特斯拉“亮剑”全自动驾驶三大杀手锏

“虽然这款软件目前还处于测试阶段，但在驾驶员的监督下使用已经足够了。这是完全自动驾驶的先驱，随着时间的推移，它会变得更加可靠，就像Autopilot一样。”尽管我们经常会在网络上看到一些车主对功能的滥用，但实际上大多是特斯拉车主仍然非常谨慎使用，并且期待功能的不断完善。

作为软件定义汽车最典型的代表，自动驾驶的真正商业化，应该是在车企、用户及系统之间形成一个真正的闭环，从而基于真正有效的数据来反哺系统的不断自我学习。

这或许也能解释，为什么今年特斯拉收购了计算机视觉初创公司DeepScale。后者有一项名为SqueezeNet的解决方案，可以实现深度神经网络在更小的设备上工作，并且允许以超高效的方式处理大量数据。

这在全自动驾驶时代尤其重要，因为系统从车辆的多传感器中收集了大量数据。特斯拉基于自主研发的FSD芯片，基于DeepScale的技术帮助更好地优化硬件、数据处理和深度学习，而无线更新(OTA)则是一个高效的解决方案为系统不断迭代提供助力。

然而，今天典型的CNN/DNN模型的空中更新需要大量的数据传输。DeepScale的另一项核心技术就是保证更小的模型需要更少的通信，使得频繁的更新更加可行。

这包括较小的卷积神经网络(CNNs)在分布式训练中需要较少的服务器间通信;更小的CNNs需要更少的带宽将新模型从云端导出到自动驾驶汽车上;较小的CNNs更适合部署在内存有限的FPGAs和其他硬件上。

使用SqueezeNet，可以实现与AlexNet相比模型尺寸减少50倍，同时达到或超过了AlexNet的top 1和top 5的精度。模型的缩减量远高于SVD、网络裁剪和深度压缩。

同时，应用8位量化的深度压缩，SqueezeNet得到一个0.66MB的模型(比32位的AlexNet小363×)，与AlexNet的精度相当。此外，在SqueezeNet上采用6位量化和33%稀疏的深度压缩，可以得到一个0.47MB的模型(比32位AlexNet小510×)，并且具有同等的精度。

有趣的是，DeepScale的第一款产品是一款名为Carver21的感知软件，专门用来优化自动驾驶汽车前置摄像头的数据处理。这与一直坚持视觉优先的特斯拉非常匹配，同时其也拥有道路上最大的联网车队，大量的真实数据对于DeepScale也是最佳的实践。

这就是DeepScale的SqueezeNet发挥作用的地方。由于其精确度与最先进的神经网络相匹配，因此能够对神经网络进行有效的训练，并保证神经网络模型的最小化，并且保证硬件上的可用资源进行速度-精度的权衡。

DeepScale的全栈深度学习方法使人工智能软件与各种处理器和传感器紧密集成，实现可定制的自动驾驶功能。模块负责从训练、开发、部署，甚至数据收集/管理的每一个方面。

实时决策对任何无人驾驶汽车都至关重要。能够在集中式的高计算环境中部署更多具有更高精度的深度学习功能是任何自动驾驶汽车制造商所希望的。而且，在这么小的计算空间里部署多个DNN正是DeepScale的解决方案非常适合特斯拉的原因。

而随着特斯拉的车队(搭载Autopilot)增加到100万辆，它的月行驶里程将达到10亿英里左右(相当于之前一年的数据)，比Waymo的月行驶里程约100万英里高出1000倍。这意味着特斯拉具有从0.001%的里程中收集大量边缘训练样本的机会。

（编辑：衡阳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!