特斯拉机器人只卖10多万,FSD推送16万车主测试
2022-10-03 19:51:09
  • 0
  • 0
  • 0

  创事记

  欢迎关注“新浪科技”的微信订阅号:techsina 

  文/万博

  来源:赛博汽车(ID:Cyber-car)

  马斯克:消灭贫困,还得看我。

  “特斯拉机器人未来售价20000美元(折合14万元人民币),远低于特斯拉汽车售价”。

  “有了特斯拉机器人就可以消灭贫穷,人类可以自由选择自己的职业。”

  这是今年特斯拉AI DAY上,马斯克在拿出人形机器人的同时,向外界描述了一幅人类与机器人和谐共存的未来美好世界。

  FSD全自动驾驶,以及特斯拉自研超算Dojo的最新进展,是今年AI DAY的另外两大主题。

  当然,这届AI DAY依然不改往日“招聘大会”的属性,马斯克的招贤令从开头贯穿结尾。

  总之,特斯拉这一年在AI领域的所有干货和未填的坑,都在AI DAY上全方位被展现。

  赛博汽车带你一文看尽。

  01

  人形机器人走出PPT

  上一届AI DAY作为压轴出场的特斯拉机器人Tesla Bot,在今年率先亮相,就是下面这位:

  啊不对,上面的是验证机,下面这位才是正主,Tesla Bot一代:

  这次亮相的原型机,已经和PPT上的机器人有几分相似,只是在躯干的设计上,显得更加有机械感。

  同时也能看出,此次展出的Tesla Bot原型机,已经有了自主移动的能力,四肢的灵活性也不错,做个简单的舞蹈动作还是可以保证的:

  当然,如果只是简单活动一下就太不马斯克了,这次AI DAY,Tesla Bot更多更详细的技术参数同时公布:

  首先是体重,Tesla Bot一代原型机体重为73公斤,较原官方数据增加17公斤。

  身体灵活性数据也不错,Tesla Bot全身的自由度可以超过200,手掌自由度可以达到27。

  马斯克表示,现在展出的机器人已经可以实现自主移动、操作工具的能力,并且做一些简单重复的工作,同时手掌还能承载20磅(约9公斤)的重物。

  身体布局上,四肢部分集中了Tesla Bot绝大部分执行器。动力电池系统则被布局在躯干,搭载一块2.3kWh的电池包,名义上电压输出52V。

  计算硬件同样位于躯干部分,Tesla Bot搭载一颗特斯拉车型同款的FSD芯片,支持Wi-Fi和4G(LTE)网络传输。

  另外,Tesla Bot也同时嵌入了特斯拉在自动驾驶方面的技术,包括FSD自动驾驶系统的软件算法和纯视觉方案。

  除了上述的参数,Tesla Bot背后更多的研发过程和技术参数也有所披露:

  安全性能方面,Tesla Bot应用了特斯拉汽车撞击实验的部分技术,保证机器人在跌倒或受到撞击时不会有大的损伤(电池包就在胸部,一个扑街机器人自燃了可不太好)。

  同时,考虑到Tesla Bot自身的体重和用途,关节处的灵活性和承压能力也需要被考虑到。在这方面,Tesla Bot的关节设计参考了人类骨骼组织。

  为了保证全身28个关节执行器在不同状态下的承压和灵活性,同时兼顾效率和能耗,特斯拉通过点云方式进行模拟,设计出6种扭矩输出不同的执行器来承担移动任务。

  软件细节上,特斯拉主要强调了以下几个部分:

  首先,作为一款人形机器人,需要面对物理世界的各种风险,因此特斯拉官方强调Tesla Bot需要有物理层面的自主意识,比如对自己的躯干身体和现实世界的理解。

  其次,是动态稳定性,特斯拉通过大量的仿真训练,实现行走平衡和路径规划,加上导航系统之后,Tesla Bot就可以自主移动工作,甚至可以自己找充电站补能。

  最后,Tesla Bot的动作细节拟人化,特斯拉通过对人体动作进行捕捉后进行可视化处理,对躯干的位置进行分析后,映射到Tesla Bot身上。

  说完Tesla Bot的技术细节,再来尝尝马斯克画的大饼(我敬马斯克为画饼第一人)。

  马斯克表示,Tesla Bot初期会比较贵,但随着产量的提升,价格也会大幅下降,预计未来可以达到百万级的产量。最终,Tesla Bot会比特斯拉电动车的售价更低,预计可以达到20000美元一台(折合人民币约14万元)。

  怎么样,20000美元一台机器人心动不?买不了吃亏买不了上当呀~

  同时马斯克还表示,有了机器人之后,经济形势会更好,消除贫穷。因为机器人可以代替廉价的重复劳动,未来的人们就可以自主选择喜欢的工作。

  这画面,是不是有点熟悉的味儿了?

  但是!先别急,马斯克描述的画面,和大部分技术细节,包括导航、灵活性等等,还需要大量的细化。

  至于到底啥时候能实现,特斯拉官方表示,可能几个星期,可能是一年,也可能是几年……

  是的,马斯克又双叒挖坑了,Tesla Bot,终究摆脱不了和FSD一样的命运。

  不过这里还是可以期待一下,毕竟马斯克的大部分承诺,都是以“虽迟但到”的形式出现的。(这里可以加一个狗头)

  02

  FSD依旧难去Beta

  FSD的这一部分,没有太多惊喜。量产版FSD依旧遥遥无期,预想的Beta v11版本也没有到来。

  不过从技术介绍来看,特斯拉已经开始专门针对长尾问题(Corner Case)下手了,自动驾驶团队详细解读了技术栈,好像在说,你看,自动驾驶这么难实现,也不能怪我总跳票。

  通过这场AI Day分享可以看到,特斯拉已经搭建起了一个支撑FSD快速成长的自动驾驶技术栈。

  2021年,有2000位特斯拉车主参与了FSD Beta测试,到2022年参与测试的车主已经达到了16万。

  2022年对于特斯拉自动驾驶团队是非常卷的一年,全年进行了75778个神经网络模型训练,其中有281个模型对于FSD Beta进行了有效的性能改善。

  这场分享,特斯拉主要围绕决策规划、神经网络训练(空间占用、车道&物体检测),数据训练(自动标注、仿真、数据引擎)等方面的提升进行介绍。

  每一个自动驾驶决策的背后,都是基于诸多因素的平衡。规划选择是激进,还是保守,涉及到车辆本身的情况,也涉及到其他交通参与要素,这其中包含了非常多的“关系”处理,不同的物体指标也存在非常多的不同状态,包括速度、加速度、静态等,需要大量的边缘计算支持。

  而随着交通关系量的增加,计算量就会越来越大。一组交互关系过程中,要考虑到所有交互指标,计算出最可靠的方案,形成一个决策树。

  目前,FSD已经能够将每个操作的运行时间缩短到100微秒,但特斯拉认为这远远不够,后续还要将乘坐舒适度的分析、外界干预度因素加入进来。

  特斯拉坚持纯视觉路线,但并非视觉方案就完美,尽管特斯拉有8颗摄像头,在实际交通场景中,也总是会存在一定视野盲区。

  因此,在FSD的神经网络系统中,引入了空间占用模型。它以几何语义为基础,通过摄像头校准、减少延迟,分析体积占用如何占用,并渲染到向量空间中,以完整的3D方式来表征现实世界。

  此外,复杂的道路结构对于自动驾驶学习来讲也是一道障碍,人类驾驶员在现实世界的通行需要车道线做指导,自动驾驶也是一样。

  现实世界道路结构复杂,且有非常多的联结,这大大的增加了数据处理的难度,特斯拉通过车道检测网络,将这些问题转化成计算机能识别的语义。

  视觉感知方案往往会产生非常大的数据量,特斯拉开发的数据处理编译器,正在通过更高效的算力利用、引入加速器、引入CPU、减小宽带损耗等方式,进行视频模型训练,已经实现30%的训练速度提升。

  在数据标注上,特斯拉表示数据质量和标注质量同样重要,目前正采用人工标注和自动标注结合的模式,实现更细致的标注方案。

  在模拟仿真的场景建设上,特斯拉也有了大幅能力提升,模拟场景生成比以前提升1000倍,边缘的几何形状建模更加精细,且可以快速复制现实环境,充分考虑不同的驾驶场景。

  03

  特斯拉为什么做超算

  “经常有人说,特斯拉作为一家自动驾驶公司,为什么要发展超算?”

  此次AI日,特斯拉给出了答案:从本质来说,特斯拉是一家硬核科技公司。

  “提出这个问题,就是对特斯拉不够了解,不知道我们要做什么。在特斯拉,我们做很多科学与工程相关的事情,因此有很多基础的数据工作,包括推理、神经网络等,当然也包括超算。”

  毕竟,算力可以说是训练的基本粮食。

  在最开始设计Dojo超级计算机时,特斯拉希望能够实现实质性的改进,比如降低自动驾驶训练延迟。为此,其进行了一系列的研发,包括高效率芯片D1等。

  D1芯片于去年AI日亮相,是特斯拉自主研发的神经网络训练芯片,其在645mm²的芯片面积上,搭载了500亿个晶体管,热设计功耗(TDP)为400W,FP32精度下的算力峰值达22.6 TFLOPS。

  性能参数优于目前特斯拉超级计算机使用的英伟达A100 Tensor Core GPU。后者芯片面积为826mm²,晶体管数量542亿颗,TDP400W,FP32峰值算力是19.5TFLOPS。

  而Dojo超级计算机的单个训练模块由25个D1芯片组成。据悉,2023年一季度特斯拉将推出Dojo机柜。届时,现有基于英伟达A100芯片建成的超算可能会被替换。

  未来,来自全球超100万辆特斯拉的数据将汇聚于Dojo,通过其训练深度神经网络,以此来帮助特斯拉的Autopilot不断进化,最终实现以纯视觉为基础的完全自动驾驶(FSD)。

  特斯拉方面称,新的Dojo超级计算机具有人工智能训练超高算力的同时,还拥有扩展带宽、减少延迟、节省成本等优势。

  Dojo团队宣称一个训练模组的机器学习训练算力,足以达到6个“GPU 计算盒子”,并且成本还不到“一个盒子”的水平。

  为了实现这些性能,特斯拉尝试了不同的封装技术都失败了,最后特斯拉放弃了D Ram结构,而是采用S Ram,即嵌入到芯片里面,虽然容量减少,但利用率明显提升。

  除了架构设计,考虑到虚拟内存、加速器、编译器等各方面,特斯拉在整个系统设计中,面临种种选择,他们也遵循了自己的追求,即“不对Dojo超算设限”。

  比如,在训练方法上,不采用大多数选择的数据共行模式;在数据中心层面,采用的是纵向整合的结构,对数据中心进行垂直整合。

  在此过程中,也遇到了很多挑战。

  特斯拉希望通过增加密度来提高性能表现,这对电力输送提出了挑战。“我们需要为计算芯片提供动力、电力,这会面临限制。同时由于整体设计是高度集合,因此需要实现多层垂直电源解决方案。”

  基于上述两点,特斯拉构建快速迭代,最终通过设计和堆栈,使得CTE(热膨胀系数)降幅高达50%。

  特斯拉面临的另一个挑战是:如何推动集成的边界。

  目前特斯拉的电力模块是x、y平面用于高带宽通信,其他所有东西垂直进行堆叠,这不仅涉及到系统控制器,还要考虑震荡器时钟输出丢失。如何使其不受电源电路影响,达到理想的整合程度?

  特斯拉采用的方法是多管齐下。一方面是尽量减少震动,如通过使用软帽端,即端口使用较软材料来减少震动;另一方面,对开关频率进行更新,使其斜正进一步的远离敏感频段。

  去年AI日上,特斯拉仅仅展现了超算系统的几个组件,今年其希望在系统层面实现更多进步。其中,系统托盘是实现单一加速器愿景的非常关键部分,可以整体实现无缝的连接。

  此外,硬件方面,特斯拉还利用高速以太网、本地硬件支持等方式,加速超算性能的达成;软件方面,特斯拉则称,代码运行在编译器和硬件上,需要确保数据是可以被联合起来使用的,因此需要反向需要考虑路径梯度。

  而如何判断Dojo是否成功,与当下相比是否具有优势?特斯拉称,看同事是否愿意使用。实际上,特斯拉也给出了一些量化标准,如,系统一个月的工作量,Dojo超算不到一周就能完成等。

  当然,超高算力意味着巨大能耗。在问答环节,马斯克也表示,Dojo是巨型计算机,耗能很大,也需要很多的冷却装置,所以可能会作为aws这样的亚马逊网络,云服务的方式提供给市场。

  马斯克认为,提供类似于亚马逊云AWS 的 Dojo服务更有意义,他将此描述为一款“帮助你用更少的钱,更快地训练模型的在线服务。”


 
最新文章
相关阅读