<p>Presentación de casos de mejora de Autopilot con pure vision sin radar (resumen de Slipper de Clien)<br />
- Antes se usaban juntos radar y visión<br />
- Debido al ruido del radar, había problemas con la confiabilidad de los valores estimados<br />
- Por eso avanzaron en un enfoque que usa solo visión para estimar la posición, velocidad y aceleración de los objetos<br />
→ Construyeron datos de entrenamiento tomando videos de conducción de la flota de Tesla circulando en vías públicas y etiquetándolos automáticamente offline (anotando posición, velocidad y aceleración) <br />
→ Definieron 221 señales que permiten saber que se trata de una "situación complicada", y una red neuronal que funciona en "modo sombra" en vehículos Tesla normales detecta esas señales<br />
→ Cuando el departamento de IA de Tesla determina que una "situación complicada" específica es un problema, recopila de los vehículos Tesla datos de situaciones similares y crea datos de entrenamiento etiquetados (automáticamente)<br />
→ Luego repiten el despliegue de la nueva red neuronal entrenada con eso nuevamente en "modo sombra"<br />
→ Lo repitieron 7 veces durante 4 meses y construyeron un conjunto de entrenamiento con 1 millón de videos, incluidos edge cases<br />
→ La cantidad de etiquetas fue de 6 billones y el tamaño fue de 1.5 petabytes<br />
→ Para el entrenamiento construyeron una supercomputadora con rendimiento de 1.8 exaflops<br />
- El resultado fue el Autopilot pure vision<br />
- Responde mucho más rápido, identifica diversos objetos y muestra resultados satisfactorios</p>
1 comentarios