Im Laufe der Jahre wurden Google / Waymo und Uber als führend in der autonomen Automobilindustrie anerkannt. Ihr auf dem "Laserradar" basierender Ansatz weist jedoch sehr schwerwiegende Nachteile auf, weshalb er für einen vollständig autonomen Verkehr auf den Straßen praktisch ungeeignet ist.

Lidare können bei Nebel und starkem Regen nichts tun - IR-Strahlung wird vom Wasserdampf gut absorbiert. Daher können sie unter schwierigen Bedingungen nicht sicher fahren oder müssen mit Kameras ein normales Bildverarbeitungssystem erstellen. Aber dann ist nicht klar, warum sie ein teures Lidar brauchen, während ein Satz Kameras ein Vielfaches weniger kostet.

Was bietet Tesla? Einem Computer kann mit Hilfe von acht Standardvideokameras beigebracht werden, mit seinen Standardautos in alle Richtungen zu schauen. Natürlich sehen sie nicht in dem Sinne, wie der Mensch sieht. Wenn der Fahrer das Bild erkennt (z. B. einen Fußgänger, dessen Kleidung auf der einen Seite rot und auf der anderen weiß ist), wird der Fahrer dies auch dann verstehen, wenn sich der Fußgänger auf der anderen Seite (andersfarbig) zu ihm umdreht Ist eine Person. Dies liegt daran, dass das Gehirn mögliche Änderungen in den Bildern, die es sieht, basierend auf ihrem möglichen Verhalten modelliert.

Ein Computer kann kein vollständiges Bild simulieren. Um komplexe Objekte sicher zu unterscheiden, muss er Daten darüber haben, wie ein komplexes Objekt aus jeder Perspektive aussehen kann. Tesla kann einem Computer nicht das Denken beibringen, aber er kann seinen Computern genügend Bilder geben, damit sie sogar komplexe Objekte in jeder erdenklichen Umgebung unterscheiden können.

Die grundlegende Autopilot-Software sieht aus wie ein typisches neuronales Netzwerk. Das heißt, es besteht aus vielen Elementen - Software-Analoga von Neuronen. Das neuronale Netz ist zunächst "nicht trainiert". Um das neuronale Netz auf das erforderliche (sichere) Niveau der Fahrunterstützung zu trainieren, benötigen Sie eine große Menge an Informationen (Trainingssatz).

Tesla verwendet seine eigenen Autos als Quelle für sein Trainingsset. Jedes Mal, wenn ein Fahrer an einer Kreuzung oder beim Spurwechsel ein Manöver ausführt, fungiert er als „Lehrer“ für das Training des neuronalen Netzwerks aller Tesla-Computer im Allgemeinen.

Typischerweise ist die Leistung eines Deep-Learning-Systems zumindest teilweise durch die Qualität des Trainingssatzes begrenzt, der zum Trainieren des Modells verwendet wird. In vielen Fällen werden erhebliche Ressourcen in die Erfassung, Verarbeitung und Kommentierung von Trainingsdaten investiert. Der Aufwand für die Erstellung eines Trainingskits kann erheblich und oft langwierig sein. Darüber hinaus ist es häufig schwierig, Daten für bestimmte Anwendungsfälle zu sammeln, für die das Modell des maschinellen Lernens verbessert werden muss.

Aus diesem Grund ist Tesla ständig bemüht, das System und die Methode zur Erfassung von Trainingsdaten zu verbessern. Das Patent "System und Verfahren zur Erlangung von Trainingsdaten" wurde am 13.09.2019 eingereicht und am 19.03.2020 veröffentlicht. Erfinder Andrej Karpathy, Teslas Leiter für KI- und Autopilot-Software.

Es werden verschiedene Innovationen beschrieben, die auf viele Arten implementiert werden können, auch als Prozess. Gerät; System; die Zusammensetzung des Stoffes; Computersoftwareprodukt, das auf einem computerlesbaren Speichermedium implementiert ist; und / oder einen Prozessor, wie beispielsweise einen Prozessor, der konfiguriert ist, um Anweisungen auszuführen, die durch den dem Prozessor zugeordneten Speicher gespeichert und / oder bereitgestellt werden.

Hierzu werden verschiedene Methoden angewendet:

• Empfangen von Sensordaten;
• Anwenden eines neuronalen Netzwerks auf die Sensordaten;
• Anwenden eines Triggerklassifikators auf ein Zwischenergebnis des neuronalen Netzwerks, um eine Klassifikatorbewertung für die Sensordaten zu bestimmen;
• Bestimmen, ob mindestens ein Teil der Sensordaten über ein Computernetzwerk übertragen werden soll, basierend zumindest teilweise auf der Klassifikatorbewertung.