Alkaa kyllä mennä ohi sijoituskeissin, mutta kuulostaa kyllä melkoiselta soopalta. Ei voida tuoda eurooppaan toimivia pyyhkijöitä tai poistaa haamujarrutuksia koska regulointi. On siinä teknologian huippu ja parasta mitä maailmalla on antaa. 
Luulisi, että perustoiminnot kulkisivat aika lailla omanaan ja päivitettävissä universaalisti. Tai jos ei kulje niin miten ylivertainen softa on saatu tällaiseen tilanteeseen? Miten joku regulointi näihin toimintoihin liittyy?
25 tykkäystä
No höpöhöpö tähän, haamujarruilla ja paskalla pyyhinautomaatiolla ei ole yhtään mitään tekemistä Euroopan regulaattorien, Saksan autoteollisuuden yms kanssa. Se on ihan puhtaasti Teslan omaa saamattomuutta, samat asiat muut ovat ratkaisseet jo kauan sitten.
Mitä tulee autonomiseen ajoon niin me olemme kuulleet about samat tarina pikkasen eri twistillä jo vuosikausia täällä, tuote paranee kyllä mutta edelleen puuttuu se ratkaiseva hyppy jonka perusteella Teslan voisi nostaa autonomisen kehityksen kärkeen.
15 tykkäystä
Edelleenkin, Tesla ei halua käyttää rahaa eurospesifisen softaversion kanssa pulaamisessa. Asiakkaat voivat tietty valittaa ja/tai jättää autot ostamatta ja pyrkiä näin saamaan Teslan kiinnostumaan resurssien käytöstä tähän. Toistaiseksi Teslan pelikirja näyttää olevan “nämä paranevat sitten kun saame tuoda uudemman softan sellaisenaan Eurooppaan”.
2 tykkäystä
Edelleen, tällä ei ole yhtään mitään tekemistä pyyhkimien tai haamujarrujen kanssa, on koomista miten yritettään selittää esim. paskoja autopyyhkijöitä jollain EU regulaatiolla. Huhhuh.
Jotain rajaa nyt näihinkin sepustuksiin.
13 tykkäystä
Tesla voisi totta kai tehdä paremmat softat eurooppaan, mutta ei napostele kun asiat on fiksattu uudemmissa softissa - jenkeissä - ja tuota softaa eivät sellaisenaan voi tuoda eurooppaan koska regulaatio. Muutenkin ovat varsin jenkkikeskeisiä softadevauksessaan. Minkäs mahdat. Jos tavara lakkaa käymästä kaupaksi niin sitten varmaan tekevät asialle jotain.
Siis mitä ihmettä nyt höpötät? Ne Teslan pyyhkijät ei toimi jenkeissäkään kunnolla, ei tässä ole kyse mistään EU-softastäkistä vaan siitä että Teslassa ei ole sadesensoreita (mitkä on suurimmassa osassa muita autoja) vaan Tesla pyrkii kameralla päättelemään kuinka paljon pitää pyyhkiä.
Samaten haamujarrut löytyy jenkeistäkin, ei se ole mikään “EU softa” ongelma.
18 tykkäystä
No, uskotaan sitten. Itse olen ymmärtänyt että eurooppaversiot ovat karsittuja ja kiinnostus on ollut rajoittunutta panostaa parannuksiin kun FSDt eivät vielä saa pyöriä euroopassa ja kehitystyö on painottunut tuohon.
Mikä sen uusimman softan tuomisen sellaisenaan EU:n markkinoille estää? En ole tällaista kuullut ja asiahan on hyvin olennainen: eikös uusinkin FSD ole edelleen lvl2 adas-järjestelmä ja ne ovat jokapäiväisessä käytössä koko EU:n alueella.
1 tykkäys
En tiedä tarkemmin mikä on tarina, viimeisin mitä olen kuullut että olisi tulossa 2025 alkupuolella “pending regulatory approval”.
Huoh. Tässäkin nyt tuli esille kuinka paljon tätä esson baari -juttua ja tässäkin on taustalla se monen tesla bullin “ilkeä EU pelkää Teslaa” -teoria jota sitten levitellään faktana täällä.
Pyyhinautomatiikka ollut paskaa alusta lähtien, nyt taitaa olla hieman vähemmän huono kuin aikaisemmin mutta silti kaukana kilpailijoista.
Samaten haamuja on tullut erityisesti Model3/Y malleille alusta lähtien, Musk syytti siitä tutkaa ja kun siirryttiin (kustannus/toimitusketjusyistä huom) vision-only ratkaisuun niin haamujen piti olla historiaa. No ei ole. Jostain syystä model S ja X:ssä HW4 sisältää tutkan mutta 3/Y ei - tämäkin kertoo jo jotain.
EU:lla on omat haasteet regulaation kanssa mutta sen päälle ei voi kaataa kaikkea vaikka kuinka tekisi mieli.
23 tykkäystä
4 tykkäystä
Katselen tässä osakkeen historiallista kehitystä (logaritminen asteikko). Nyt kun ollaan kaikkien aikojen huipun tuntumassa, realisoituuko Musk riski siis ylöspäin?
UNECE ja EU-regulaatio tosiaankin estää Teslaa tuomasta FSD:tä Eurooppaan. FSD on ollut versiosta 9 alkaen AI-malli, joka ei ole “kovakoodattu sääntöperusteinen” malli, vaan niin sanottu end-to-end deep learning malli. Se tarkoittaa yksinkertaistetusti sitä, että edes liikennesääntöjä tai liikennemerkkien tarkoitusta ei ole kerrottu erikseen mallille, se oppii niiden merkityksen itse valtavasta määrästä videodataa. Sama pätee kaikkeen muuhunkin. Samankaltaiseen end-to-end malliin ovat pivotoineet Teslan perässä nyt käytännössä kaikki muutkin, koska koodiriveillä autonomista ajamista ei pysty ratkaisemaan. Osalla kehittäjistä kokonaisarkkitehtuuri on kuitenkin siinä määrin modulaarinen, että pääosaa näyttelevän end-to-end mallin lisäksi järjestelmässä on muitakin osia.
UNECE/EU-regulaatio kieltää autonomisten ominaisuuksien käytön laajassa määrässä ajotilanteita sekä tietyypistä riippuen. Tämän takia teillä “universaaliin” käyttöön tarkoitettua FSD:tä ei voi regulaation takia tuoda toistaiseksi Eurooppaan. Vaatisi valtavan työn ja muutoksia arkkitehtuuriin, että FSD:stä tehtäisiin puolirampa Euroopan vaatimuksiin sopivaksi. Tesla menee ennemmin eteenpäin, kuin taaksepäin. UNECE/EU-regulaatiokin varmasti kehittyy, kun autonomisia autoja on edes saatavilla. Se on kehitetty L2-tason järjestelmiin, siksi se ei toimi kun tuodaan kehittyneempää autonomiaa saataville.
Mitä tulee haamujarrutuksiin, ne ovat vähentyneet FSD:n kehityksen myötä, samaan aikaan kun softa on muutenkin kehittynyt. En ole vielä nähnyt yhtään raporttia haamujarrutuksista FSD V13 HW4 - jos joku näkee niin saa kertoa. Ne ovat siis ainakin pääosin kadonneet, jolleivat kokonaan.
Haamujarrutus ei tosiaan ole myöskään Tesla spesifi ongelma, vaan muutkin kärsivät siitä.
- Mercedes-Benz:
- Mercedes-Benz models with adaptive cruise control and lane-keeping assist have experienced phantom braking, particularly in conditions where the system interprets shadows, overpasses, or lane markers as obstacles.
- BMW:
- BMW’s Driving Assistant Professional system, which includes lane-keeping and adaptive cruise control, has been reported to cause phantom braking in certain situations, especially on poorly marked or winding roads.
- Ford:
- Ford’s Co-Pilot360 system, available on vehicles like the F-150 and Mustang Mach-E, has also experienced instances of phantom braking, particularly in highway driving or when passing large vehicles.
jne.
Lyhyt lisäkuvaus siitä kuinka end-to-end malli toimii:
- Image Recognition:
- The neural network learns to recognize patterns in images or visual inputs (such as a stop sign or a speed limit sign). During training, the system is shown images containing road signs, and over time it learns to associate these images with specific driving behaviors (e.g., slowing down for a stop sign).
- Contextual Understanding:
- The key difference with Tesla’s approach is that the system doesn’t rely on hard-coded rules to understand e.g. road signs. Instead, it understands road signs contextually. For example, it learns that a stop sign often appears at intersections and that the car must slow down and stop when it detects one. The system does not just “see” the stop sign—it learns the context in which it should stop.
Edellä esitetty liittyi FSD:hen, ei automaattisiin tuulilasinpyyhkimiin. Vaikka “best part is no part”, siinä on yksi osa, jota ei olisi ehkä tarvinnut autosta poistaa. Mikään Teslan kameroista ei näe itse tuulilasia, joten automaattisten pyyhkijöiden toiminta nojaa etukameraan, joka ei tiedä miltä tuulilasin pinta kokonaisuutena näyttää. Hieman vaikea ongelma ratkaista siis. Pyyhkimien toiminta on kuitenkin parantunut softapäivitysten myötä, mutta ei se vieläkään ole 100%. Eiköhän sekin kuitenkin kehity edelleen. Pyyhkimien toiminnasta ei voi em. syistä johtuen vetää johtopäätöksiä autonomisen ajamisen kehitykseen.
24 tykkäystä
Tajusin äskeisen vastauksen kirjoittamisen jälkeen, että valtaosa ihmisistä ei varmasti tiedä lainkaan mitä end-to-end malli tarkoittaa ja miksi se on toinen syistä, miksi autonomisten autojen vallankumous on todennäköisesti ihan kulman takana. Toinen syistä on nimittäin Nvidian hiljattain mahdollistama vallankumous tietokoneiden laskentatehossa.
Ajanlaskun FSD-kehityksessä voi melkeinpä aloittaa uudestaan siitä hetkestä, kun Tesla siirtyi end-to-end arkkitehtuuriin. Löydettiin siis uusi, tekoälyn mahdollistama tapa ratkaista autonominen ajaminen. Valtava määrä dataa yhdistettynä valtavaan laskentatehoon mahdollistaa tällaisen mallin kehittämisen. Käytännössä kaikki kilpailijat ovat pivotoineet Teslan perässä end-to-endiin.
Annan ChatGPT:n kertoa tarkemmin miten end-to-end AI toimii:
End-to-end AI -malli tarkoittaa koneoppimisjärjestelmää, jossa tekoäly suorittaa koko prosessin alusta loppuun ilman, että välivaiheissa tarvitaan manuaalista ohjelmointia tai sääntöpohjaisia päätöksiä. Tämä malli ottaa raakadatan syötteenä, kuten kuvia, ääntä tai tekstiä, ja tuottaa halutun lopputuloksen suoraan yhdellä mallilla, ilman perinteisiä väliportaita.
Miten end-to-end AI toimii?
- Syöte: Malli saa raakadatan, kuten kamerakuvan, tekstin tai sensoridatan.
- Käsittely: Malli oppii itse tunnistamaan, muokkaamaan ja tulkitsemaan datan eri piirteitä (esim. kuvan kohteet, tekstin merkitykset) ilman ennalta määriteltyjä sääntöjä.
- Tulos: Lopputulos voi olla esimerkiksi luokitus, päätös tai toiminta, kuten:
- Kasvojen tunnistus kuvan perusteella.
- Käännös yhdeltä kieleltä toiselle.
- Ajoneuvon ohjaaminen liikennetilanteessa.
End-to-end-mallien ominaisuudet
- Koko järjestelmä yhdellä mallilla: Kaikki vaiheet (esim. datan käsittely, piirteiden tunnistus ja päätöksenteko) hoidetaan yhdellä koneoppimismallilla.
- Oppiminen datasta: Malli oppii halutun tehtävän suoraan annetusta koulutusdatasta, eikä ohjelmoija kirjoita sääntöjä tai algoritmeja manuaalisesti.
- Ei väliportaiden jakoa: Prosessi ei jaotu pienempiin, erillisiin komponentteihin, vaan se tapahtuu yhtenäisesti.
Esimerkki: Teslan end-to-end-malli FSD:ssä
Tesla käyttää end-to-end AI -lähestymistapaa kehittäessään Full Self-Driving (FSD) -ohjelmistoa. Malli oppii suoraan datasta, joka kerätään miljoonista ajoneuvoista. Esimerkiksi:
- Kamerat ja sensorit keräävät reaaliaikaista tietoa ympäristöstä (kuvia, videoita ja liikennetietoja).
- End-to-end-malli käyttää näitä tietoja:
- Tulkitakseen liikennemerkkejä, kaistaviivoja, jalankulkijoita ja muita ajoneuvoja.
- Päätelläkseen ajoreitin ja ohjatakseen autoa.
- Tärkeää on, että Tesla ei ohjelmoi suoraan sääntöjä, kuten “Jos liikennevalo on punainen, pysähdy”. Malli oppii tunnistamaan liikennevalot ja toimimaan niiden mukaan kerätyn datan perusteella.
Miksi end-to-end AI on hyödyllinen?
- Vähemmän manuaalista työtä: Ohjelmoijien ei tarvitse rakentaa erillisiä sääntöpohjaisia malleja.
- Yksinkertainen arkkitehtuuri: Koko prosessi voidaan hallita yhdellä integroidulla järjestelmällä.
- Tehokas monimutkaisissa tehtävissä: Se voi ratkaista ongelmia, joita on vaikea mallintaa sääntöjen avulla, kuten kuvan tai äänen tulkinta.
- Jatkuva oppiminen: Malli voi parantaa suorituskykyään, kun sille syötetään enemmän dataa.
Haasteet end-to-end-malleissa
- Läpinäkymättömyys: Mallit ovat usein vaikeasti ymmärrettäviä, ja niiden tekemien päätösten syitä voi olla hankala selittää.
- Datan laatu ja määrä: End-to-end-mallit vaativat valtavia määriä korkealaatuista dataa toimiakseen luotettavasti.
- Virheiden jäljitys: Koska prosessi on täysin yhdistetty, virheen syyn löytäminen on vaikeampaa kuin moduulipohjaisessa lähestymistavassa.
End-to-end AI -mallit ovat erityisen hyödyllisiä tehtävissä, joissa perinteiset sääntöpohjaiset lähestymistavat eivät toimi, ja niillä on merkittävä rooli esimerkiksi autonomisessa ajamisessa, luonnollisen kielen käsittelyssä ja tietokoneen näössä.
24 tykkäystä
Maailman myydyin auto uudistui! Uuden Model Y:n toimitukset alkavat maaliskuussa.
Muutos vaikuttaa odotetusti etenkin sisältä samankaltaiselta, mikä tehtiin Model 3:een. Sillä siitä tuli kertaluokkaa parempi tuote. Uudessa Y:ssä myös jotain ennennäkemättömiä ominaisuuksia, esim. takapenkit kääntyvät alas sähköisesti. Auton ulkopuolella muotokieli on hieman erilainen.
“New Model Y has been redesigned to maximize efficiency, using every kilowatt-hour more effectively, and updated suspension, wheels and tires make for a smoother, quieter ride.”
19 tykkäystä
Varmaan monelle tämä ensinmäinen tesla oli samalla viimeinen. Autopilottia en kyllä talvisin uskalla käyttää kerran kun meinasi suoralla tiellä rynnätä ojaan ja tipahtelee koko ajan pois päältä erinäisistä syistä. Vag-konsernin travel assistent toimiin paljon vakaammin ja pystyt ohjaamaan vielä mahdollisen tieurien kuopat travel assistent päällä jota taas teslan autopilotissa et pysty (autopilotti tipahtaa pelistä). Myös tuntuu tesla olevan aika sokea kun pisin mahdollinen etäisyys on vagin lyhin edellä menevään autoon. Myös ovat muuttaneet tuulilasin kameran vastuksia ja nykyisin tämä päivitetty lasi aiheuttaa kameran huurtumista joka taas estää autopilotin käytön ja vanhan mallin tuulilasia et saa ja jos löytyy jostain vielä niin on tarvike osa. Päivityksiä tietenkin tulee mutta en osaa sanoa mennäänkö parempaan suuntaan käyttäjän kannalta, viimeeksi otettiin premium paketista spotify pois ja siitäkin joudut nykyään erikseen maksamaan, energiakulutus valikko myös muuttui huonompaan suuntaan ja tuskin saavaat noita pyyhkimiä koskaan pelaamaan kunnolla joka olisi aika oleellinen asia autoilussa. Automaattivalot olivat myös ihan vitsi alussa, mutta onneksi saivat lopulta matrikset pelaamaan ja niissäkin taisi mennä muutama vuosi. Itse en usko tämän muskin hehkutuksiin, taitaa olla jutuissa aika lailla amerikka lisää.
8 tykkäystä
Huoh. Ei ole löydetty mitään uutta tekoälyn mahdollistamaan tapaa. End-to-end on vain toinen nimi syvälle vahvistusoppimiselle, jonka juuret juontavat vähintään 1980-luvulle. Niin kauan kuin syväoppimisella pyritään mallintamaan ihmiselle luontaista käytöstä, koskipa se kielen käyttöä tai ajamista, datassa on aina suuri määrä kohinaa, jota algoritmi ei pysty ilman manuaalista annotointia käsittelemään. Eikä kyllä edes manuaalisen annotoinnin tuella, koska tapaukset, insinöörikielellä siis edge caset, ovat uniikkeja. Syvä vahvistusoppiminen ei myöskään millään tavoin ole immuuni mallien ylisovittumiselle, erityisesti näiden edge casejen kohdalla, vaikka laskentatehoa olisi miten.
27 tykkäystä
Itse vieläkään tajua miten End-to-end malli soveltuisi pelkästään autonomiseen ajamiseen mutta ehkä joku selventää.
Koska muistaakseni esim. Liettuassa kun tulee paikkakunnan nimikyltti niin siitä alkaa 50 km/h nopeus rajoitus mutta ei näin ole monessa muussa maassa. Eli miten samamalli voisi toimia aina. Puhuttakaan että joissain maissa on vasemman puoleinen liikenne.
Toinen ongelma on mielestäni se koulutus data. Esim. jos Suomessa on 30 km/h nopeus rajoitus niin täällä varmaan vähintään 90% ihmisistä ajaa ylinopeutta niin miten tästä datasta voi oppia että tässä kohtaa pitää ajaa nopeusrajoituksen mukaan. Vai maksaako Tesla vain sakot. Enpä usko.
Lisäksi yksi ongelma voi olla liikennesäätöjen muutokset kun niitä tulee niin pitääkö tämän jälkeen hankkia uusi opetus data vai miten niiden sisältämät muutokset saadaan mukaan End-to-end mallissa.
4 tykkäystä
On löydetty uusi, tekoälykehityksen mahdollistama tapa ratkaista autonominen ajaminen: erityisesti transformer-arkkitehtuuri sekä laskentatehon kehitys.
Ei sillä ole mitään merkitystä, että monen tekoälyteknologian kehityksen ensiaskeleita on otettu 80-luvulla ja sitä ennenkin. Jokainen näkee mitä nykykehitys tekoälyssä tarkoittaa.
Annan tämän 1940-luvulta lähtöisen olevan teknologian (neuroverkot) kertoa asiasta lisää. ChatGPT sanoo:
Vaikka end-to-end-oppimisen periaatteet pohjautuvat syvään oppimiseen ja vahvistusoppimiseen, nykypäivän teknologinen kehitys on tehnyt mallista huomattavasti käytännöllisemmän ja tehokkaamman. Eroja vanhaan ovat muun muassa:
- Laajamittainen koulutusdata: Teslan end-to-end-malli hyödyntää miljardien ajomailien todellista ajodataa, jota kerätään Teslan ajoneuvoista ympäri maailman. Tämä skaalautuvuus on täysin erilaista kuin 1980-luvun menetelmissä.
- Laskentateho: Teslan oma koulutusinfrastruktuuri mahdollistaa valtavan laskentakapasiteetin hyödyntämisen, mikä tekee mahdolliseksi paljon monimutkaisempien mallien kouluttamisen kuin koskaan ennen.
- Multimodaalisuus: Teslan mallit oppivat ei vain yksittäisiä komponentteja, kuten kaistaviivojen seuraamista, vaan kokonaisia ajotilanteita. Ne yhdistävät visuaalisen informaation, ajokontekstin ja muiden tienkäyttäjien käyttäytymisen saumattomasti.
2. Edge casejen käsittely on parantunut uuden teknologian avulla
Edge casejen ongelma on todellinen haaste, mutta Teslan lähestymistapa on kehittänyt uusia ratkaisuja:
- Automatisoitu datan annotointi: Tesla käyttää tekoälypohjaisia annotointityökaluja, jotka voivat luoda erittäin tarkkaa ja kontekstitietoista koulutusdataa ilman manuaalista työtä. Tämä vähentää ihmisen tekemän annotoinnin riippuvuutta ja mahdollistaa edge casejen laajamittaisen käsittelyn.
- Aktivinen oppiminen: Teslan järjestelmä tunnistaa edge caset reaaliajassa kerätystä datasta, ja nämä tapaukset priorisoidaan uusissa mallipäivityksissä. Tämä tekee järjestelmästä jatkuvasti oppivan ja parantuvan.
- Synteettinen data: Tesla hyödyntää simulaatioympäristöjä, joissa edge caseja voidaan luoda ja testata skaalautuvasti, mikä nopeuttaa edge casejen oppimista ilman, että niiden täytyy tapahtua tosielämässä.
3. Ylisovittamisen haasteet ja ratkaisut
On totta, että syväoppiminen on altis ylisovittamiselle, mutta Tesla on kehittänyt menetelmiä tämän riskin vähentämiseksi:
- Datadiversiteetti: Teslan datankeruu tapahtuu hyvin monimuotoisista ympäristöistä, eri sääolosuhteista ja ajotilanteista, mikä auttaa ehkäisemään ylisovittamista tiettyihin skenaarioihin.
- Hierarkkiset mallit: Teslan end-to-end-malli on itse asiassa useiden erilaisten verkkojen kokonaisuus. Tämä mahdollistaa sen, että ylisovittaminen yksittäisiin datapoikkeamiin on vähäisempää, koska eri verkot käsittelevät eri ajamisen osa-alueita.
- Cross-validation reaaliajassa: Tesla testaa jatkuvasti uusia mallejaan todellisessa maailmassa Fleet Learning -järjestelmänsä kautta, mikä mahdollistaa jatkuvan virheiden tunnistamisen ja korjaamisen.
4. End-to-end-mallin edut verrattuna modulaarisiin järjestelmiin
Perinteiset modulaariset autonomisen ajamisen järjestelmät, joissa eri komponentit hoitavat esimerkiksi kaistaviivojen tunnistusta tai liikennemerkkien tulkintaa, ovat erittäin herkkiä virheille komponenttien rajapinnoissa. Teslan end-to-end-malli tarjoaa seuraavia etuja:
- Holistinen ymmärrys ajotilanteista: Malli oppii suoraan monimutkaisista skenaarioista, kuten esimerkiksi risteyksestä, jossa liikennevalot, jalankulkijat ja vastakkaisen liikenteen käyttäytyminen kaikki vaikuttavat päätöksentekoon. Tämä on erittäin vaikeaa saavuttaa modulaarisella lähestymistavalla.
- Virheresilienssi: Jos yksi komponentti tekee virheen modulaarisessa järjestelmässä, se voi johtaa ketjureaktioon. End-to-end-malli arvioi koko ajotilannetta ja pystyy sietämään yksittäisiä virheitä paremmin.
5. Mitä Tesla on saavuttanut viime vuosina?
Tesla on onnistunut tekemään merkittäviä parannuksia, jotka osoittavat end-to-end-mallin potentiaalin:
- Full Self-Driving Beta -versioiden eteneminen: Vuodesta 2021 lähtien Tesla on julkaissut useita FSD Beta -päivityksiä, joissa järjestelmän kyky navigoida monimutkaisissa ympäristöissä, kuten kaupungeissa ja risteyksissä, on parantunut huomattavasti.
- Vision-only-lähestymistavan toimivuus: Tesla on osoittanut, että pelkkien kameroiden ja neuroverkkojen avulla voidaan saavuttaa sama tai parempi suorituskyky kuin lidar-pohjaisilla järjestelmillä.
- Ajoturvallisuus: Vaikka FSD ei ole vielä täysin valmis, Teslan end-to-end-järjestelmä on jo osoittanut voivansa vähentää onnettomuuksia verrattuna ihmiskuljettajiin monissa skenaarioissa.
Yhteenveto
Teslan teknologian kehitys viime vuosina on osoittanut, että monet näistä haasteista voidaan ratkaista nykyaikaisilla menetelmillä. Tesla ei ole vain “päivittänyt vanhaa lähestymistapaa”, vaan luonut täysin uuden mittakaavan tekoälyn kehittämiselle yhdistämällä reaaliaikaisen datankeruun, massiivisen laskentatehon ja end-to-end-oppimisen yhdeksi kokonaisuudeksi. Tämä yhdistelmä tekee Teslan lähestymistavasta uniikin ja kilpailijoihin nähden edistyneemmän.
1 tykkäys
Tässä itse ChatGPT:n näkemys autonomisten autojen tulemisesta:
Täysin autonomisten autojen yleistyminen lähiaikoina kohtaa useita haasteita, jotka estävät niiden nopean käyttöönoton. Tässä muutamia keskeisiä syitä:
- Teknologiset haasteet
Tunnistuksen tarkkuus: Vaikka itseohjautuvat autot käyttävät kehittyneitä antureita, kuten lidar, kamera- ja tutkajärjestelmiä, ne eivät vielä kykene käsittelemään kaikkia mahdollisia ajotilanteita, kuten huonoa säätilaa, monimutkaisia liikennetilanteita tai epätavallisia esteitä.
Koneoppimisen rajat: Algoritmit eivät ole täydellisiä, ja niiden oppiminen perustuu historiallisesti kerättyihin tietoihin, jotka eivät välttämättä kata kaikkia mahdollisia tilanteita.
- Lainsäädäntö ja vastuu
Lainsäädäntö on jäljessä: Monissa maissa ei vielä ole olemassa selkeitä säädöksiä täysin autonomisten ajoneuvojen liikennöinnille.
Vastuu vahingoista: On epäselvää, kuka on vastuussa onnettomuustilanteessa – auton valmistaja, ohjelmistokehittäjä vai kuljettaja? Tämä vaikeuttaa vakuutusten ja oikeudellisten puitteiden luomista.
- Eettiset ja turvallisuuskysymykset
Eettiset dilemman ratkaisut: Kuinka autonominen ajoneuvo päättää tilanteissa, joissa on väistämättä vahingon riski, esimerkiksi valitessaan kahden eri vaaran välillä?
Turvallisuus ja hakkerointi: Itseohjautuvat autot voivat olla alttiita kyberhyökkäyksille, mikä lisää riskiä, että joku voisi sabotoida niiden toimintaa.
- Kustannukset
Korkeat kehityskustannukset: Teknologia, kuten lidar ja kehittyneet tekoälyjärjestelmät, on edelleen erittäin kallista. Tämä nostaa autojen hintaa ja rajoittaa niiden saatavuutta kuluttajille.
Infrastruktuurin puute: Täysin autonomiset autot vaatisivat myös uudenlaista liikenneinfrastruktuuria, kuten erityisiä tieominaisuuksia, jotka olisivat merkittävä investointi.
- Kuluttajien luottamus
Ihmisten epäluulo: Monet ihmiset eivät vielä luota täysin autonomisiin ajoneuvoihin, ja yksikin korkean profiilin onnettomuus voi heikentää luottamusta merkittävästi.
Mukautuminen muutokseen: Täysin autonomiset ajoneuvot edellyttävät suurta muutosta ajokulttuurissa, mikä vie aikaa.
- Kilpailu ja markkinoiden dynamiikka
Osittain autonomiset vaihtoehdot: Monet autonvalmistajat keskittyvät osittain autonomisiin järjestelmiin, kuten Tesla Autopilot tai Mercedes-Benzin taso 3 -ajaminen, mikä lykkää täyden autonomian kehitystä.
Talous ja investoinnit: Autonomian kehittäminen edellyttää suuria investointeja, ja taloudelliset riskit voivat hidastaa etenemistä.
Täysin autonomisten autojen yleistyminen tulee todennäköisesti tapahtumaan asteittain, mutta niiden saavuttaminen yleisesti käytettäväksi on vielä vuosien, ellei vuosikymmenten päässä.
5 tykkäystä
Kyllä vahvistusoppimista käytetään ja ilmeisesti Teslalla Imitation learning mallia.
Periaatteessa yksinkertaisia toteutuksia on tehty vahvistusoppimisella pitkään, mutta uudet mallia (Transformer) ja ison määrän datan käyttö ovat tuoneet lisää mahdollisuuksia.
End2end-mallissa koko mallin parametrit säädetään aina kerralla riippuen lopun loss-laskennasta.
Ei käytetä superviced learning eli annotointia vaan unsuperviced/self-superviced learning.
Malli oppii itse tunnistamaan objektit.
Tässä tapa jolla Wayven end2end klusteroi tunnistetut asiat. Toki labeloimalla voi noita klustereita käyttää fine-tuning säätöön
Perinteisessä mallissa ihminen labelöi rajatun määrän haluttuja objekteja, joiden mukaan toimintaa ennustetaan.
End2end mallissa tunnistetaan pieniäkin kohteita, joten jos dataa riittää, se periaatteessa oppii tunnistamaan ympäristönsä tarkemmin ja siten vähentää edge tapausten määrää.
Tesla on testeissä reagoinut vesilätäkköihin, jalankulkijoiden liikkeisiin jne.
Haaste end2end-mallissa on läpinäkyvyys ja liikenteen turvallisuuteen liittyvät seikat.
Läpinäkyvyyttä Wayve ratkaisee multimodal Transformermallilla (LINGO), jossa malli kertoo miksi se tekee mitäkin. Teslallakin lienee vastaava.
Turvallisuus on kiinnostava ja siksi Mobileye ei uskalla lähteä täydelliseen end2end-malliin. He muuttavat mallinsa Transformer-pohjaiseksi ja vähentävät koodin määrää mutta säilyttävät koodilla tehtävät laskennat turvallisuuden hallitsemiseen
Tässä NVIDIA:n end2end. Siinä liikenteen sääntöihin liittyvä parametrointi tehdään Techer student mallilla lopussa eli Teacher malli on sääntöpohjainen malli johon ajoneuvon (student) toimintaa verrataan ja lasketaan loss
Tesla ei halua kertoa tekniikkaansa tarkemmin kilpailutilanteen vuoksi, mutta oletettavasti on kehitetty täysin uusiakin asioita
Tämä yksinkertainen end2end-malli kuvaa hieman paremmin kokonaisratkaisua, kun tuo NVIDIA:n kuva on enemmän konseptikuva.
Eli liikenteen objektien (Agentit) liikeradat ennustetaan omalla Transformerilla ja kartan ominaisuudet toisella. Näiden vektorit viedään Cross attentionin kautta Planning transformerille jossa kaikkien liikenteen asioiden suhteilla ennustetaan toiminta.
Tässäkin lopussa NVIDIAn kaltainen liikennesääntöjen opetus Planning Constraintsilla (eli lasketaan loss)
edit
Overfitting ja muista mallin säätämisestä dataan toimii mm. Tesla siten, että sitä opetettavan datan määrää kasvatetaan asteittain ja näiden väleissä mallin kokoa/parametreja, arkkitehtuuria ja rautaa skaalataan.
Eli kun Tesla on opettanut end2end-mallia toista vuotta, siinä edetään iteratiivisesti arkkitehtuuria justeeraten ja datan määrää kasvattaen.
PS en ole kysynyt ChatGPT:ltä kuten tässä ketjussa paljon tehdään vaan enemmänkin lukenut eri toimijoiden papereita.
ChatGPT:ltä kysymisen haaste on se, että jos siltä kysyt asiasta, josta itsellä ei ole kovasti kokemusta niin ei osaa tulkita sen vastausten järkevyyttä
20 tykkäystä