán sự chiếm đóng đầy đủ của thế giới xung quanh
Người máy, để mọi thứ có thể xây dựng nên những bức tường của những chiếc xe.
Bạn có dự đoán rằng nó đặc biệt hiện tại nó dự đoán chúng cùng với chuyển động tương lai của chúng
trên đỉnh của hình học cơ sở này chúng ta có nhiều lớp ngữ nghĩa hơn.
định hướng đường chúng ta cần ống kính nhưng sau đó đường có rất nhiều
các làn đường khác nhau và chúng kết nối bằng mọi cách vì vậy nó thực sự là một vấn đề rất khó cho máy tính điển hình
kỹ thuật tầm nhìn để dự đoán tập hợp của máy bay và hệ kết nối của chúng để chúng ta đạt đến mọi ngôn ngữ
Công nghệ và sau đó kéo trạng thái của nghệ thuật từ các tên miền khác và không chỉ thị giác máy tính để thực hiện nhiệm vụ này.
Có thể cho xe cộ chúng ta cần nhà nước sơ đồ của chúng để kiểm soát chúng.
Tất cả những điều này trực tiếp đến từ các mạng lưới thần kinh video, những dòng video thô trở thành các mạng lưới.
về việc xử lý và sau đó đầu ra toàn bộ trạng thái động học mà vị trí vận tốc gây ra tình trạng gia tốc tất cả
trực tiếp ra khỏi các mạng lưới với quá trình xử lý tối thiểu mà thực sự hấp dẫn tôi bởi vì làm cách nào mà
Có khả năng cả thế giới này làm ta sống ở chỗ phép thuật này có thể là những mạng lưới dự đoán thứ tư
đạo hàm của những vị trí này khi người ta nghĩ chúng ta không thể phát hiện các đối tượng này
Ý kiến của tôi là nó không có miễn phí nó nó đòi hỏi hàng tấn dữ liệu nên chúng tôi đã có một chút ô tô phức tạp
các hệ thống thông qua dư ̃ liệu cảm biến thô chạy một tấn tính toán ngoại tuyến trên
máy chủ có thể mất vài giờ mạng lưới thần kinh đắt tiền vẫn là thông tin thành nhãn
-Mạng lưới thần kinh xe trên đỉnh chúng ta cũng dùng hệ thống mô phỏng để tổng hợp
tạo hình ảnh và vì nó là mô phỏng chúng ta có tất cả nhãn hiệu
tất cả những thứ này đi qua một đường ống dẫn động cơ dữ liệu được bôi trơn.
Đào tạo một mô hình cơ sở với một số dữ liệu nó cho xe xem những thất bại là gì và một khi bạn biết những thất bại
Chúng tôi yêu cầu hạm đội cho các trường hợp nó không thể cung cấp các nhãn hiệu đúng và thêm dữ liệu vào tập luyện tập luyện
Quy trình này sẽ sửa chữa một cách có hệ thống các vấn đê ̀ và chúng tôi làm mọi tác vụ chạy trong xe
Và để đào tạo mạng lưới thần kinh khổng lồ năm nay chúng ta mở rộng cơ sở hạ tầng đào tạo bằng cách gần như
40 đến 50% so với chúng ta khoảng 14 000 gpu hôm nay qua nhiều lần
Chúng tôi cũng làm việc trên trình biên dịch AI của chúng tôi.
Bây giơ ̀ hô ̃ trợ các thao tác mới cần thiết bởi các mạng thần kinh này và ánh xạ chúng cho loại tốt nhất của cơ sở
Tài nguyên phần cứng và động cơ suy luận của chúng tôi hôm nay có khả năng phân phối việc thực hiện
một mạng thần kinh duy nhất trên hai hệ thống độc lập trên tàu cơ bản là hai máy tính độc lập
trong máy tính tự lái xe và để làm được điều này chúng ta phải kiểm soát chặt chẽ
latency của hệ thống mới này vì vậy chúng tôi đã triển khai mã chương trình nâng cao hơn trên nền tảng FSD đầy đủ
Tất cả các mạng thần kinh này chạy trong xe cùng nhau tạo ra không gian vectơ lại là mô hình của
Thế giới xung quanh robot hay xe hơi và hệ thống lập kế hoạch hoạt động dựa trên những quỹ đạo đó
tránh va chạm hoặc làm trơn tiến triển hướng đến đích sử dụng kết hợp tối ưu hóa dựa trên mô hình
cộng với mạng thần kinh giúp tối ưu hóa nó thật sự nhanh
Hiện tại chúng tôi rất hào hứng để trình bày những tiến bộ trên tất cả những lĩnh vực mà chúng tôi có kỹ thuật dẫn đến
vào và giải thích những khối này và sức mạnh này không chỉ là chiếc xe nhưng cũng những thành phần tương tự cũng chạy trên chiếc Optimus
Robot mà Milan đã trình bày trước đó, tôi hoan nghênh bảng điều khiển để bắt đầu nói về phần lập kế hoạch
Chào tất cả những gì tôi có thể sử dụng tình huống giao điểm này
lặn thẳng vào cách chúng ta thực hiện việc lập kế hoạch và ra quyết định ở chế độ tự động để chúng ta đang tiếp cận giao lộ này
từ một đường phố và chúng ta phải nhường đường cho tất cả các phương tiện vượt qua đúng như chúng ta sắp bước vào
Giao điểm của người đi bộ ở phía bên kia của giao lộ quyết định băng qua đường.
Không có đường băng bây giờ chúng ta phải nhường chỗ cho người đi bộ này cho xe từ bên phải và
cũng hiểu mối quan hệ giữa Người đi bộ và xe ở phía bên kia của giao lộ
vậy là rất nhiều phụ thuộc vào trong các đối tượng mà chúng ta cần giải quyết ngay lập tức
và con người thực sự rất giỏi trong việc này chúng ta nhìn vào một khung cảnh hiểu tất cả các tương tác có thể đánh giá cao nhất
Những người có triển vọng và thường kết thúc bằng việc lựa chọn một
Hãy nhìn vào một vài tương tác mà hệ thống lái tự động đánh giá chúng ta có thể đã đi trước vụ này.
Người đi bộ với khởi đầu rất hung dữ trong hồ sơ giờ, rõ ràng chúng ta đang trở thành một tên khốn với
Người đi bộ và chúng tôi sẽ đánh lừa Người đi bộ và thú cưng dễ thương của anh ta chúng tôi có thể đã di chuyển rất chậm.
cho một khoảng trống giữa người đi bộ hoặc chiếc xe từ bên phải trở lại chúng tôi đang trở thành một tên khốn cho xe
Đến từ bên phải nhưng bạn không nên từ chối hoàn toàn tương tác này trong trường hợp này chỉ là tương tác an toàn có sẵn
Cuối cùng, sự tương tác mà chúng ta đã quyết định ở lại chậm hơn
Lỗ hổng và sau đó hoàn thành sau khi tất cả các đặc vụ đi qua.
Bây giờ đánh giá tất cả các tương tác này là không tầm thường khi bạn quan tâm đến người mẫu
các dẫn xuất bậc cao hơn cho các tác nhân khác ví dụ những gì là longitudinal
Theo yêu cầu của xe từ bên phải khi bạn khẳng định trước nó dựa hoàn toàn vào việc kiểm tra va chạm với
Dự đoán mô-đun sẽ chỉ đưa bạn đến mức bạn sẽ bỏ lỡ rất nhiều tương tác hợp lệ
Về cơ bản, chuyện này sôi động để giải quyết một vấn đề quy hoạch quỹ đạo đa đại diện về quỹ đạo của cái tôi và
Tất cả các đặc vụ khác bây giờ là bao nhiêu tất cả các bạn tối ưu hóa sẽ là một giới hạn cho tốc độ nhanh của bạn
Sự cô ́ tối ưu hóa sự cô ́ này sẽ là gần để đạt được 10 mili giây ngay cả sau nhiều thời gian xấp xỉ ́
Bây giơ ̀ bạn có hơn 20 đối tượng mỗi khi bạn có nhiều hơn 20 đối tượng
Đối tượng có nhiều chế độ khác nhau trong tương lai số lượng kết hợp tương tác liên quan sẽ nổ
chúng ta cần phải quyết định mỗi 50 phần nghìn giây để giải quyết vấn đề này trong thời gian thực.
chúng ta dựa vào một khuôn khổ mà chúng ta gọi là tìm kiếm tương tác cơ bản là một nghiên cứu song song với một nhóm
quỹ đạo cơ động của không gian trạng thái ở đây tương ứng với trạng thái động của cái tôi động học
trạng thái của các tác nhân khác trong tương lai nhiều dự đoán đa phương thức và tất cả các thực thể tĩnh tại hiện trường
Không gian hành động là nơi mọi thứ thú vị chúng ta sử dụng một tập hợp quỹ đạo cơ động
Các ứng cử viên cho chi nhánh qua một loạt các quyết định tương tác và cũng là mục tiêu gia tăng trong một thời gian dài
Thao tác cơ động chân trời Hãy đi qua nghiên cứu này rất nhanh để có được cảm giác về cách nó hoạt động
chúng ta bắt đầu bằng một tập hợp các phép đo thị giác cụ thể Lanes bắt đầu di chuyển các đối tượng được thể hiện là
chiết xuất thưa thớt cũng như các tính năng tiềm ẩn chúng ta sử dụng điều này để tạo ra mục tiêu
Các ứng cử viên Lanes một lần nữa từ Mạng lưới các làn đường hoặc các vùng không cấu trúc
Một mặt nạ xác suất có nguồn gốc từ các cuộc biểu tình của con người một khi chúng ta có
Các ứng cử viên chúng ta tạo ra quỹ đạo hạt giống bằng cách kết hợp các phương pháp tối ưu hóa cổ điển
Người lập kế hoạch mạng một lần nữa được đào tạo về dữ liệu từ thức ăn của khách hàng ngay khi chúng tôi có được một đống miễn phí
xa quỹ đạo chúng ta sử dụng chúng để bắt đầu phân nhánh trên tương tác chúng ta tìm thấy tương tác quan trọng nhất
trong trường hợp này, đây sẽ là sự tương tác với Người đi bộ dù chúng ta khẳng định trước mặt nó hay đầu hàng.
Hiển nhiên, lựa chọn bên trái là một hình phạt cao, nó có khả năng sẽ không bị ưu tiên nên chúng ta phải đi xa hơn.
lựa chọn bên phải và đó là nơi chúng tôi mang đến nhiều tương tác phức tạp hơn để xây dựng tối ưu hóa
Vấn đê ̀ gia tăng liên quan nhiều hơn và nhiều ràng buộc hơn và nghiên cứu đã giư ̃ lại các nhánh trên phân nhánh
trên nhiều mục tiêu giơ ̀ đây là rất nhiều thủ đoạn đánh giá từng nút này
của nghiên cứu bên trong từng nút ban đầu chúng tôi bắt đầu với việc tạo
quỹ đạo sử dụng phương pháp tối ưu hóa cổ điển, nơi mà những ràng buộc như tôi mô tả sẽ được thêm vào
Và điều này sẽ rất gần với 1-5 mili giây mỗi hành động ngay cả khi điều này là khá tốt
sô ́ khi bạn muốn đánh giá hơn 100 tương tác này không quy mô
cho nên chúng tôi kết thúc việc xây dựng mạng giả mạo có thể truy vấn được mà bạn có thể chạy trong vòng lặp của người lập kế hoạch
các mạng này được đào tạo về các cuộc biểu tình của con người từ hạm đội cũng như máy giải quyết ngoại tuyến với giới hạn về thời gian
với cái này chúng tôi có thể hạ thời gian chạy xuống còn gần 200 micro giây mỗi hành động
Hãy làm điều này một mình là không đủ bởi bạn vẫn có một cuộc nghiên cứu lớn mà bạn cần phải đi
thông qua và bạn cần phải loại bỏ hiệu quả không gian tìm kiếm nên bạn cần phải làm gì khi ghi vào từng mục
Những quỹ đạo này rất ít trong số đó là tiêu chuẩn bạn thực hiện một loạt các kiểm tra va chạm làm một đống phân tích sự thoải mái.
thực sự cần thiết cho một cơ động nhất định dữ liệu Hạm đội của khách hàng đóng vai trò quan trọng ở đây
chúng ta chạy hai tập của các mạng thay đổi nhẹ một lần nữa thực sự tăng cường cho nhau một trong số chúng được đào tạo từ
Các can thiệp từ FST beta Fleet đưa ra điểm số về khả năng sẽ kết quả là như thế nào.
Các can thiệp trong vài giây tiếp theo và thứ hai hoàn toàn trên các cuộc biểu tình của con người.
Điểm của bạn đóng vai trò hành động đã chọn vào quỹ đạo của con người
Ghi bàn giúp chúng ta loại bỏ không gian tìm kiếm tiếp tục phân nhánh hơn nữa trên các tương tác và tập trung tính toán vào
Kết quả đầy hứa hẹn nhất của phần mát mẻ về chuyện này
Kiến trúc là nó cho phép chúng ta tạo ra một sự pha trộn tuyệt vời giữa dữ liệu hướng đến nơi bạn
không phải dựa vào rất nhiều chi phí nhân tạo mà còn phải dựa vào thực tế với kiểm tra dựa trên vật lý
Bây giờ rất nhiều những gì tôi đã mô tả là sự tôn trọng với các đặc vụ chúng ta có thể quan sát tại hiện trường nhưng điều tương tự
Khung hình mở rộng cho các đối tượng phía sau các phân đoạn chúng ta sử dụng video ăn từ tám máy ảnh
để tạo định vị 3D của thê ́ giới tương ứng với mặt nạ xanh
khu vực hiển thị mà chúng tôi gọi nó là nó bị chặn ở đầu tiên
Chúng ta tiêu thụ mặt nạ tầm nhìn này để tạo ra cái mà chúng ta gọi là đồ vật mà cậu.
Có thể nhìn thấy ở phía trên bên trái ngay bây giờ nếu bạn làm mẫu các vùng sinh sản và sự chuyển tiếp trạng thái của bóng ma
các đối tượng chính xác nếu bạn điều chỉnh phản hồi của bạn là một
Chức năng của sự tồn tại đó khả năng có thể giải quyết một số hành vi thực sự tốt đẹp
Bây giờ tôi sẽ thay thế nó để mô tả thêm về cách chúng ta tạo ra các mạng sống này.
Tôi là Phil, tôi sẽ chia sẻ chi tiết về mạng nghề nghiệp chúng tôi xây dựng trong năm qua.
mạng này là giải pháp của chúng tôi để mô hình hóa các công việc vật lý trong 3D xung quanh ô tô của chúng tôi và nó hiện không được hiển thị trong
khách hàng phải đối mặt với hình ảnh hóa và những gì chúng ta sẽ thấy ở đây là đầu ra Network Network từ công cụ Dev nội bộ
Mạng nghề nghiệp lấy băng video của tất cả 80 máy ảnh của chúng ta như đầu vào tạo ra một năng lượng thống nhất thống nhất
Vị trí chiếm dụng trong không gian Vector trực tiếp cho mọi vị trí 3D xung quanh xe của chúng tôi
dự đoán xác suất của vị trí đó bị chiếm giữ rất nhiều vì nó có liên hệ với video
có khả năng dự đoán những trở ngại bị ẩn mình ngay lập tức
cho mỗi địa điểm nó cũng tạo ra một tập hợp ngữ nghĩa như lề đường cho người đi xe
và các mảnh vụn thấp được mã hóa ở đây
Dòng chảy nghề cũng được dự đoán cho chuyển động kể từ khi mô hình là một mạng tổng quát.
nó không nói rõ các đối tượng động và năng động rõ ràng nó có thể sản xuất và
Mô hình các chuyển động ngẫu nhiên như máy bay huấn luyện ở đây
mạng này hiện đang chạy trong toàn bộ Teslas với máy tính FSD và nó là
Nó cực kỳ hiệu quả trong 10 mili giây với máy gia tốc của chúng ta
Vậy làm thế nào để công việc này để xem xét kiến trúc trước tiên chúng ta chỉnh sửa mỗi hình ảnh máy ảnh với
Hiệu chỉnh máy ảnh và các hình ảnh được hiển thị ở đây được đưa cho mạng thực sự không phải là
hình ảnh RGB 8-bit điển hình như bạn có thể thấy từ hình ảnh đầu tiên trên đầu chúng ta
Đưa hình ảnh thô sơ 12 bit cho mạng kể từ khi nó có 4
bits bit thêm thông tin nó có phạm vi năng động tốt hơn 16 lần cũng như giảm
latency vì chúng ta không có sai ISP trong Adobe nữa chúng ta sử dụng tập hợp bản ghi và quay lại với
FPS như một xương sống để trích xuất các tính năng không gian hình ảnh tiếp theo chúng ta xây dựng một tập hợp vị trí
Truy vấn cùng với các tính năng không gian IMG như các khóa và giá trị phù hợp với mô-đun chú ý
Đầu ra của mô-đun chú ý là các tính năng không gian cao
các tính năng đặc biệt này được liên kết tạm thời bằng cách sử dụng ô
để đưa ra chuyển động cuối cùng tính năng không gian này đi
qua một tập hợp D kết hợp để tạo ra sản xuất cuối cùng và đầu ra luồng công.
Chúng được hình thành như một màu xám cố định có thể không đủ chính xác để lập kế hoạch kiểm soát
để có được độ phân giải cao hơn, chúng tôi cũng sản xuất mỗi bản đồ tính năng voxel mà sẽ ăn vào MLP với không gian 3D
Ðiểm truy vấn để lấy vị trí và ngư ̃ nghĩa tại bất kỳ vị trí tùy ý
Sau khi biết được mô hình này tốt hơn hãy nhìn vào một ví dụ khác ở đây chúng ta có một chiếc xe buýt có khớp nối bên phải
Hàng bên cạnh nổi bật như là một võ sĩ hình chữ L ở đây khi chúng ta tiếp cận xe buýt bắt đầu
di chuyển màu xanh mặt trước của xe đẩy chuyển màu xanh dương đầu tiên chỉ ra mô hình dự đoán xe buýt phía trước có điểm số 0
lưu lượng nghề nghiệp và xe bus tiếp tục di chuyển toàn bộ xe buýt chuyển sang màu xanh
và bạn cũng có thể thấy rằng mạng lưới dự đoán độ cong chính xác của xe buýt
Đây là một vấn đề rất phức tạp đối với Mạng lưới phát hiện đối tượng truyền thống như bạn phải xem liệu tôi có đi đến
sử dụng một cuboid hoặc có lẽ cả hai để phù hợp với độ cong nhưng đối với mạng lưới chiếm đóng
Vì tất cả những gì chúng ta quan tâm là sự chiếm hữu trong không gian có thể nhìn thấy và chúng ta sẽ có thể mô hình hóa một cách chính xác
bên cạnh lớp voxel Mạng lưới nghề nghiệp cũng tạo ra một bề mặt có thể lái được
bề mặt khô khô có cả hình học 3D và ngữ nghĩa chúng rất hữu ích để kiểm soát đặc biệt là chữa bệnh
và uốn cong bề mặt và màu xám voxel không được dự đoán một cách độc lập thay vì thế
Mạng lưới voxel thực sự sắp xếp với bề mặt ngầm ở đây chúng ta đang ở vị anh hùng Quest nơi bạn
có thể thấy hình học 3D của bề mặt được dự đoán một cách tử tế
Kế hoạch có thể sử dụng thông tin này để quyết định có lẽ chúng ta cần làm chậm hơn nữa cho Hillcrest.
xem các lớp phụ liên kết với bề mặt đều đặn
Ngoài ra còn có cả hộp số và bề mặt, chúng ta cũng rất hào hứng về bước đột phá gần đây của trường đọc thần kinh hay ...
Nerf chúng tôi đang tìm kiếm cả hai đều kết hợp một số tính năng màu sáng.
Việc đào tạo mạng trong việc sử dụng đầu ra của Mạng là trạng thái đầu vào cho Nerf
Thực tế là Ashok rất hào hứng về việc này ... đây là dự án cuối tuần cá nhân của anh ta trong một thời gian.
Bởi vì tôi nghĩ rằng Academia đang xây dựng rất nhiều trong số đó.
Nền tảng mô hình cho ngôn ngữ sử dụng hàng tấn tập dữ liệu lớn cho ngôn ngữ nhưng tôi nghĩ cho dây thần kinh thị giác
sẽ cung cấp các mô hình nền tảng cho thị lực máy tính vì chúng được dựa trên hình học và hình học
cho chúng tôi một cách tốt để giám sát các mạng lưới này và đóng băng các yêu cầu để xác định bản thể học và
Giám sát về cơ bản là miễn phí vì bạn chỉ cần phân biệt những hình ảnh này để tôi nghĩ trong tương lai
Ý tưởng Mạng nghề nghiệp nơi bạn biết hình ảnh đến và sau đó mạng tạo ra một cách nhất quán
Thể hiện hiện trường một cách khác biệt về bất kỳ hình ảnh nào đã được quan sát tôi.
Cá nhân tôi nghĩ đó là một tương lai của viễn cảnh máy tính và bạn biết chúng tôi đang thực hiện một số công việc ban đầu về nó bây giờ nhưng tôi
nghĩ trong tương lai cả Tesla và Academia chúng ta sẽ thấy
Sự kết hợp của dự đoán One-Shot về khả năng tích cực sẽ là của nó.
Đây là một ví dụ cho kết quả sớm của tôi.
Tái thiết 3D từ dữ liệu miễn phí thay vì tập trung vào việc chiếu lại RGB hoàn hảo trong không gian ảnh
mục tiêu chính ở đây là để đại diện chính xác không gian 3D cảnh báo cho lái xe và chúng tôi muốn thực hiện điều này cho tất cả
các dữ liệu miễn phí của chúng tôi trên thế giới trong điều kiện thời tiết và ánh sáng và rõ ràng đây là một thách thức
Có vấn đề và chúng tôi đang tìm các bạn để giúp cuối cùng mạng lưới nghề nghiệp được đào tạo
với bộ dư ̃ liệu cấp tự động lớn mà không có con người nào trong vòng lặp và tôi sẽ chuyển vào Tim để nói
Về những gì cần thiết để đào tạo mạng lưới này cảm ơn Phil
[Tiếng vỗ tay] Mọi người hãy nói về việc luyện tập
Cho nên chúng tôi đã xem một vài đoạn video mà anh biết bốn hoặc năm tôi nghĩ và quan tâm.
Nhiều hơn và lo lắng nhiều hơn nữa cho nên chúng tôi đã xem xét
Các mạng lưới nghề nghiệp chỉ từ Phil vừa lấp đầy các video cần 1,4 tỷ
Khung hình để đào tạo mạng lưới mà bạn vừa thấy và nếu bạn có 100 nghìn gpu thì nó sẽ mất một giờ.
Nhưng nếu bạn có một GPU, nó sẽ mất hàng trăm ngàn giờ để không phải là
Thời gian của Humane mà bạn có thể đợi công việc huấn luyện của mình chạy ngay chúng ta muốn tàu nhanh hơn thế.
Có nghĩa là bạn cần phải đi song song để bạn có thể tính toán nhiều hơn cho điều đó có nghĩa là bạn sẽ cần một
Đây là lý do chúng ta xây dựng 3 siêu máy tính.
14 000 gpu nơi chúng ta sử dụng 10 000 gpu để đào tạo và khoảng bốn ngàn.
Gpu cho tự động ghi nhãn tất cả các video này được lưu trong 30 petabyte của một video được quản lý phân tán
Bộ nhơ ́ đệm mà bạn không nên nghĩ là bộ dư ̃ liệu của chúng tôi như đã sửa, nói như bạn nghĩ
Tưởng tượng hay là thứ gì đó mà bạn biết, giống như một triệu khung hình bạn nên nghĩ về nó như một chất lỏng, vì vậy chúng tôi có một cái
Nửa triệu đoạn video này chảy vào và ra khỏi cụm này mỗi ngày.
và chúng tôi lần theo 400 000 mẫu video của loại python mỗi giây
cho nên đó là rất nhiều cuộc gọi chúng ta sẽ cần phải nắm bắt được điều đó để quản lý các chính sách lưu giữ
Bộ nhơ ́ đệm video phân phối sao cho tất cả đây là một sô ́ lượng lớn của dư ̃ liệu chúng ta xây dựng và quản lý
Bạn không thể mua nổi bạn biết 40 000
Gpu và sau đó là 30 petabytes Flash mvme và đặt nó cùng nhau và đi tàu lửa uh Nó thực sự cần rất nhiều
Công việc và tôi sẽ đi vào một trong những gì anh thực sự muốn làm là anh muốn tăng tốc độ của mình.
Nó có thể là GPU hay là Dojo chúng ta sẽ nói về sau và bởi vì đó là giá đắt nhất
thành phần mà bạn muốn đặt nút cổ chai của bạn và điều đó có nghĩa là mỗi phần của hệ thống của bạn là
cần phải vượt trội hơn máy gia tốc này và nó thực sự rất phức tạp.
có nghĩa là kho lưu trữ của bạn cần phải có kích thước và băng thông để cung cấp tất cả dữ liệu xuống các nút
các nút này cần phải có đúng lượng CPU và khả năng bộ nhớ để cung cấp thức ăn vào máy của bạn
Khung học của máy này cần phải giúp cho GPU của bạn và sau đó bạn có thể bắt đầu đào tạo nhưng sau đó bạn
cần phải làm như vậy trên hàng trăm hoặc hàng ngàn GPU một cách đáng tin cậy trong
Logstap và theo một cách nào đó cũng rất nhanh để cậu có thể cần một sự kết nối cực kỳ phức tạp chúng ta sẽ nói chuyện nhiều hơn
Về võ đường.
tối ưu hóa việc chúng ta đã thực hiện trên cụm sao chúng ta có thể nhận được rất nhiều video và ...
Video rất giống với việc đào tạo các hình ảnh hoặc đoạn văn mà tôi nghĩ là rất thành công trong video.
Theo đúng nghĩa đen là một không gian phức tạp hơn và đó là lý do chúng ta cần phải kết thúc
để kết thúc tư ̀ lớp lưu trư ̃ xuống máy gia tốc và tối ưu hóa mọi mảnh của nó vì chúng ta đã đào tạo trên sô ́ lượng photon
Những video trực tiếp tư ̀ Hạm đội chúng ta sẽ được trực tiếp tư ̀ những thư ́ trực tiếp mà chúng ta không xử lý chúng
Cách nó vừa hoàn thành là chúng tôi tìm chính xác cho các khung hình mà chúng tôi chọn cho lô của chúng tôi chúng tôi tải chúng trong đó bao gồm cả
Khung hình mà chúng phụ thuộc vào đó là khung hình của bạn hoặc các khung khóa chúng tôi gói chúng để chia sẻ chúng
Bộ nhớ di chuyển chúng vào một thanh kép từ GPU và sau đó sử dụng bộ giải mã phần cứng chỉ được tăng tốc để
Thực ra là giải mã đoạn video để chúng ta làm việc đó trên GPU, và tất cả trong một phần mở rộng python rất đẹp.
làm như vậy đã mở khóa hơn 30 tốc độ tăng tốc cho các mạng lưới nghề nghiệp và giải phóng căn bản một toàn bộ
CPU để làm bất kỳ điều gì khác um bạn không thể chỉ tập luyện với chỉ
Tất nhiên là những đoạn phim về sự thật ... và đó thực sự là một vấn đề thú vị.
Mục tiêu để lưu trư ̃ sự thật trên mặt đất của bạn là bạn muốn đảm bảo bạn có thể đạt được sự thật mà bạn cần trong
Lượng thao tác hệ thống tập tin tối thiểu và tải trọng lượng tối thiểu mà bạn cần để tối ưu hóa tổng hợp
qua lượng thông sô ́ chéo vì bạn nên xem nhóm tính toán là một thiết bị lớn có nội bộ cô ́ định
hạn chế và hạn chế vì điều này chúng tôi đã đưa ra định dạng
là bản địa của chúng ta được gọi là nhỏ chúng ta sử dụng điều này cho sự thật đất của chúng ta bộ nhớ đệm tính năng và bất kỳ kết quả thu
Vậy nên có rất nhiều nhà lý thuyết ở đây, nên hãy xem đây là cái bàn của cậu.
muốn lưu trữ thì đó là cách mà nó sẽ nhìn ra nếu bạn lăn ra trên đĩa vậy những gì bạn làm là lấy bất cứ thứ gì bạn muốn.
muốn lập chỉ mục cho ví dụ dấu thời gian video mà bạn đã đưa tất cả những thư ́ này vào tiêu đê ̀ nên trong tiêu đê ̀ đầu tiên của bạn
Bạn có biết chính xác nơi để đi trên đĩa nếu bạn có bất kỳ tenxơ nào bạn sẽ cố gắng thay thế vị trí của nó
để đặt một chiều khác nhau cuối cùng là Dimension tiếp giáp và sau đó cũng thử các loại khác nhau của
Nén rồi kiểm tra xem cái nào là tối ưu nhất và sau đó lưu trữ cái này thực sự là một bước rất lớn nếu bạn làm
Tính năng bộ nhơ ́ đệm không thông minh tư ̀ Mạng học máy có thể xoay quanh
Các chiều không gian có thể tăng 20 lần tăng hiệu quả lưu trữ khi bạn lưu trữ chúng tôi
đặt các cột bằng kích thước để tất cả các cột nhỏ và các giá trị nhỏ của bạn cùng nhau để khi bạn tìm kiếm một
Giá trị duy nhất bạn có thể trùng lắp với nhiều giá trị mà bạn sẽ dùng sau đó để không cần phải làm
thao tác hệ thống tập tin khác để tôi có thể đi vào và tôi vừa đi
trên hai dự án chúng tôi có nội bộ nhưng đây thực sự là một phần của nỗ lực liên tục lớn để tối ưu hóa
Hãy tính toán chúng ta có thể tích tụ và tập hợp tất cả những tối ưu hóa chúng ta đang luyện tập
mạng lưới nghề nghiệp nhanh gấp đôi bởi vì nó hiệu quả gấp đôi và bây giờ nếu chúng ta thêm vô số tính toán và đi
song song chúng ta không thể tập luyện nó trong giờ thay vì ngày và với điều đó tôi muốn giao nó cho
Người dùng tính toán lớn nhất John
Xin chào mọi người tên tôi là John Emmons ... Tôi chỉ đạo đội khám nghiệm lái tự động Tôi sẽ bao gồm hai chủ đề với bạn
Đầu tiên là cách chúng ta dự đoán làn đường và thứ hai là cách chúng ta dự đoán hành vi tương lai của các tác nhân khác trên đường.
trong những ngày đầu của chế độ tự động, chúng tôi đã mô phỏng vấn đề phát hiện làn đường như một tác vụ phân đoạn lập tức không gian hình ảnh
mạng lưới của chúng tôi rất đơn giản, mặc dù trên thực tế nó chỉ có khả năng in các Lanes từ một vài loại khác nhau của
hình học cụ thể nó sẽ phân đoạn Đại bàng Lane nó có thể phân đoạn liền kề
Và sau đó nó có một sô ́ hô ̀ sơ đặc biệt cho các đê ̀ và trải qua mô hình đơn giản này của sự cô ́
làm việc cho những con đường có cấu trúc cao như đường cao tốc, nhưng hôm nay chúng ta đang cố xây dựng
Nó có khả năng cơ động phức tạp hơn rất nhiều đặc biệt là chúng ta muốn rẽ trái và rẽ phải ở các nút giao thông
nơi tô pô đường có thể phức tạp hơn một chút và đa dạng hơn khi chúng ta cố gắng áp dụng mô hình đơn giản hóa này của
Vấn đề ở đây, nó chỉ phá vỡ một bước lùi một chút thôi.
Chúng tôi đang cố gắng làm ở đây là dự đoán tia lửa của những trường hợp què trong kết nối của họ và những gì chúng tôi muốn làm là có một
Mạng neuron cơ bản dự đoán đồ thị này nơi các nút là các đoạn đường và các cạnh mã hóa
kết nối giữa những Lanes này để chúng ta phát hiện làn chức năng
Mạng thần kinh được tạo thành từ ba thành phần đầu tiên chúng ta có một bộ
Các lớp chú ý các lớp phù hợp và các lớp mạng thần kinh khác mã hóa các dòng video từ 8 của chúng ta
máy ảnh trên xe và tạo ra đại diện hình ảnh phong phú
Sau đó, chúng tôi nâng cao biểu diễn sô ́ bằng một bản đô ̀ sơ đô ̀ đô ̀ sơ đô ̀ mà chúng tôi mã hóa với
một tập hợp các lớp mạng thần kinh bổ sung mà chúng ta gọi module hướng dẫn làn đường này bản đồ này không phải là một bản đồ HD mà là nó
cung cấp rất nhiều gợi ý hữu ích về cấu trúc liên kết của làn đường bên trong các đường giao thông trên các đường khác nhau và một tập hợp các thuộc tính khác mà
giúp chúng tôi 2 thành phần đầu tiên được sản xuất
Tensor dày đặc đó là mã hóa thế giới nhưng điều chúng ta thực sự muốn là để chuyển đổi chất tensor dày đặc này thành một
thiết lập các làn đường thông minh trong các kết nối của chúng ta tiếp cận vấn đề này như một hình ảnh
Tác vụ phân tích nơi đầu vào là tensor dày đặc và văn bản đầu ra được dự đoán vào một ngôn ngữ đặc biệt
Chúng tôi đã phát triển ở Tesla để mã hóa Lanes trong các mối liên hệ của họ bằng ngôn ngữ này.
token là các vị trí làn trong không gian ba chiều trong The Ordering of các tobens giới thiệu các thẻ thay đổi trong các tokens
Mã hóa các mối quan hệ kết nối giữa các Lanes này bằng cách mô hình tác vụ là ngôn ngư ̃
Vấn đề chúng ta có thể tận dụng các kiến trúc và kỹ thuật tự động mới nhất từ Cộng đồng ngôn ngữ để xử lý nhiều
Vấn đề chúng ta không chỉ giải quyết được vấn đề về thị giác máy tính ở chế độ lái tự động chúng ta cũng đang áp dụng tối tân và ...
Mô hình và máy học ngôn ngư ̃ nói chung tôi sẽ dùng thêm chi tiết thành phần ngôn ngư ̃ này
những gì tôi đã mô tả trên màn hình ở đây là hình ảnh vệ tinh đại diện cho khu vực địa phương xung quanh
Phương tiện mà thiết lập các cạnh là cái mà chúng ta gọi là biểu đồ đường và cuối cùng là thứ chúng ta muốn để thoát khỏi hệ thần kinh này.
Mạng lưới chúng ta bắt đầu với một phiến đá trắng, chúng ta sẽ muốn tạo ra chúng ta đầu tiên.
Dự đoán ở đây tại Green Dot, vị trí chấm xanh này được mã hóa thành
một chỉ số vào một mạng lưới dĩ nhiên làm giảm uy tín của thế giới 3D bây giờ chúng ta không dự đoán được chỉ mục này trực tiếp
bởi vì nó quá tốn kém để làm như vậy có quá nhiều điểm lưới và dự đoán một sự phân loại
phân phối qua đây đều liên quan đến thời gian huấn luyện và thời gian kiểm tra, thay vào đó những gì chúng tôi làm là hủy bỏ
World coarely first we predict a hearm map over the possible locations and then we latch in the most possible locations
sau đó chúng ta sẽ tinh chỉnh dự đoán và lấy được điểm chính xác
Bây giờ chúng ta đã biết vị trí của vật biểu tượng này là chúng ta không biết vị trí của nó trong trường hợp này, mặc dù nó là khởi đầu của một cái mới.
Lane để chúng ta tiếp cận nó như là một dấu hiệu bắt đầu và bởi vì nó là một dấu hiệu của ngôi sao không có
các đặc tính bổ sung trong ngôn ngư ̃ của chúng ta khi đó chúng ta đưa ra các dự đoán tư ̀ những lời tiên tri đầu tiên này
sử dụng một tập hợp bổ sung để tạo ra một tập hợp các tenxơ mà chúng ta kết hợp với nhau
đó là từ đầu tiên trong ngôn ngữ của chúng ta với những làn đường ta bổ sung cho bạn biết vị trí đầu tiên trong câu ở đây
chúng ta tiếp tục tiến trình này bằng cách in điểm Lane kế tiếp theo kiểu tương tự
Bây giờ làn đường này không phải là khởi đầu của một Làn Đường mới, nó thực sự là sự tiếp nối của Làn Đường trước đó.
Vì vậy, nó là một loại biểu tượng tiếp tục bây giờ nó không đủ để biết rằng
Lane được kết nối vào máy bay được bảo vệ trước đó chúng tôi muốn mã hóa hình học chính xác mà chúng tôi đang làm
Hãy viết lại một tập hợp các hệ số nhỏ chúng ta lấy Lane chúng ta mã hóa nó
một lần nữa và thêm vào đó là câu tiếp theo chúng ta tiếp tục dự đoán các Lanes tiếp tục này cho đến khi chúng ta đến được
Cuối mạng lưới dự đoán, chúng ta sẽ di chuyển đến một đoạn đường khác ở Lane, để các bạn có thể thấy dấu chấm đó ở đó.
Nó không có liên quan đến màu hồng đó nó không liên quan gì đến màu xanh lá cây xanh lá cây
Ở đó có một cái nĩa và thẻ Fork.
Thực sự chỉ đến những đồng xu trước từ đó cái dĩa bắt nguồn từ đó
Có thể thấy ở đây dự đoán fork Point thực ra là chỉ số 0 nên nó thực sự tham chiếu trở lại để chứng minh rằng nó đã được dự đoán như bạn sẽ làm
Ngôn ngư ̃ chúng ta tiếp tục quy trình này đến lần nữa cho đến khi chúng ta liệt kê tất cả
token trong đồ thị Ling và sau đó là mạng dự đoán kết thúc token của câu
Tôi chỉ muốn lưu ý rằng lý do chúng tôi làm điều này không chỉ vì chúng tôi muốn xây dựng một thứ gì đó phức tạp
Tôi cảm thấy giống như một cỗ máy hoàn chỉnh ở đây với mạng thần kinh, mặc dù là chúng tôi đã thử cách tiếp cận
ví dụ như là đang cố gắng phân đoạn các làn đường dọc theo con đường hoặc một cái gì đó như thế nhưng sau đó vấn đề là khi
Có một điều không chắc chắn là bạn không thể nhìn thấy con đường rõ ràng và có thể có hai làn xe hoặc ba làn xe và bạn không thể nói
Cách tiếp cận dựa trên phân khúc đơn giản sẽ chỉ vẽ cả hai là tình huống 2.5 Lane và
Giải thuật sau xử lý sẽ thất bại một cách nghiêm trọng khi các dự đoán là như vậy các vấn đề không kết thúc ở đó ý tôi là
Bạn cần dự đoán những điều kiện liên kết như những chiếc Lanes liên kết bên trong các nút giao thông không thể thực hiện được với cách tiếp cận đó
Đề cập của Ashok đó là lý do tại sao chúng ta phải nâng cấp lên như phân khúc này sẽ chỉ đi Haywire nhưng ngay cả khi bạn cố gắng hết sức mình
bạn biết đưa chúng lên các lớp riêng biệt, nó chỉ là một vấn đề rất khó để ngôn ngữ chỉ đưa ra một khuôn khổ thật sự đẹp cho hiện đại
mẫu từ phía sau như trái ngược với bạn biết cố gắng làm tất cả những điều này trong quá trình hậu xử lý
Nhưng điều này không thực sự dừng lại chỉ vì tự động tự động John có thể được sử dụng cho Optimus một lần nữa bạn biết là họ sẽ không phải là
đã gọi Lanes nhưng bạn có thể tưởng tượng bạn biết một loại trong đó bạn biết giai đoạn ở đây bạn có thể có những con đường mà bạn biết mã hóa khả năng
Nơi mọi người có thể đi bộ, về cơ bản nếu bạn đang ở trong một nhà máy hoặc ở nơi bạn biết thiết lập gia đình
Anh có thể hỏi người máy được để tôi nói chuyện với nhà bếp hay làm ơn đi đến địa điểm nào đó trong nhà máy.
Và rồi chúng ta dự đoán một tập hợp của Pathways, bạn có thể biết nó đi qua các dãy nhà lấy robot và nói rằng okay điều này
là làm thế nào bạn vào được nhà bếp, nó cho chúng ta một khuôn khổ đẹp để mô hình hóa những con đường khác nhau đó đơn giản hóa vấn đề điều hướng hoặc
Xuôi dòng xuôi theo tất cả những gì chúng ta nhận được.
Mạng phát hiện Lane là một tập hợp các làn đường trong các hệ kết nối của chúng trực tiếp từ mạng ở đó
Không bước thêm bước nào để đơn giản hóa những tiên đoán dày đặc
đây chỉ là một đầu ra không được lọc của mạng
Được rồi, tôi đã nói một chút về Lanes tôi sẽ liên hệ ngắn gọn về cách mô hình và dự đoán con đường trong tương lai
Các ngữ nghĩa khác trên các đối tượng vì vậy tôi sẽ thực sự nhanh chóng qua hai ví dụ về video trên
Ngay đây chúng ta có một chiếc xe đang thực sự chạy một tia sáng đỏ và quay mặt trước chúng ta những gì chúng ta làm để xử lý
những tình huống như thế này là chúng ta dự đoán một tập hợp quỹ đạo tương lai ngắn hạn Horizon trên mọi vật thể chúng ta có thể sử dụng
Để dự đoán tình hình nguy hiểm ở đây và áp dụng bất cứ điều gì bạn biết phanh và hành động lái là cần thiết để tránh va chạm.
Trong video ở bên phải có hai chiếc xe ở phía trước chúng ta bên trái làn xe bên trái có vẻ là nó là
Tôi không biết tại sao tài xế lại quyết định đỗ ở đó nhưng điều quan trọng là mạng lưới thần kinh của chúng ta dự đoán rằng nó đã dừng lại.
đó là màu đỏ ở đó có ô tô ở làn đường bên kia khi bạn nhận thấy cũng đứng yên nhưng đó là
Rõ ràng là chờ đèn đỏ chuyển sang màu xanh, mặc dù cả hai vật đều đứng yên và không có vận tốc nào, đó là ngữ nghĩa của nó.
Ở đây thật sự rất quan trọng để chúng ta không bị mắc kẹt đằng sau cái xe vụng về vụng về.
Dự đoán tất cả các thuộc tính của tác nhân này trình bày một số vấn đề thực tế khi cố gắng xây dựng
chúng ta cần tối đa hóa tốc độ khung hình của ngăn xếp phần đối tượng để tự động học có thể nhanh chóng phản ứng với môi trường thay đổi
Mỗi mili giây thực sự quan trọng nhất là để giảm thiểu quá trình suy luận mạng lưới thần kinh của chúng ta được chia thành hai giai đoạn
trong giai đoạn đầu tiên chúng tôi xác định vị trí trong không gian 3D nơi các đại lý
trong giai đoạn 2, chúng tôi kéo theo tensors tại các vị trí 3D đó nó với dư ̃ liệu bổ sung đang trên
Và sau đó, chúng tôi biết thực hiện phần còn lại của bước đặc tả kỹ thuật này cho phép
Mạng nơ ron thần kinh tập trung tính toán trên các khu vực mà hầu hết cho chúng ta khả năng vượt trội so với một phần nhỏ của chi phí tiềm ẩn
Vậy nên hệ thống lái tự động lái đã dự đoán nhiều hơn là hình học và động tĩnh học của nó.
thế giới nó cũng dự đoán một tập hợp ngữ nghĩa phong phú cho phép lái xe an toàn và con người
Tôi sẽ không giao những thứ này cho đường phố chúng ta sẽ cho chúng ta biết làm thế nào để chạy tất cả các mạng thần kinh mát mẻ trên máy tính FSD của chúng ta cảm ơn các bạn
[Tiếng vỗ tay]
Xin chào mọi người tôi là SRI hôm nay Tôi sẽ xem xét lại những gì cần thiết để chạy các mạng FSC này
xe hơi và làm sao chúng ta tối ưu hóa việc suy luận hôm nay tôi sẽ tập trung vào
Mạng lưới đường FSG mà John vừa nói về
Vậy khi bạn bắt đầu bài hát này, chúng tôi muốn biết liệu chúng tôi có thể chạy Mạng FSC Lanes này trên máy bay
đó là máy gia tốc mạng thần kinh nội bộ chúng tôi chế tạo trong máy tính FSD
Khi chúng tôi xây dựng phần cứng này, chúng tôi giữ nó đơn giản và chúng tôi đảm bảo nó có thể làm
Có một thứ lố bịch nhanh chóng, nhưng kiến trúc này là tự động.
Thoái lui và lặp lại nơi nó nghiền nát thông qua nhiều khối chú ý chú ý trong Inner Loop
Tạo ra những điểm thưa thớt trực tiếp mỗi bước để thách thức ở đây là cách
Chúng ta có thể dự đoán điểm phân tích này và tính toán thưa thớt trên một công cụ sản xuất chấm đặc để xem chúng ta đã làm điều này như thế nào
trong chuyến đi nên mạng dự đoán độ nóng của
Hầu hết những nơi có thể là không gian của điểm bây giờ chúng ta thực hiện một vòng cung Max và một
tim mạch mã hóa cứng cho chỉ mục của vị trí không gian
Bây giơ ̀ chúng ta cần chọn các nhúng liên kết với chỉ mục này tư ̀ một bảng có thể nhúng được học trong khi
Huấn luyện để thực hiện chuyến đi này chúng tôi thực sự xây dựng một bảng tra cứu ở SRAM và chúng tôi đã thiết kế
Kích thước của việc nhúng này chúng ta có thể đạt được tất cả những thứ này chỉ với phép nhân ma trận
không chỉ là chúng tôi cũng muốn lưu trữ thông tin này vào vùng nhơ ́ đệm
Chúng ta không trả giá cho mỗi lần lặp lại, dùng nó để dự đoán điểm trong tương lai.
Ở đây chúng tôi đã làm tất cả các hoạt động trên động cơ sản phẩm chấm công việc của chúng tôi thật sự rất tuyệt
tìm ra cách sáng tạo để ánh xạ tất cả thao tác trên công cụ chuyến đi theo cách
Đó không phải là tưởng tượng khi phần cứng này được thiết kế nhưng đó không phải là thứ duy nhất chúng ta có
để thực hiện công việc này chúng tôi thực hiện rất nhiều thao tác và tính năng để tạo mô hình này
có khả năng cải thiện độ chính xác hấp thu cũng như tối ưu hóa hiệu suất
Tất cả những điều này giúp chúng ta điều hành 75 triệu mô hình tham số ngay dưới 10
Mili giây của độ trễ tiêu thụ chỉ 8 watt năng lượng
nhưng đây không phải là kiến trúc duy nhất chạy trong xe có rất nhiều module và mạng kiến trúc khác
chúng ta cần chạy trong xe để đưa ra ý thức về quy mô có khoảng một tỷ tham số của tất cả các mạng lưới
tạo ra khoảng 1000 tín hiệu mạng thần kinh nên chúng ta cần chắc chắn
Chúng ta tối ưu hóa chúng và làm chúng ta tối đa hóa tính toán
sử dụng thông lượng và giảm thiểu độ trễ nên chúng ta xây dựng một trình biên dịch chỉ cho hệ thần kinh
các mạng chia sẻ cấu trúc cho các trình biên dịch truyền thống như bạn có thể thấy nó sẽ thu được quy mô lớn
đồ thị Nets thần kinh với các nút 150k và kết nối 375k lấy thứ này
phân chia chúng thành các đồ thị con độc lập và liên lạc từng loại
đồ thị phụ cho các thiết bị suy luận sau đó chúng ta có một mạng thần kinh
Linker chia sẻ cấu trúc cho Linker truyền thống nơi chúng ta thực hiện tối ưu hóa thời gian liên kết này
ở đó chúng ta giải quyết một vấn đề tối ưu hóa ngoại tuyến, để tính toán bộ nhớ và
Băng thông hạn chế để nó đi kèm với lịch trình được tối ưu hóa sẽ được thực hiện trong xe
trong thời gian chạy, chúng tôi thiết kế một hệ thống lập lịch lai cơ bản là
Không đồng nhất lịch trình trên một SOC và lập kế hoạch phân phối trên cả hai đĩa để chạy các mạng này trong một mô hình
Thời trang song song để có được 100 giọt tính toán mà chúng ta cần tối ưu hóa trên tất cả
các lớp phần mềm ngay từ việc điều chỉnh kiến trúc mạng, trình biên dịch tất cả
Cách để thực hiện băng thông cao độ thấp RDMA liên kết trên cả hai srcs và thực tế thậm chí còn sâu hơn nữa
thông cảm và tối ưu hóa dữ liệu cache mạch lạc và không liên kết của máy gia tốc trong soc này là rất nhiều
của tối ưu hóa ở mỗi mức để đảm bảo chúng ta có được tỷ lệ khung hình cao nhất và mỗi lượng sô ́ mili giây
đây là đây là cái này
trực quan hóa mạng lưới thần kinh đang chạy trong xe, đây là bộ não kỹ thuật số của chúng tôi về cơ bản như bạn có thể thấy
các thao tác này không là gì ngoài chỉ là phép nhân ma trận ma trận để đặt tên cho một vài hoạt động thực tế đang chạy trong xe
để đào tạo hoặc đào tạo mạng này với một tỷ tham sô ́ bạn cần rất nhiều dư ̃ liệu được gán nhãn để aegon có thể nói
về việc làm thế nào chúng ta có thể đạt được điều này với đường ống tự động
Cảm ơn đã cám ơn Sherry.
Chào mọi người tôi là Jurgen Zhang và tôi đang dẫn đầu một Tầm nhìn Hình học ở chế độ lái tự động
Hãy nói về việc Auto labeling.
Vì vậy chúng tôi có nhiều loại công việc nhãn hiệu để hỗ trợ nhiều loại mạng khác nhau nhưng hôm nay tôi muốn
Tập trung vào lưới Lanes tuyệt vời ở đây để luyện tập thành công và khái quát hóa
mạng lưới này đến mọi nơi chúng tôi nghĩ chúng tôi đã đi hàng chục triệu chuyến.
có thể là một triệu giao điểm hoặc hơn thế nữa.
Vậy làm thế nào để làm điều đó, nó chắc chắn có thể đạt được từ nguồn đủ
Số chuyến đi vì chúng ta đã có lúc Tim giải thích trước đó chúng ta đã có 500 000 chuyến mỗi ngày tiền mặt
Tuy nhiên, việc chuyển đổi tất cả dữ liệu thành dạng luyện tập là một vấn đề kỹ thuật rất khó khăn
để giải quyết thử thách này chúng tôi đã thử nhiều cách thủ công và tự động ghi nhãn từ
Cột thứ nhất đến thứ hai từ thứ hai đến thứ ba mỗi Advance cung cấp cho chúng ta gần 100x Cải thiện.
Throughput nhưng chúng tôi vẫn giành được một cỗ máy tự động tốt hơn có thể cung cấp
cung cấp nhà cung cấp đa dạng và khả năng mở rộng
để đáp ứng tất cả những yêu cầu này, bất chấp những nỗ lực kỹ thuật cần thiết ở đây, chúng ta đã phát triển
Máy ghi nhãn đơn hàng mới được hỗ trợ bởi việc tái cấu trúc đa trib để có thể thay thế 5 triệu giờ
Ghi nhãn thủ công chỉ 12 giờ trên cụm để ghi nhãn 10 000 chuyến
Vậy cách chúng ta giải quyết có 3 bước lớn, bước đầu tiên là quỹ đạo cắt ngang và phục hồi cấu trúc.
Hình ảnh quán tính trung bình hình ảnh đa hình ảnh nên ở đây tất cả các tính năng bao gồm bề mặt mặt đất được suy ra từ
bởi các mạng thần kinh sau đó theo dõi và tái tạo trong không gian vectơ
Vậy tốc độ trôi dạt điển hình của quỹ đạo này trong xe giống như 1,3 cm
Mỗi mét và 0.45 Milli radian trên một mét, khá là tử tế với tính toán nhỏ gọn của nó.
yêu cầu hơn dịch vụ phục hồi và chi tiết thô cũng được sử dụng như là một
cho bước xác minh thủ công sau này cũng được bật trong mỗi FSD
Vì vậy chúng ta có quỹ đạo và cấu trúc được xử lý trước cùng với dữ liệu chuyến đi.
Bước thứ hai là tái thiết đa -2, đó là mảnh lớn và lõi của cỗ máy này.
Vậy video cho thấy chuyến đi trước đó đã được xây dựng lại và sắp xếp
với những chuyến đi khác cơ bản là các chuyến đi khác từ những người khác nhau không cùng phương tiện như vậy được thực hiện bởi nhiều
Các bước trên internet, như là các bước thẳng hàng phù hợp với tối ưu hóa liên kết.
Kết thúc phân tích viên của con người sẽ đến và hoàn thành nhãn mác
nên mỗi bước hạnh phúc đã hoàn toàn chạy song song trên cụm sao cho nên
toàn bộ quá trình thường chỉ mất vài giờ
Bước cuối cùng thực sự tự động thực hiện các chuyến đi mới.
Ở đây chúng ta sử dụng cùng một động cơ liên kết nhiều chuyến đi nhưng chỉ giữa những lần tái thiết cũ và mỗi mới
nên nó sẽ đơn giản hơn nhiều so với việc xây dựng hoàn toàn tất cả các clip hoàn toàn
Đó là lý do tại sao nó chỉ mất 30 phút mỗi chuyến đi đến nhãn khác thay vì sử dụng thủ công
vài giờ ghi nhãn thủ công và đây cũng là chìa khóa của khả năng mở rộng
Trong cỗ máy này cái máy này có thể dễ dàng cân bằng
có sẵn tính toán và dư ̃ liệu chuyến đi cho nên khoảng 50 cây là đơn hàng mới
bị dán nhãn từ cảnh này và một vài trong số chúng được hiển thị ở đây từ 53 xe khác nhau
Vì vậy đây là cách chúng ta bắt giữ và biến đổi thời gian không gian của thế giới thành
giám sát mạng có một điều tôi thích lưu ý là một lần nữa nói về cách chúng ta Auto
Nhãn hàng chúng tôi nhưng chúng tôi có những người lao động Auto cho hầu hết các nhiệm vụ mà chúng tôi làm bao gồm cả kế hoạch của chúng tôi.
Đây là hoàn toàn tự động như không có con người tham gia ví dụ cho các đối tượng hay động vật học khác có hình dạng
Tương lai, tất cả mọi thứ chỉ đến từ nhãn hiệu tự động và điều tương tự cũng đúng với nghề nghiệp và chúng ta thực sự đã
xây dựng một cỗ máy xung quanh cái này, vậy nên nếu bạn có thể quay lại một slide không phải một nữa.
Nó nói song song trên cụm sao cho nghe có vẻ khá đơn giản nhưng
Nó thật sự không phải là um ... có thể nó rất thú vị để chia sẻ những thứ như thế này.
Tự động ghi nhãn tất cả và sau đó ai đó làm nên một kịch bản bắt đầu làm việc nó bắt đầu hoạt động tốt hơn cho đến khi chúng ta đến
Khối lượng khá cao và chúng ta cần giải pháp và có 2 kỹ sư khác
Đội của chúng tôi là những người như các bạn biết đó là một điều thú vị mà bạn biết về những gì chúng tôi cần làm là xây dựng một biểu đồ toàn bộ
về cơ bản python có chức năng mà chúng ta cần để điều chế một cái sau khi bạn kéo clip rồi bạn làm một số việc làm sạch sau đó bạn làm
Suy luận của Mạng sau đó là một Mạng lưới khác cho đến khi bạn nhận được điều này, nhưng bạn cần phải làm điều này như là một
Cho nên tôi nói với họ là chúng tôi cần phải bắn cho bạn biết 100 000 Clips mỗi ngày hoặc như 100 000 mục
Có vẻ tốt và các kỹ sư nói rằng chúng tôi có thể làm cho bạn biết một chút " " hậu " " và một chút
Chúng ta có thể làm điều đó trong khi chúng ta có chút thời gian và 20 tuổi.
1 triệu chức năng mỗi ngày chúng ta rút ra khoảng nửa triệu
Và trên đó chúng tôi điều hành cả tấn chức năng mỗi thứ này theo kiểu trực tuyến, và đó là phần sau.
I end infra that's also neasing to not just run training but also Auto labeling yeah Nó thực sự giống như một nhà máy
sản xuất nhãn và như dây chuyền sản xuất hàng tồn kho chất lượng như tất cả các Khái niệm được áp dụng cho điều này
Tên nhà máy này ... áp dụng cho các bạn biết nhà máy sản xuất ô tô của chúng ta.
Được rồi, được rồi.
Phần này tôi muốn chia sẻ một vài ví dụ thú vị cho mạng
Đối với con người có thể là từ trên cùng có những ví dụ cho việc thiếu trường hợp Lies hay foggy đêm hoặc roundabout
Bị ngăn cản bởi những chiếc xe hơi nặng bằng cách đỗ xe hơi và thậm chí cả đêm mưa với những giọt mưa của họ trên ống kính ...
Đây là thử thách nhưng một khi những cảnh ban đầu của chúng được tái cấu trúc hoàn toàn bởi các clip khác mà tất cả chúng có thể
Tự động dán nhãn để thẻ của chúng ta có thể lái xe thậm chí tốt hơn qua những màn chơi
Vậy bây giờ hãy để tôi truyền mic cho David để tìm hiểu thêm về cách mà Sim tạo ra thế giới mới trên những nhãn mác đó cảm ơn
Ngươi là
Cảm ơn anh lần nữa, tôi là David, và tôi sẽ nói về mô phỏng như vậy đóng vai trò quan trọng.
cung cấp dữ liệu rất khó để nguồn và hoặc khó để dán nhãn tuy nhiên các cảnh 3D nổi tiếng là chậm
Để sản xuất ví dụ như cảnh mô phỏng đang chơi sau lưng tôi
Giao lộ phức tạp từ phố Market ở San Francisco sẽ mất 2 tuần
nghệ sĩ để hoàn thành và cho chúng ta điều đó thật đau đớn tuy nhiên tôi sẽ nói về việc sử dụng
Nhãn hiệu chân lý mặt đất tự động của Jaegan cùng với một số công cụ mới cho phép chúng ta tạo ra thủ tục này
Và nhiều người như thế chỉ trong 5 phút, đó là một sự tuyệt vời nhanh gấp ngàn lần so với trước đây.
Vậy hãy lao vào hiện trường như thế này được tạo ra chúng ta bắt đầu bằng cách xoay nền tự động
Chú ý sự thật vào người tạo ra thế giới giả của chúng ta, trong phần mềm Houdini bắt đầu với ranh giới đường
Chúng ta có thể tạo ra một lưới đường chắc chắn và gắn kết nó với các nhãn hiệu đường này giúp thông báo con đường quan trọng.
chi tiết như độ dốc Crossroads và pha trộn tài liệu chi tiết
tiếp theo chúng ta có thể sử dụng dữ liệu dòng và hình học quét qua bề mặt của nó và dự án nó tạo sơn đường
giải pháp tiếp theo dùng các cạnh trung bình chúng ta có thể
Hình học đảo và phổ biến với tán lá ngẫu nhiên, điều này làm thay đổi đáng kể tầm nhìn của cảnh quay.
Bây giờ thế giới bên ngoài có thể được tạo ra thông qua một loạt các hệ thống dẫn nhiệt ngẫu nhiên một máy phát xây dựng mô đun
tạo các vật cản thị giác trong khi ngẫu nhiên đặt các đối tượng như cầu vệ có thể thay đổi màu của các đường cong trong khi
cây có thể thả lá dưới nó che khuất các đường hoặc cạnh
Tiếp theo chúng ta có thể truyền dữ liệu để thông báo vị trí của những thứ như đèn giao thông hoặc các dấu hiệu chúng ta có thể theo dõi
Bình thường để thu thập thông tin quan trọng như số làn đường và thậm chí có tên đường chính xác trên đường phố
Kế tiếp các dấu hiệu sử dụng biểu đồ Lane chúng ta có thể xác định kết nối Lane và
Đường đi trên con đường và chúng đi theo con đường và cuối cùng là biểu đồ đường Lane.
có thể xác định tính từ tính từ và các số liệu hữu ích khác để đẻ trứng ngẫu nhiên đột biến giao thông Insider mô phỏng
Và một lần nữa, tất cả các nghệ sĩ không tự động trong vòng lặp và sẽ xảy ra trong vòng vài phút và bây giờ điều này khiến chúng ta phải
một vài thứ tuyệt vời vì mọi thứ đều dựa trên dữ liệu và heuristic chúng ta có thể bắt đầu fuzz
Tham sô ́ để tạo các biến đổi thị giác của sự thật trên mặt đất, nó có thể được tinh vi như vị trí đối tượng và
Vật liệu thay đổi mạnh hơn như các quần xã sinh vật hoàn toàn mới hoặc vị trí của môi trường như Urban
Vùng ngoại ô hay nông thôn điều này cho phép chúng ta tạo ra vô hạn hoán vị cho cụ thể
Sự thật về mặt đất mà chúng ta cần nhiều hơn sự thật, và tất cả những điều này xảy ra trong một cú click
và chúng ta có thể tiến xa hơn bằng cách thay đổi sự thật của chúng ta
John muốn mạng của mình chú ý nhiều hơn đến các dấu hiệu đường phố.
Để phát hiện tốt hơn để phát hiện ra một con đường bị giam cầm sắp tới, chúng ta có thể bắt đầu thay đổi biểu đồ làn đường
Trình giả lập để giúp dân gian tạo ra dòng chảy hoàn toàn mới qua giao lộ này để giúp
Tập trung sự chú ý của Mạng đến các đánh dấu trên đường để tạo ra những dự đoán chính xác hơn và đây là một ví dụ tuyệt vời về cách thức này