Tesla satser på simulerte data for kontinuerlig å forbedre Full Self-Driving (FSD) systemet. Ved å bruke syntetisk treningsmateriale – også kalt „Simulated Content“ – lykkes Tesla med å forberede FSD spesifikt på ulike utfordringer og kanttilfeller. I denne artikkelen vil du lære hvordan Tesla bruker simulerte data for å optimalisere sikkerheten og effektiviteten til autonom kjøring.

Bruk av simulerte data for FSD-optimalisering

  • Grunnlag for treningsdata:
    På grunn av begrensninger i Kina kan Tesla ikke sende treningsdata til utlandet. I stedet blir FSD-systemet trent ved hjelp av en generell modell og syntetisk genererte data.
  • Kun visuell tilnærming:
    Tesla stoler utelukkende på Tesla Vision – kameraer fanger visuelle data som bygger et 3D-miljø rundt kjøretøyet. Denne informasjonen danner grunnlaget for beslutninger og kjøreoppførsel uten å stole på radar.
  • Supervised Learning:
    Treningen skjer gjennom en modell som lærer under tilsyn, der ekte, manuelt eller automatisk merkede data kombineres med syntetisk generert innhold. Disse „Ground Truth“-dataene gjør det mulig for systemet å gjenkjenne objekter og scenarier nøyaktig.

Fordeler og bruk av simulert trening

  • Kostnadsbesparelser:
    Ved å generere syntetiske data unngås kostbare og tidkrevende prosesser som datainnsamling, -overføring og -behandling.
  • Trening under ekstreme forhold:
    Simulert innhold gjør det mulig for Tesla å forberede FSD på sjeldne eller farlige kjøresituasjoner – som kraftig regnvær, tåke eller nattkjøring – uten å måtte faktisk fremkalle disse forholdene.
  • Dekning av kanttilfeller:
    Sjeldnere, men sikkerhetsrelevante situasjoner, som uventede hindringer eller uvanlig oppførsel fra andre trafikanter, simuleres målrettet for å gjøre systemet mer robust.
  • Kontinuerlig optimalisering:
    Muligheten til å generere nye, varierte treningsdatasett når som helst gjør det mulig for Tesla å stadig finjustere FSD og tilpasse det til aktuelle forhold.

Simulert innhold som nøkkel til sikker autonomi
Tesla beskriver bruken av syntetiske treningsdata i sitt patent "Vision-Based System Training with Synthetic Content".

  • Innholdsmodellattributter:
    De simulerte dataene er basert på attributter som er hentet fra ekte, merkede data. Disse attributtene – som veikant, kjørefeltmarkeringer eller bevegelige objekter – blir variert for å avbilde et mangfold av kjørescenarier.
  • Kontekstuell merking:
    I tillegg til de visuelle egenskapene blir ekstra kontektsinformasjon som vær, tidspunkt på dagen og omgivelser integrert i dataene. Dette gir FSD-systemet en mer omfattende forståelse av kjøresituasjonen og forbedrer beslutningstakingen i sanntidssituasjoner.

Konklusjon
Tesla bruker simulerte data for å videreutvikle FSD-systemet effektivt og kostnadseffektivt. Ved å kombinere ekte og syntetiske treningsdata kan systemet forberedes på ulike og sjeldne kjørescenarier, noe som fører til en tryggere og mer robust autonom kjøring. Den kontinuerlige optimaliseringen gjennom simulerte innhold lover å spille en avgjørende rolle i fremtiden for autonom kjøring.