Foto: Tesla.

Um autonome Antriebssysteme zu betreiben, werden in der Regel eine große Anzahl verschiedener teurer Sensoren auf Autos installiert. Tesla beschloss jedoch, dies zu vermeiden und ein eigenes autonomes Fahrsystem mit Kameras zu bauen. Dies kompliziert den AI-Lernprozess, jedoch hat jedoch eine Reihe von wichtigen Vorteilen und kann wirklich vollständige Autonomie für das Fahren bereitstellen, die als Ebene 5 Autonomie eingestuft werden.

Tesla hat ein Patent "-Oni-Eigenschaften von Schätzungen mit visuellen Bilddaten" veröffentlicht. Die offenbarte Erfindung hilft, Daten auf der Grundlage eines mit einer Fahrzeugkamera aufgenommenen Bildes zu empfangen, um den Abstand eines Objekts von einem Fahrzeug teilweise zu ermitteln.

Autonome Antriebssysteme verlassen sich typischerweise auf die Montage zahlreicher Sensoren, einschließlich einer Sammlung von Sicht- und Emissionsabstandssensoren (z. B. Radar, Lidar, Ultraschall usw.). Durch das Sammeln der von jedem Sensor erfassten Daten kann das System das Umfeld des Fahrzeugs verstehen und bestimmen, wie das Fahrzeug steuert wird. Da jedoch die Anzahl und Arten von Sensoren zunehmen, steigt jedoch die Komplexität und Kosten des Systems an.

Zum Beispiel sind emittierende Abstandssensoren wie Lidar häufig kostspielig, um in ein Massenmarktfahrzeug aufzunehmen. Darüber hinaus erhöht jeder zusätzliche Sensor die Anforderungen an das Eingang Bandbreiten für das autonome Antriebssystem. Daher begann Tesla nach der optimalen Konfiguration von Sensoren auf dem Fahrzeug zu suchen. Die ideale Konfiguration sollte die Gesamtzahl der Sensoren einschränken, ohne den Betrag und die Art der erfassten Daten einzuschränken, um die umgebende Umgebung genau zu beschreiben und das Fahrzeug sicher zu steuern.

FEIGE. Fig. 5 ist ein Diagramm, das ein Beispiel darstellt, das Hilfssensensordaten erfasst, um ein Machine-Lernnetzwerk zu trainieren.

Das im Patent beschriebene System besteht aus einem oder mehreren Prozessoren, die mit dem Speicher gekoppelt sind. Ein oder mehrere Prozessoren sind konfiguriert, um Bilddaten auf der Grundlage eines von einer Fahrzeugkamera aufgenommenen Bildes aufzunehmen. Dann ist das Ziel, diese Daten zu nutzen, als eine Eingabegrundlage an ein ausgebildetes Machine-Lernmodell - zumindest teilweise den Abstand eines Objekts aus dem Fahrzeug identifizieren. Das Machine Lernmodell wurde mit einem Trainingsbild und einer korrelierten Ausgabe eines emittierenden Entfernungssensors geschult.

Das Patent beschrieb eine Trainingstechnik zum Erzeugen von Erzeugergebnissen von hochgenauem Maschinenlernen aus Visiondaten. Unter Verwendung von Hilfssensendaten, wie beispielsweise Radar- und Lidar-Ergebnissen, sind die Hilfsdaten den von den Sichtdaten identifizierten Objekten zugeordnet, um Objekteigenschaften wie Entfernung genau zu schätzen. In verschiedenen Teilen erfolgt die Sammlung und Assoziation von Hilfsdaten mit Visionsdaten automatisch und erfordert wenig, falls jeglicher, menschlicher Eingriff.

© 2021, Eva Fox. Alle Rechte vorbehalten.

_____________________________

Wir schätzen Ihre Leserschaft! Bitte teilen Sie Ihre Gedanken in dem Kommentarabschnitt unten.

Artikel von @smokeyshorts bearbeitet, können Sie ihm auf Twitter folgen

Folgen Sie @evafoxu.