Dit is dé reden waarom jouw Tesla binnenkort zelf rijdt

Wat is Tesla’s Deep Learning en hoe gebruikt het softwarebedrijf miljarden kilometers om hun neurale netwerken te trainen? In dit blog lees je wat Tesla kan op het gebied van autonoom rijden wat concurrenten nog niet kunnen.

Er is een aantal factoren belangrijk om te bepalen hoe goed een bedrijf zijn wagenpark of vloot autonoom zou kunnen laten rijden. Dataverzameling en -labeling is een van deze belangrijke factoren die bepaalt hoe goed neurale netwerken presteren. Wat is dan zo een neuraal netwerk? Een neuraal netwerk is een netwerk van verzenders en ontvangers die informatie verzamelen en verwerken.

Met een vloot van ongeveer 500.000 voertuigen die zijn uitgerust met Tesla’s Full Self-Driving rijdt Tesla's vloot ongeveer 24 miljoen kilometers per dag, wat 8,7 miljard kilometer per jaar betekent.

Er zijn drie belangrijke gebieden waar data een rol speelt om te bepalen hoe goed er autonoom gereden kan worden:

  • Computer vision

  • Voorspelling

  • Trajectplanning/rijbeleid

Computer vision

Een belangrijke ‘Computer vision-taak’ is objectdetectie. Sommige objecten verschijnen slechts zelden op de weg. Het grote voordeel van Tesla is dat ze voertuigen hebben die miljarden kilometers per jaar rijden, want hiermee kunnen ze veel voorbeelden van zeldzame objecten en situaties verzamelen. Dit maakt de Tesla ‘autonoom-veilig’ in iedere mogelijke situatie op de weg.

Tesla's Director of AI, Andrej Karpathy, legt in dit filmpje (afkomstig uit zijn Autonomy Day presentatie) uit hoe Tesla beelden gebruikt om objectdetectie te trainen:

Voorspelling

Voorspelling is het vermogen om enkele seconden van tevoren te anticiperen op de bewegingen en acties van andere auto's, voetgangers en fietsers. Anthony Levandowski, die jarenlang een van de top ingenieurs Google’s Waymo is geweest, een van de grootste concurrenten van Tesla wat betreft autonoom rijden, schreef onlangs dat "de reden waarom niemand volledige autonomie heeft bereikt, is omdat de software van vandaag niet goed genoeg is om de toekomst te voorspellen."

Tesla's vloot is hier een fantastische bron voor, omdat Tesla momenteel de meeste sem-autonome kilometers maakt. Telkens wanneer een Tesla een verkeerde voorspelling maakt, stuurt de Tesla een ‘data snapshot’ op naar Tesla. Tesla kan dan een abstracte weergave van de scène uploaden (waarbij objecten worden gevisualiseerd als kleurgecodeerde kubusvormen en informatie op pixelniveau wordt weggegooid) die door zijn computervisie-neurale netwerken is geproduceerd, in plaats van video te uploaden. Hieronder zie een afbeelding hoe Tesla data verzamelt en labelt.

Het labelen van de data kan alleen door mensen gebeuren. Een neuraal netwerk kan zelf wel verbanden leggen tussen het verleden en de toekomst door hier een causaal verband in te analyseren. Het voorspellen van situaties wordt dus door een AI zelf geleerd! Zie hier deze video waar het proces wordt uitgelegd:

Aangezien Tesla niet in alle gevallen medewerkers nodig heeft om situaties te labelen, kan het zijn neurale netwerken trainen door zoveel bruikbare gegevens te verzamelen als het kan. Dit betekent dat de grootte van de data zal correleren met zijn totale kilometrage.

Trajectplanning/rijbeleid

Trajectplanning en rijbeleid hebben betrekking op de acties die een auto onderneemt: gecentreerd op zijn rijstrook blijven bij de toegestane snelheid, van rijstrook veranderen, een langzame auto passeren, linksaf slaan bij groen licht, om een geparkeerde auto heen rijden, stoppen voor een verkeersdeelnemer, enzovoort. Het lijkt moeilijk om een stel regels op te stellen die elke actie omvatten die een auto onder alle omstandigheden ooit zou moeten ondernemen. Een manier om deze moeilijkheid te omzeilen is om een neuraal netwerk te laten kopiëren wat mensen doen, imitatieleren heet dat.

Het trainingsproces is vergelijkbaar met de manier waarop een neuraal netwerk leert het gedrag van andere weggebruikers te voorspellen. Bij imitatieleren leert een neuraal netwerk voorspellen wat een menselijke bestuurder zou doen door correlaties te trekken tussen wat het ziet (via de computer vision neurale netwerken) en de acties die menselijke bestuurders ondernemen.

Tesla past imitatieleren toe op rijtaken, zoals hoe om te gaan met de steile bochten van een knooppunt op een snelweg, of hoe links af te slaan op een kruispunt. Het klinkt alsof Tesla van plan is om imitatieleren in de loop der tijd uit te breiden naar meer taken, zoals hoe en wanneer van rijstrook te veranderen op de snelweg. Karpathy beschrijft in dit filmpje hoe Tesla imitatieleren gebruikt:

Op basis van Karpathy's opmerkingen over het voorspellen van afsnijdingen kan Tesla een auto aanzetten om een herhaling op te slaan als het er niet in slaagt om correct te voorspellen of een voorligger de rijstrook van de Tesla zal afsnijden. Op dezelfde manier kan Tesla gegevens vastleggen wanneer een neuraal netwerk dat betrokken is bij de routeplanning of het rijbeleid de acties van de Tesla-bestuurder niet correct voorspelt.

Andere manieren om interessante beelden vast te leggen zijn: plotseling remmen of uitwijken, automatisch remmen in noodgevallen, botsingen of waarschuwingen voor botsingen. Als Tesla al weet wat het wil vastleggen, zoals links afslaan op kruispunten, kan het een trigger instellen om een beeld vast te leggen wanneer de vision neurale netwerken een verkeerslicht zien en de linker richtingaanwijzer wordt geactiveerd, of het stuurwiel naar links draait.

Conclusie

De uitdaging van zelf rijden is meer het omgaan met de 0,001% van de kilometers die zeldzame randgevallen bevatten dan met de 99,999% van de kilometers die onopvallend zijn. Het is dus logisch dat het bedrijf dat een groot aantal trainingsvoorbeelden kan verzamelen van deze 0,001% van de kilometers, het beter zal doen dan de bedrijven die dat niet kunnen.

Wij weten dus zeker dat Tesla de eerste zal zijn die autonoom rijden mainstream maakt.

Lees meer interessante artikelen