Selamat datang semuanya mari beri semua orang waktu untuk kembali ke penonton dan baiklah

Bagus eh selamat datang di hari Tesla AI 2022. baiklah kami punya beberapa hal yang sangat
menarik untuk menunjukkanmu um saya pikir Anda akan sangat terkesan uh Saya ingin
menetapkan beberapa harapan dengan hormat kepada robot Optimus kami um seperti yang Anda
tahu tahun lalu itu hanya seseorang dalam setelan robot tapi eh Kami belum, kami telah
menempuh perjalanan jauh dan itu saya pikir Anda tahu dibandingkan dengan bahwa itu akan
sangat mengesankan eh dan um kita akan berbicara tentang eh kemajuan dalam AI untuk
mengemudi sendiri sepenuhnya serta bagaimana mereka berlaku untuk lebih banyak umumnya
untuk masalah AI dunia nyata seperti robot humanoid dan bahkan pergi lebih dari itu um saya
pikir ada beberapa potensi itu apa yang kita lakukan di sini di Tesla bisa memberikan kontribusi
yang berarti bagi AGI um dan um dan saya pikir sebenarnya memberitahu kita entitas yang baik
untuk melakukannya dari tata kelola sudut pandang karena kita publik perusahaan perdagangan
kami memiliki satu kelas saham dan itu berarti bahwa publik mengontrol Tesla dan saya pikir itu
sebenarnya hal yang baik um jadi jika saya menjadi gila Anda bisa memecat saya ini penting
mungkin aku tidak gila aku tidak tahu um begitu uh ya jadi kita akan berbicara banyak tentang
kemajuan kami dalam autopilot AI serta kemajuan uh di uh dengan dojo dan kemudian kita akan
membawa tim keluar dan lakukan q a panjang sehingga Anda bisa bertanya pertanyaan sulit um
apa pun yang Anda inginkan eksistensial pertanyaan pertanyaan teknis jika itu ingin memiliki
banyak waktu untuk Q a mungkin jadi mari kita lihat dengan itu Anda menebak apa setiap hari?
hai teman-teman, saya Milan, saya bekerja dengan autopilot dan itu karet Saya Lizzy seorang
insinyur mesin di proyek sebagai dengan baik baik um jadi haruskah kita mengangkatnya pilih
sebelum kita maju pertama kali kami mencoba robot ini tanpa derek pendukung cadangan
mekanisme mekanis tidak ada kabel apa-apa ya saya ingin bergabung dengan kalian malam ini
tapi ini pertama kalinya ayo sampai jumpa, ayo pergi [Tepuk tangan] luar negeri [Musik] luar
negeri [Musik] [Musik] jadi ini pada dasarnya adalah sel sampel mengemudi komputer yang
berjalan di Tesla Anda mobil dengan cara [Musik] ini benar-benar yang pertama waktu robot
telah beroperasi tanpa a tether ada di atas panggung malam ini [Musik] [Musik] begitulah um
jadi robot itu sebenarnya bisa melakukan banyak hal lebih dari yang baru saja kami tunjukkan,
kami baru saja tidak ingin jatuh di wajahnya uh jadi kami akan menunjukkan beberapa video
sekarang dari robot melakukan banyak hal lainnya um ya yang kurang berisiko um ya kita harus
menutup layar guys [Musik] ya kami ingin menunjukkan sedikit lebih banyak apa yang telah kita
lakukan selama beberapa bulan terakhir dengan terpisah dan hanya berjalan-jalan dan menari di
atas panggung ah hanya awal yang sederhana tetapi Anda dapat melihat jaringan saraf autopilot
berjalan sebagai baru saja dilatih ulang untuk tunas uh langsung pada itu di platform baru itu itu
kaleng penyiramku ya kalau kamu lihat tampilan yang diberikan itulah robotnya apa itu dunia
robot melihat jadi sangat jelas mengidentifikasi objek seperti ini adalah objek itu harus
mengambil mengambilnya um ya kami menggunakan proses yang sama seperti yang kami
lakukan untuk autopilot untuk mengumpulkan data dalam melatih Anda jaringan yang kemudian
kami Sebarkan di robot itu contoh yang menggambarkan tubuh bagian atas sedikit lebih sesuatu
yang kami ingin coba untuk dipaku turun dalam beberapa bulan selama beberapa berikutnya
bulan saya akan mengatakan dengan sempurna ini benar-benar stasiun yang sebenarnya di Pabrik
Fremont juga itu bekerja di ya begitu [Tepuk tangan] dan itu bukan satu-satunya hal yang harus
kita lakukan tunjukkan hari ini benar ya benar sekali um bahwa apa yang Anda lihat adalah apa
yang kami sebut Bumble C itu uh uh kami agak kasar robot pengembangan uh menggunakan
aktuator semi-off-the-shelf um tapi kami sebenarnya eh sudah pergi a melangkah lebih jauh dari
itu sudah tim telah melakukan pekerjaan yang luar biasa dan kami sebenarnya memiliki bot
optimis dengan a sepenuhnya Tesla dirancang di kedua aktuator um baterai uh sistem kontrol
semuanya um itu belum cukup siap untuk berjalan uh tapi saya pikir itu akan berjalan dalam
beberapa minggu tapi kami ingin menunjukkan robot uh sesuatu yang sebenarnya adil dekat
dengan apa yang akan masuk ke produksi dan um dan tunjukkan semua hal yang bisa
dilakukannya jadi mari kita keluarkan lakukan [Musik] [Musik] [Musik] baiklah tertawa [Musik]
luar negeri yang kami harapkan ada di Optimus unit produksi satu yang merupakan kemampuan
untuk menggerakkan semua jari secara mandiri pindahkan uh agar ibu jari memiliki dua derajat
kebebasan sehingga memiliki opposable jempol dan tangan kiri dan kanan jadi itu dapat
mengoperasikan alat dan bermanfaat hal-hal tujuan kami adalah untuk membuat yang berguna
robot humanoid secepat mungkin dan kami juga telah mendesainnya menggunakan disiplin yang
sama yang kami gunakan dalam mendesain mobil yang mengatakan untuk mendesainnya
manufaktur sedemikian rupa sehingga memungkinkan untuk buat robot dengan volume tinggi
dengan volume rendah biaya dengan keandalan tinggi jadi itu sangat penting maksud saya Anda
semua telah melihat humanoid yang sangat mengesankan demonstrasi robot um dan itu bagus
tapi apa mereka kehilangan mereka kehilangan otak mereka tidak memiliki kecerdasan untuk
menavigasi dunia eh sendiri dan mereka juga sangat mahal um dan dibuat dalam volume rendah
sedangkan uh ini adalah masyarakat yang optimis dan robot yang sangat mampu tetapi dibuat
dengan sangat volume tinggi mungkin akhirnya jutaan unit um dan diharapkan biayanya jauh
lebih murah daripada mobil Saya akan mengatakan mungkin kurang dari dua puluh ribu dolar
akan menjadi tebakan saya [Tepuk tangan] potensi untuk optimis adalah I berpikir dihargai oleh
sangat efektif orang-orang hei seperti biasa demo Tesla akan segera hadir jadi oke itu bagus itu
bagus um ya um tim yang dimasukkan ke dalam dan tim telah melakukan pekerjaan yang luar
biasa eh ini uh hari kerja kamu tahu tujuh hari seminggu menjalankan minyak jam 3 pagi untuk
datang ke demonstrasi hari ini saya super bangga dengan apa yang telah mereka lakukan adalah
mereka telah benar-benar selesai melakukan pekerjaan yang hebat, saya suka untuk membantu
seluruh pilihan tim ini [Tepuk tangan] jadi tau kan sekarang masih banyak pekerjaan yang harus
dilakukan untuk menyempurnakan Optimus dan meningkatkannya jelas ini hanya Optimus versi
satu dan itulah mengapa kami mengadakan ini acara yang meyakinkan beberapa dari orang
paling berbakat di dunia seperti kalian um untuk bergabung dengan Tesla dan membantu
membuatnya kenyataan dan mewujudkannya di skala sedemikian rupa sehingga dapat membantu
jutaan rakyat um dan dan potensinya suka itu benar-benar mengejutkan pikiran karena Anda
harus mengatakan seperti apa adalah ekonomi ekonomi adalah uh semacam entitas produktif
dikalikan produktivitas uh Modal dikalikan dengan output produktivitas per kapita pada titik di
yang tidak ada batasannya kapita tidak jelas apa itu ekonomi berarti pada saat itu ekonomi
menjadi semu tak terbatas um begitu apa yang Anda ketahui membuahkan hasil di skenario
semoga jinak um ini berarti uh masa depan kelimpahan masa depan dimana um tidak ada
kemiskinan di mana orang-orang Anda dapat memiliki apa pun yang Anda inginkan dalam hal
produk dan layanan um itu benar-benar fundamental transformasi peradaban seperti kita tahu um
jelas kami ingin memastikan bahwa transformasi adalah yang positif dan um aman dan tapi itu
juga mengapa saya pikir Tesla sebagai entitas yang melakukan ini sebagai satu kelas saham yang
diperdagangkan secara publik dimiliki oleh publik sangat penting dan tidak boleh diabaikan saya
pikir ini penting karena jika publik tidak menyukai apa yang dilakukan Tesla publik dapat
membeli saham di Tesla dan memilih secara berbeda ini masalah besar um sepertinya sangat
penting bahwa saya tidak bisa hanya melakukan apa yang saya inginkan, Anda tahu terkadang
orang berpikir bahwa tidak tapi itu tidak benar um jadi um Anda tahu itu sangat penting itu itu
entitas perusahaan yang memiliki itu membuat ini terjadi adalah sesuatu yang publik dapat
mempengaruhi dengan baik um dan jadi saya pikir struktur Tesla adalah sangat ideal untuk itu
um dan seperti yang saya katakan bahwa Anda tahu mobil self-driving pasti akan memiliki
dampak luar biasa bagi dunia um saya pikir mereka akan meningkatkan produktivitas
Transportasi oleh setidaknya setengah orde besarnya mungkin an urutan besarnya mungkin lebih
um optimis menurut saya memiliki mungkin dua urutan besarnya uh Potensi Peningkatan dalam
output ekonomi uh seperti tidak jelas tidak jelas berapa batas genap sebenarnya um jadi tapi kita
perlu melakukan ini dengan cara yang benar kita perlu melakukannya dengan hati-hati dan aman
dan pastikan bahwa hasilnya adalah yang bermanfaat untuk peradaban dan dan satu itu
Kemanusiaan satu kali Saya tidak bisa ini juga sangat penting jelas jadi um dan saya harap Anda
akan mempertimbangkan untuk bergabung Tesla untuk mencapai tujuan tersebut um itu Tesla
yang sangat kami pedulikan hal yang benar di sini selalu bercita-cita untuk dilakukan hal yang
benar dan dan benar-benar tidak bayar jalan ke neraka dengan kebaikan niat dan saya pikir jalan
ke neraka sebagian besar diaspal dengan niat buruk tapi sesekali ada yang bagus niat di sana jadi
kami ingin melakukannya lakukan hal yang benar um jadi kamu tahu pertimbangkan untuk
bergabung dengan kami dan membantu membuatnya terjadi um dengan itu mari kita lanjutkan ke
fase selanjutnya tepat di terima kasih Elon baiklah jadi Anda telah melihat beberapa robot hari
ini mari kita buat rekap timeline cepat jadi tahun lalu kami meluncurkan bot Tesla konsep tapi
konsep tidak membuat kita sangat jauh kami tahu kami membutuhkan yang nyata platform
pengembangan dan integrasi untuk dapatkan pembelajaran kehidupan nyata secepat mungkin
agar robot yang keluar dan melakukan sedikit rutinitas untuk kalian, kami memilikinya dalam
waktu enam bulan dibangun bekerja pada integrasi perangkat lunak Perangkat keras peningkatan
selama berbulan-bulan sejak itu tetapi secara paralel kami juga telah merancang Generasi
Berikutnya yang ini di sini jadi orang ini berakar di dasar semacam desain kendaraan proses
Anda tahu kami memanfaatkan semua pembelajaran yang sudah kita miliki jelas banyak yang
berubah sejak tahun lalu tapi ada beberapa hal yang masih sama Anda akan melihat kami masih
memiliki fokus yang sangat detail ini pada bentuk manusia sejati yang kita pikirkan penting
karena beberapa alasan tapi itu menyenangkan kita menghabiskan banyak waktu untuk
memikirkan betapa menakjubkannya tubuh manusia yang kita miliki rentang gerak yang luar
biasa ini biasanya kekuatan yang sangat luar biasa menyenangkan olahraga adalah jika Anda
meletakkan ujung jari Anda kursi di depan Anda, Anda akan melihat bahwa ada rentang gerak
yang sangat besar itu yang Anda miliki di bahu dan siku Anda misalnya tanpa memindahkan
Anda ujung jari Anda bisa menggerakkan sendi itu semua di atas tempat um tapi robot yang
Anda tahu utamanya fungsinya adalah untuk melakukan pekerjaan yang benar-benar bermanfaat
dan mungkin tidak perlu semuanya derajat kebebasan itu segera jadi kami telah melucutinya
hingga seminimal mungkin dari 28 derajat kebebasan dasar dan maka tentu saja tangan kita
selain itu manusia juga cukup efisien dalam beberapa hal hal-hal dan tidak begitu efisien dalam
hal lain kali jadi misalnya kita bisa makan sedikit jumlah makanan untuk menopang diri kita
sendiri beberapa jam itu bagus eh tapi kapan kami hanya duduk-duduk saja tidak pelanggaran
tapi kami agak tidak efisien kita hanya semacam membakar energi jadi di platform robot seperti
apa kita akan kita lakukan adalah kita akan meminimalkan bahwa konsumsi daya idle
menjatuhkannya sebagai serendah mungkin dan dengan begitu kita bisa putar sakelar dan segera
robot berubah menjadi sesuatu yang bermanfaat kerja jadi mari kita bicara tentang yang terbaru
ini generasi dalam beberapa detail akan kita jadi di layar di sini Anda akan melihat di Oranye
adalah aktuator yang akan kita dapatkan sedikit dan biru kami sistem listrik jadi sekarang kita
memiliki jenis kita penelitian berbasis manusia dan kami memiliki platform pengembangan
pertama kami memiliki keduanya penelitian dan eksekusi untuk menarik dari untuk desain ini
sekali lagi kami menggunakan desain kendaraan itu yayasan jadi kami mengambilnya dari
konsep melalui desain dan Analisis dan lalu buat dan validasi sepanjang jalan kita akan
mengoptimalkan untuk hal-hal seperti biaya dan efisiensi karena itu adalah metrik penting untuk
bawa produk ini ke skala akhirnya bagaimana kita akan melakukannya dengan baik? akan
mengurangi jumlah bagian kami dan konsumsi daya setiap elemen mungkin kita akan melakukan
hal-hal seperti mengurangi penginderaan dan kabel di kami ekstremitas yang bisa Anda
bayangkan banyak massa di tangan dan kaki Anda akan menjadi cukup sulit dan konsumtif daya
untuk bergerak dan kami akan memusatkan keduanya distribusi daya dan komputasi kami untuk
pusat fisik platform jadi di tengah tubuh kita sebenarnya itu adalah Torso kami memiliki baterai
kami ini berukuran 2,3 kilowatt jam yang sempurna untuk sekitar satu hari penuh pekerjaan yang
berharga apa yang benar-benar unik tentang baterai ini pak apakah itu memiliki semua baterai?
Elektronik terintegrasi ke dalam satu PCB dalam paket jadi itu berarti segalanya dari
penginderaan ke manajemen biaya sekering dan distribusi daya semuanya dalam satu semua
dalam satu tempat kami juga memanfaatkan kedua Kendaraan kami Produk dan Produk Energi
kami untuk bergulir semua fitur utama itu ke dalam ini baterai sehingga efisien manufaktur
sangat efisien dan baterai metode pendinginan sederhana manajemen dan juga keselamatan dan
tentu saja kita dapat memanfaatkan Tesla infrastruktur dan rantai pasokan yang ada untuk
membuatnya jadi pergi ke semacam otak kita itu tidak di kepala tapi cukup dekat juga di tubuh
kami, kami memiliki Pusat kami Komputer sehingga Anda sudah mengenal Tesla mengirimkan
komputer self-driving penuh di setiap kendaraan yang kami produksi kami ingin memanfaatkan
perangkat keras autopilot dan perangkat lunak untuk platform humanoid tapi karena berbeda di
persyaratan dan dalam faktor bentuk kami akan mengubah beberapa hal terlebih dahulu jadi kita
masih akan melakukannya segala sesuatu yang dilakukan otak manusia pengolahan data Visi
membuat Split Keputusan kedua berdasarkan banyak input sensorik dan juga Komunikasi jadi
untuk mendukung Komunikasi itu dilengkapi dengan konektivitas nirkabel sebagai serta
dukungan audio dan kemudian juga memiliki tingkat Perangkat Keras fitur keamanan yang
penting untuk lindungi robot dan manusia sekitar robot jadi sekarang kita memiliki semacam inti
kita kita akan membutuhkan beberapa anggota badan untuk ini pria dan kami ingin menunjukkan
sedikit kepada Anda sedikit tentang aktuator kami dan kami sepenuhnya tangan fungsional juga
tapi sebelum kita lakukan itu saya ingin memperkenalkan Malcolm siapa yang akan berbicara
sedikit tentang fondasi struktural kami untuk robot [Tepuk tangan] terima kasih Tesla memiliki
kemampuan untuk menyelesaikan sistem yang sangat kompleks itu mendapatkan banyak lebih
kompleks daripada kecelakaan yang bisa Anda lihat di sini simulasi crash pada model 3
ditumpangkan di atas yang sebenarnya kecelakaan fisik itu benar-benar luar biasa bagaimana um
bagaimana akurat itu hanya untuk memberi Anda ide kompleksitas model ini itu termasuk setiap
simpul mesin cuci Bolton setiap tempat Weld dan memiliki 35 juta derajat kebebasan itu cukup
menakjubkan dan memang benar untuk mengatakan bahwa jika kita tidak melakukannya
memiliki model seperti ini kita tidak akan mampu membuat mobil teraman di dunia jadi bisakah
kita memanfaatkan kemampuan kita dan metode kami dari sisi otomotif untuk mempengaruhi
robot baik kita bisa membuat model dan karena kita memiliki perangkat lunak crash yang kami
gunakan sama perangkat lunak di sini kita dapat membuatnya jatuh tujuannya adalah untuk
memastikan bahwa jika jatuh idealnya tidak tapi itu kerusakan superfisial kami tidak ingin
misalnya merusaknya gearbox di lengannya yang setara dengan bahu robot yang terkilir sulit dan
mahal untuk diperbaiki jadi kami ingin membersihkan dirinya sendiri, ayo dengan pekerjaan
yang telah diberikan jika kita juga bisa mengambil model yang sama dan kita dapat
menggerakkan aktuator menggunakan masukan dari model yang diselesaikan sebelumnya
menghidupkannya jadi ini menghasilkan Gerakan untuk tugas yang kami ingin robot lakukan ini
tugas mengambil kotak berputar jongkok berjalan ke atas apa pun itu set tugas yang bisa kita
mainkan untuk model ini menunjukkan hanya sederhana berjalan kita dapat menciptakan tekanan
dalam semua komponen yang membantu kami untuk mengoptimalkan komponen ini bukan robot
menari ini sebenarnya modal Perilaku yang pertama lima mode robot dan biasanya ketika orang
membuat robot mereka memastikan mode pertama ada di atas angka tunggal hingga 10 Hertz
siapa yang melakukan ini adalah membuat kontrol berjalan lebih mudah sangat sulit untuk
berjalan jika tidak bisa menjamin dimana kakimu bergoyang-goyang tidak apa-apa untuk
membuat satu robot yang kita inginkan hasilkan ribuan mungkin Jutaan kita tidak memiliki
kemewahan untuk membuatnya dari titanium serat karbon kami ingin membuat mereka pada hal-
hal plastik tidak cukup kaku jadi kita tidak bisa memiliki target tinggi ini, aku akan sebut mereka
target bodoh kita harus membuatnya bekerja lebih rendah target jadi begitulah yang akan
berhasil baik jika Anda memikirkannya maaf tentang ini tapi kami hanya sekantong jeli basah
dan Tulang dilemparkan ke dalam kita bukan frekuensi tinggi jika aku berdiri kaki saya, saya
tidak bergetar pada 10 Hertz kami orang beroperasi pada frekuensi rendah jadi kami tahu robot
sebenarnya bisa saja membuat kontrol lebih sulit jadi kami mengambil informasi dari ini data
modal dan kekakuan dan masukkan itu ke dalam sistem kontrol yang memungkinkannya berjalan
hanya mengubah pajak sedikit melihat lutut kita bisa mengambil beberapa inspirasi dari biologi
dan kita dapat melihat untuk melihat apa yang keuntungan mekanis dari lutut adalah itu ternyata
itu benar-benar mewakili cukup mirip dengan tautan empat bilah dan itu cukup non-linear itu
tidak mengherankan karena jika Anda berpikir ketika Anda menekuk kaki Anda ke bawah torsi
di lutut Anda jauh lebih banyak saat ditekuk daripada saat itu lurus jadi Anda mengharapkan
fungsi non-linear dan sebenarnya biologi itu non-linear ini cocok dengan cukup akurat jadi itulah
representasi dari empat oleh tautan jelas bukan secara fisik empat tautan bilah seperti yang saya
katakan karakteristiknya mirip tapi saya bertaruh itu tidak terlalu ilmiah mari kita sedikit lebih
ilmiah kami telah memainkan semua tugas melalui melalui grafik ini tapi ini menunjukkan piket
berjalan jongkok tugas yang saya katakan kami lakukan pada stres dan itulah uh pembicaraan
adegan di lutut melawan lutut menekuk pada sumbu horizontal ini menunjukkan persyaratan
lutut untuk melakukan semua ini tugas dan kemudian menempatkan kurva melalui itu
berselancar di atas Peaks dan yang mengatakan inilah yang diperlukan untuk buat robot
melakukan tugas ini jadi jika kita melihat tautan empat bilah itu sebenarnya kurva hijau dan itu
mengatakan bahwa non-linier dari empat dengan tautan sebenarnya dilinierkan karakteristik
kekuatan apa itu benar-benar mengatakan itu menurunkan kekuatan itulah yang membuat
aktuator memiliki Kekuatan serendah mungkin yang paling efisien kami ingin membakar energi
perlahan-lahan apa kurva biru yah biru kurva sebenarnya jika kita tidak memiliki tautan empat
batang kami baru saja memiliki lengan mencuat dari kakiku di sini dengan aktuator di atasnya
tautan dua batang sederhana itu yang terbaik yang bisa Anda lakukan dengan tautan dua bilah
sederhana dan itu menunjukkan bahwa itu akan menciptakan lebih banyak kekuatan di aktuator
yang tidak akan efisien jadi seperti apa praktiknya dengan baik seperti yang akan Anda lihat
tetapi sangat erat dikemas di lutut Anda akan melihat yang bagus transparan dalam sedetik Anda
akan melihat tautan bilah penuh di sana itu beroperasi aktuator ini ditentukan gaya dan
perpindahan pada aktuator dan sekarang menyerahkan Anda ke concertina untuk memberi tahu
Anda lebih banyak detail tentang caranya aktuator ini dibuat dan dirancang dioptimalkan terima
kasih terima kasih michael [Tepuk tangan] jadi saya, saya ingin berbicara dengan Anda tentang
um proses desain dan aktuator portofolio eh di robot kita jadi ada banyak kesamaan antara mobil
dan robot dalam hal desain powertrain yang paling penting itu penting di sini adalah massa
energi dan biaya kami membawa sebagian besar dari kami merancang pengalaman dari mobil ke
robot jadi dalam kasus tertentu Anda melihat mobil dengan dua unit penggerak dan unit
penggerak digunakan untuk mempercepat mobil 0 hingga 60 mil per jam atau berkendara a kota
Mengemudi situs sementara robot itu memiliki 28 aktuator dan tidak jelas apa tugas di tingkat
aktuator sehingga kami memiliki tugas yang tingkat yang lebih tinggi seperti berjalan atau
menaiki tangga atau membawa barang berat objek yang perlu diterjemahkan ke dalam bersama
menjadi spesifikasi bersama oleh karena itu kami menggunakan model kami yang menghasilkan
kecepatan torsi lintasan untuk sendi kita yang selanjutnya akan diberi makan di kami model
optimasi dan untuk dijalankan proses optimasi ini adalah salah satu skenario yang robot mampu
melakukan yang berbalik dan berjalan jadi ketika kita memiliki kecepatan torsi ini lintasan yang
kami letakkan di atas efisiensi peta aktuator dan kita bisa bersama lintasan untuk menghasilkan
daya konsumsi dan akumulasi energi energi untuk tugas versus waktu jadi ini memungkinkan
kita untuk mendefinisikan sistem biaya untuk aktuator tertentu dan put titik sederhana ke awan
maka kita lakukan ini untuk ratusan ribu aktuator dengan memecahkan di cluster kami dan garis
merah menunjukkan bagian depan Pareto yang merupakan area pilihan di mana kita akan
mencari optimal sehingga X menunjukkan desain aktuator pilihan yang kami miliki dipilih untuk
sambungan khusus ini jadi sekarang kita perlu melakukan ini untuk setiap sendi kita memiliki 28
sambungan untuk dioptimalkan dan kami menguraikan awan kami kami mengurai Cloud kami
lagi untuk setiap sendi spec dan sumbu merah kali ini menunjukkan desain aktuator dipesan lebih
dahulu untuk setiap bersama masalahnya di sini adalah yang kita miliki terlalu banyak desain
aktuator yang unik dan bahkan jika kita memanfaatkannya Simetri masih ada terlalu banyak di
untuk membuat sesuatu Mass dapat diproduksi kita harus dapat kurangi jumlah aktuator unik
desain karena itu kami menjalankan sesuatu disebut studi kesamaan yang kami urai Cloud kami
lagi mencari kali ini untuk aktuator yang secara bersamaan Memenuhi The Persyaratan kinerja
bersama untuk lebih banyak lagi dari satu sendi pada saat yang sama sehingga portofolio yang
dihasilkan adalah enam aktuator dan mereka menunjukkan dalam peta warna tengah angka um
dan aktuator juga dapat dilihat di slide ini kami memiliki tiga putar dan tiga aktuator linier yang
semuanya memiliki besar gaya keluaran atau Torsi per Massa aktuator putar khususnya memiliki
kopling mekanis terintegrasi pada kontak sudut sisi kecepatan tinggi bantalan bola dan di sisi
kecepatan tinggi dan di sisi kecepatan rendah roller silang bantalan dan kereta gigi adalah
ketegangan gigi gelombang dan ada tiga sensor terintegrasi di sini dan magnet permanen yang
dipesan lebih dahulu mesin aktuator linier saya minta maaf aktuator linier memiliki planet rol
dan Sekrup planet terbalik Sebagai kereta roda gigi yang memungkinkan efisiensi dan pemadatan
dan daya tahan jadi untuk menunjukkan kekuatan kemampuan aktuator linier kami, kami telah
menyiapkan eksperimen untuk mengujinya di bawah batasnya dan Saya akan membiarkan Anda
menikmati videonya jadi aktuator kami mampu mengangkat setengah nada grand piano konser
sembilan kaki dan ini adalah persyaratan itu bukan sesuatu bagus untuk dimiliki karena otot kita
bisa melakukannya sama ketika mereka didorong langsung ketika mereka didorong langsung
atau otot quadricep dapat melakukan hal yang sama hanya saja lututnya up gearing sistem
hubungan yang mengubah gaya menjadi kecepatan pada efektor akhir kami Bukit untuk tujuan
memberi kepada kelincahan tubuh manusia jadi ini adalah salah satu hal utama yang luar biasa
tentang tubuh manusia dan saya menyimpulkan bagian saya pada saat ini dan saya ingin
menyambut rekan saya Mike siapa yang akan berbicara denganmu tentang tangan desain terima
kasih banyak terima kasih konstantinos jadi kami baru saja melihat betapa kuatnya manusia dan
aktuator humanoid bisa menjadi namun manusia juga sangat cekatan tangan manusia memiliki
kemampuan untuk bergerak pada 300 derajat per detik itu memiliki puluhan ribu taktil sensor
dan memiliki kemampuan untuk memahami dan memanipulasi hampir setiap objek di kami
kehidupan sehari-hari untuk desain tangan robot kami, kami terinspirasi dari biologi kami
memiliki lima jari jempol yang berlawanan jari kita digerakkan oleh logam tendon yang fleksibel
dan kuat kami memiliki kemampuan untuk menyelesaikan lebar daya apertur menggenggam
sambil juga dioptimalkan untuk mencengkeram presisi benda tipis dan halus kecil jadi mengapa
manusia seperti tangan robot nah alasan utamanya adalah karena kami pabrik dan dunia di
sekitar kita adalah dirancang agar ergonomis jadi apa artinya itu memastikan bahwa benda-benda
di Pabrik kami adalah dapat digenggam tetapi juga memastikan bahwa objek baru yang mungkin
belum pernah kita lihat sebelumnya bisa digenggam oleh tangan manusia dan oleh kita tangan
robot juga kebalikannya ada cantik menarik karena mengatakan itu benda-benda ini dirancang
untuk tangan kita daripada harus membuat perubahan pada kami tangan untuk menemani objek
baru beberapa statistik dasar tentang tangan kita adalah itu memiliki enam aktuator dan 11
derajat kebebasan ia memiliki pengontrol di tangan yang menggerakkan jari dan menerima
sensor masukan umpan balik sensor sangat penting untuk belajar sedikit lebih banyak tentang
objek yang kita pegang dan juga untuk proprioception dan itu kemampuan bagi kita untuk
mengenali di mana tangan kita ada di luar angkasa salah satu aspek penting dari tangan kami
apakah itu adaptif, kemampuan beradaptasi ini terlibat pada dasarnya sebagai kompleks
mekanisme yang memungkinkan tangan untuk beradaptasi ke objek yang sedang digenggam
bagian penting lainnya adalah kita memiliki drive jari yang tidak dapat dikendarai di belakang ini
mekanisme cengkeraman memungkinkan kita untuk memegang dan mengangkut barang tanpa
harus nyalakan motor tangan Anda baru saja mendengar bagaimana kami pergi kami mulai
merancang bot Tesla Perangkat keras sekarang akan kami serahkan ke Milan dan tim otonomi
kami untuk membawa ini robot untuk hidup terima kasih mike baiklah um jadi semua hal keren
yang kami tunjukkan sebelumnya di video diposting mungkin hanya dalam beberapa bulan
berkat kata yang luar biasa itu kami telah melakukan autopilot selama beberapa terakhir
bertahun-tahun sebagian besar komponen itu porting cukup dengan mudah ke lingkungan Bot
jika Anda memikirkannya, kami hanya bergerak dari robot di atas Roda menjadi robot di kaki
jadi beberapa komponen itu adalah cukup mirip dan beberapa lainnya membutuhkan lebih
banyak angkat berat jadi misalnya visi komputer kami jaringan saraf dilaporkan langsung dari
autopilot ke Situasi bot itu persis Jaringan hunian yang sama yang sedang kita bicarakan sedikit
lagi detailnya nanti dengan tim autopilot yang sekarang berjalan di bot di sini video ini satu-
satunya hal yang berubah benar-benar data pelatihan yang kami miliki untuk mengingat kami
juga mencoba mencari cara untuk tingkatkan jaringan hunian tersebut menggunakan pekerjaan
yang dilakukan di bidang Radiance Anda untuk mendapatkan rendering volumetrik yang sangat
bagus dari Lingkungan bot misalnya di sini beberapa mesin membaca bahwa bot mungkin harus
berinteraksi dengan masalah lain yang menarik untuk dipikirkan tentang ada di lingkungan
dalam ruangan sebagian besar dengan sinyal GPS itu, bagaimana kabarmu? akan menavigasi ke
tujuannya katakan misalnya untuk menemukan yang terdekat stasiun pengisian jadi kami sudah
berlatih lebih banyak jaringan saraf untuk mengidentifikasi high frekuensi menampilkan poin-
poin penting dalam Aliran kamera bot dan lacak mereka melintasi bingkai dari waktu ke waktu
sebagai bot menavigasi ke lingkungannya dan kami menggunakan poin tersebut untuk
mendapatkan perkiraan yang lebih baik dari pose Bot dan lintasan dalam lingkungannya sebagai
itu berjalan kami juga melakukan beberapa pekerjaan pada sisi simulasi dan ini secara harfiah
simulator autopilot eh yang mana kami telah mengintegrasikan Penggerak robot kode dan ini
adalah video gerakannya kode kontrol berjalan di operator simulator simulator menunjukkan
evolusi robot berjalan seiring waktu dan seperti yang Anda lihat, kami mulai cukup perlahan di
bulan April dan mulai berakselerasi saat kami membuka lebih banyak sambungan dan lebih
dalam Teknik Lanjutan seperti penyeimbangan lengan selama beberapa bulan terakhir dan
Locomotion secara khusus adalah satu komponen yang sangat berbeda seperti kita pindah dari
mobil ke Bot lingkungan dan jadi saya pikir itu menjamin a sedikit lebih dalam dan saya ingin
saya rekan untuk mulai membicarakan ini sekarang luar negeri hai semuanya saya Felix saya
robotika insinyur pada proyek dan saya akan bicara tentang berjalan sepertinya mudah kan orang
melakukannya setiap hari Anda bahkan tidak perlu memikirkannya tapi ada beberapa aspek dari
berjalan yang menantang dari rekayasa perspektif misalnya kesadaran diri fisik yang berarti
memiliki representasi diri yang baik berapa panjang anggota badan Anda apa? massa anggota
badan Anda berapa ukurannya? dari kakimu semua yang penting juga memiliki gerbang hemat
energi Anda bisa membayangkan ada gaya yang berbeda dari berjalan dan semuanya sama
efisien yang terpenting jaga keseimbangan jangan sampai jatuh dan tentu saja juga
mengoordinasikan gerakan dari semua anggota tubuh Anda bersama-sama jadi sekarang manusia
melakukan semua ini secara alami tetapi sebagai Insinyur atau ahli robot yang kami miliki untuk
memikirkan masalah ini dan jika saya akan menunjukkan kepada Anda bagaimana kami
mengatasinya Perencanaan dan kontrol penggerak kami tumpukan jadi kita mulai dengan
perencanaan Locomotion dan representasi kami dari ikatan itu berarti model robot kinematika
Dinamika dan kontak properti dan menggunakan model itu dan yang diinginkan jalur untuk Bot
perencana Penggerak kami menghasilkan lintasan referensi untuk seluruh sistem ini berarti
lintasan yang layak dengan sehubungan dengan asumsi model kami perencana saat ini Bekerja di
tiga tahapan itu mulai merencanakan langkah kaki dan berakhir dengan seluruh sistem foto gerak
dan mari selami sedikit lebih dalam cara kerjanya jadi di video ini kita lihat langkah kaki
direncanakan di atas perencanaan Horizon mengikuti jalur yang diinginkan dan kita mulai dari
ini dan tambahkan kemudian untuk lintasan yang menghubungkan ini langkah kaki
menggunakan toe off dan yield strike sama seperti manusia seperti halnya manusia dan ini
memberi kita langkah yang lebih besar dan kurang lutut Tekuk untuk efisiensi tinggi sistem
tahap terakhir adalah menemukan pusat lintasan massa yang memberi kita biaya gerak layak
secara dinamis dari seluruh sistem untuk menjaga keseimbangan seperti yang kita semua tahu
rencananya bagus tapi kita juga harus menyadarinya dalam kenyataan katakanlah Anda tahu lihat
bagaimana kita bisa melakukannya ini [Tepuk tangan] terima kasih Felix halo semuanya nama
saya adalah Anand dan saya akan berbicara dengan Anda tentang kontrol jadi mari kita ambil
rencana gerak itu Felix hanya berbicara tentang dan memasukkannya ke dalam nyata dunia di
robot nyata mari kita lihat apa terjadi dibutuhkan beberapa langkah dan jatuh nah itu sedikit
mengecewakan tapi kami kehilangan beberapa bagian penting di sini yang akan membuatnya
bekerja sekarang ketika Felix menyebutkan gerakannya perencana menggunakan versi ideal dari
itu sendiri dan versi realitas di sekitar dia ini tidak sepenuhnya benar itu juga mengungkapkan
niatnya melalui lintasan dan kunci pas cabang gaya dan torsi yang diinginkannya mengerahkan
Dunia untuk bergerak kenyataan jauh lebih kompleks dari apapun model serupa juga robotnya
tidak disederhanakan itu punya getaran dan mode kebisingan sensor kepatuhan dan terus-
menerus dan terus jadi apa hubungannya dengan dunia nyata ketika Anda menempatkan bot di
dunia nyata baik kekuatan tak terduga menyebabkan Dinamika yang tidak dimodifikasi yang
pada dasarnya adalah perencana tidak tahu tentang dan itu menyebabkan destabilisasi terutama
Untuk sistem yang stabil secara dinamis seperti penggerak biped jadi apa yang bisa kita lakukan
dengan baik? mengukur kenyataan kami menggunakan sensor dan pemahaman kami tentang
dunia untuk melakukan estimasi negara dan status saya di sini Anda dapat melihat sikap dan
pose panggul yang pada dasarnya sistem vestibular di a manusia bersama dengan pusat lintasan
massa dilacak saat robot berjalan di lingkungan kantor sekarang kita memiliki semua bagian
yang kita butuhkan perintah untuk menutup loop jadi kami menggunakan model bot kami yang
lebih baik kami menggunakan pemahaman tentang realitas bahwa kami telah memperoleh
melalui estimasi Negara dan kami membandingkan apa yang kami inginkan versus apa kita
mengharapkan kenyataan yang kita harapkan itu kenyataan melakukan pada kita untuk
tambahkan koreksi pada perilaku robot di sini robot pasti tidak menghargai ditusuk tetapi tidak
pekerjaan yang mengagumkan untuk tetap tegak Point terakhir disini adalah robot yang jalan
kaki saja tidak cukup kami perlu menggunakan tangan dan lengannya untuk berguna mari kita
bicara tentang manipulasi [Tepuk tangan] hai semuanya nama saya Eric robotika insinyur di
teslabot dan saya ingin bicara tentang bagaimana kami membuat robot memanipulasi hal-hal di
dunia nyata kami ingin memanipulasi objek sambil terlihat sealami mungkin dan juga sampai di
sana dengan cepat jadi yang kami lakukan adalah kami telah memecah proses ini menjadi dua
langkah pertama adalah menghasilkan perpustakaan referensi gerak alami atau kita bisa sebut
mereka demonstrasi dan kemudian kami mengadaptasi referensi gerakan ini secara online
dengan situasi dunia nyata saat ini jadi katakanlah kita memiliki manusia demonstrasi
mengambil benda kita bisa mendapatkan tangkapan gerak itu demonstrasi yang divisualisasikan
dengan benar di sini sebagai sekelompok keyframe mewakili lokasi tangan siku batang tubuh
kita dapat memetakannya ke robot menggunakan kinematika terbalik dan jika kita
mengumpulkan a banyak dari ini sekarang kami memiliki perpustakaan yang kita bisa bekerja
dengan tetapi satu demonstrasi tidak digeneralisasikan untuk variasi dalam dunia nyata misalnya
ini hanya akan bekerja untuk sebuah kotak dengan sangat khusus lokasi jadi yang juga kami
lakukan adalah menjalankan ini lintasan referensi melalui a program optimasi lintasan yang
memecahkan di mana tangan seharusnya bagaimana robot harus seimbang selama uh ketika
perlu menyesuaikan gerak ke dunia nyata jadi misalnya jika kotak itu di lokasi ini maka
Pengoptimal kami akan membuat ini lintasan sebagai gantinya selanjutnya Milan akan berbicara
tentang uh apa selanjutnya untuk Optimus uh Tesla y terima kasih terima kasih Larry benar jadi
mudah-mudahan sekarang kalian punya ide bagus tentang apa yang telah kita lakukan beberapa
bulan terakhir um kami mulai melakukan sesuatu itu dapat digunakan tetapi jauh dari berguna
masih ada jalan yang panjang dan mengasyikkan di depan kita um Saya pikir hal pertama dalam
berikutnya beberapa minggu adalah untuk mendapatkan Optimus setidaknya setara dengan
Bumble C bug lainnya prototipe yang Anda lihat sebelumnya dan mungkin Di luar kita juga akan
memulai berfokus pada kasus penggunaan nyata di salah satu dari pabrik kami dan benar-benar
akan mencoba coba selesaikan ini dan saya kehabisan semua elemen yang dibutuhkan untuk
menyebarkan ini produk di dunia nyata aku menyebutkan sebelumnya um Anda tahu navigasi
dalam ruangan anggun untuk manajemen atau bahkan melayani semua komponen yang
diperlukan untuk menskalakan produk ini ke atas tapi um saya tidak tahu tentang Anda tapi
setelah melihat apa yang telah kita tunjukkan malam ini aku cukup yakin kita bisa menyelesaikan
ini dalam beberapa bulan atau tahun ke depan dan saya membuat produk ini menjadi kenyataan
dan mengubah seluruh ekonomi jadi saya ingin mengucapkan terima kasih seluruh tim Optimus
atas kerja kerasnya bekerja selama beberapa bulan terakhir saya pikir itu sangat menakjubkan
semua ini dilakukan dalam waktu hampir enam atau delapan bulan terima kasih sangat banyak
[Tepuk tangan] terima kasih Hai semuanya hai saya Ashok saya memimpin tim autopilot
bersama Milan Tuhan itu datang sangat sulit untuk di atas itu Bagian Optimus dia akan tetap
mencoba omong-omong um setiap Tesla yang telah dibangun di atas beberapa tahun terakhir
kami pikir memiliki perangkat keras untuk membuat mobil mengemudi sendiri kami telah
mengerjakan perangkat lunak untuk tambahkan tingkat otonomi yang lebih tinggi dan lebih
tinggi kali ini sekitar tahun lalu kami memiliki kira-kira 2.000 mobil mengendarai FSD beta
kami perangkat lunak sejak itu kami memiliki secara signifikan meningkatkan perangkat lunak
sebagai ketahanan dan kemampuan yang kami miliki sekarang mengirimkannya ke 160.000
pelanggan mulai hari ini ya [Tepuk tangan] ini tidak datang secara gratis itu berasal dari keringat
dan darah rekayasa tim selama satu tahun terakhir misalnya kami melatih 75 000 saraf model
jaringan hanya bertahan satu tahun itu kira-kira model setiap delapan menit itu yang Anda tahu
keluar dari tim dan kemudian kami mengevaluasinya pada ukuran besar kami cluster dan
kemudian kami mengirimkan 281 di antaranya model yang benar-benar meningkatkan performa
mobil dan ruang inovasi ini adalah terjadi di seluruh tumpukan perangkat lunak perencanaan
infrastruktur alat bahkan mempekerjakan semuanya berkembang ke yang berikutnya tingkat
software FSG beta cukup mumpuni mengemudi mobil itu harus dapat menavigasi dari tempat
parkir ke tempat parkir yang menangani CDC menyetir berhenti untuk lampu lalu lintas dan
berhenti tanda-tanda bernegosiasi dengan objek di persimpangan membuat belokan dan
sebagainya semua ini berasal dari kamera aliran yang melewati saraf kita jaringan yang berjalan
di mobil itu sendiri itu tidak kembali ke server atau apa pun itu berjalan di mobil dan
menghasilkan semua output untuk membentuk model dunia di sekitar mobil dan perangkat lunak
perencanaan mengendarai mobil berdasarkan itu hari ini kita akan pergi ke banyak komponen
yang membentuk sistem Jaringan hunian bertindak sebagai basis lapisan geometri sistem ini
adalah saraf video multi-kamera jaringan bahwa dari gambar memprediksi penuh hunian fisik
dunia sekitar robot jadi apa pun yang ada secara fisik pohon dinding bangunan dinding mobil apa
sudahkah Anda memprediksi apakah itu? secara khusus menyajikannya memprediksi mereka
bersama dengan gerakan masa depan mereka di atas tingkat dasar geometri ini kita memiliki
lebih banyak lapisan semantik untuk menavigasi jalan raya kita membutuhkan lensa tentu saja
tapi kemudian jalan raya memiliki banyak jalur yang berbeda dan mereka terhubung di semua
macam cara jadi itu benar-benar masalah sulit untuk komputer biasa teknik penglihatan untuk
memprediksi himpunan pesawat dan konektivitasnya jadi kami mencapai semua jalan ke dalam
bahasa Teknologi dan kemudian menarik negara seni dari domain lain dan bukan hanya visi
komputer untuk membuat tugas ini mungkin untuk kendaraan kita perlu penuh keadaan
kinematik untuk mengontrolnya semua ini langsung berasal dari saraf jaringan streaming video
streaming video mentah masuk ke jaringan melalui banyak hal pemrosesan dan kemudian
menghasilkan output penuh keadaan kinematik bahwa posisi kecepatan akselerasi brengsek
semua itu langsung keluar dari jaringan dengan minimal post processing itu kok menarik bagi
saya karena bagaimana? ini bahkan mungkin dunia apa yang kita tinggali dalam sihir ini adalah
mungkin bahwa jaringan ini memprediksi keempat turunan dari posisi ini ketika orang mengira
kami bahkan tidak bisa mendeteksi benda-benda ini pendapat saya adalah bahwa itu tidak datang
untuk gratis eh itu membutuhkan banyak data jadi kami memiliki pelabelan Otomatis yang
sedikit canggih sistem yang Bersinar melalui sensor mentah data menjalankan banyak komputasi
offline di server itu bisa memakan waktu beberapa jam berjalan jaringan saraf mahal menyaring
informasi ke dalam label yang melatih jaringan saraf dalam mobil di atas ini kami juga
menggunakan sistem simulasi menjadi sintetis buat gambar dan karena itu a simulasi kami sepele
memiliki semua label semua ini melalui minyak yang baik pipa mesin data tempat kami pertama
kali melatih model dasar dengan beberapa data kirimkan ke mobil lihat apa kegagalannya dan
begitu Anda tahu kegagalannya kami menambang armada untuk kasus-kasus di mana itu gagal
memberikan label yang benar dan menambahkan data ke set pelatihan proses ini secara
sistematis memperbaiki masalah dan kami melakukan ini untuk setiap tugas yang berjalan di
dalam mobil ya dan untuk melatih masif baru ini jaringan saraf tahun ini kami memperluas
infrastruktur pelatihan kami kira-kira 40 hingga 50 persen sehingga kami duduk di sekitar 14.000
GPU hari ini di beberapa kluster pelatihan di Amerika Serikat kami juga mengerjakan kompiler
AI kami yang sekarang mendukung operasi baru yang dibutuhkan oleh jaringan saraf itu dan
memetakannya ke uh yang terbaik dari yang mendasari kami Sumber daya perangkat keras dan
mesin inferensi kami hari ini adalah mampu Mendistribusikan pelaksanaan jaringan saraf tunggal
di dua sistem independen di kapal pada dasarnya dua komputer independen saling berhubungan
dalam komputer self-driving sederhana dan untuk memungkinkan ini kita harus pertahankan
kontrol yang ketat dari ujung ke ujung latensi sistem baru ini jadi kami menerapkan kode
penjadwalan yang lebih canggih di seluruh platform FSD semua jaringan saraf ini berjalan di
mobil bersama-sama menghasilkan vektor ruang yang lagi-lagi modelnya dunia di sekitar robot
atau mobil dan maka sistem perencanaan beroperasi di atas dari ini datang dengan lintasan itu
menghindari tabrakan atau membuat kemajuan dengan lancar menuju tujuan menggunakan a
kombinasi optimasi berbasis model ditambah jaringan saraf yang membantu mengoptimalkan itu
menjadi sangat cepat hari ini kami sangat bersemangat untuk mempresentasikan kemajuan di
semua bidang yang kita miliki rekayasa memimpin berdiri untuk masuk dan jelaskan berbagai
blok ini dan kekuatan ini bukan hanya mobil tapi juga komponen yang sama juga berjalan di
Optimus robot yang ditunjukkan Milan sebelumnya dengan itu saya menyambut panel untuk
memulai berbicara tentang bagian perencanaan hai semua saya parel joint mari kita gunakan
skenario persimpangan ini untuk selami langsung bagaimana kami melakukannya perencanaan
dan pengambilan keputusan dalam pilot otomatis jadi kita mendekati persimpangan ini dari
pinggir jalan dan kita harus mengalah ke semua kendaraan penyeberangan kebenaran saat kita
akan memasuki persimpangan Pejalan kaki di sisi lain persimpangan memutuskan untuk
menyeberang jalan tanpa penyeberangan sekarang kita harus menyerah pada pejalan kaki ini
menyerah pada kendaraan dari kanan dan juga memahami hubungan antara The Pejalan kaki dan
kendaraan di sisi lain sisi persimpangan begitu banyak intra-objek ini dependensi yang perlu kita
selesaikan dalam sekilas dan manusia sangat pandai dalam hal ini kita melihat pemandangan
mengerti semua kemungkinan interaksi paling banyak dievaluasi yang menjanjikan dan
umumnya akhirnya memilih yang masuk akal jadi mari kita lihat beberapa di antaranya interaksi
sistem autopilot itu dievaluasi kita bisa pergi di depan ini pejalan kaki dengan peluncuran yang
sangat agresif dalam profil lateral sekarang jelas kita menjadi brengsek untuk The Pejalan kaki
dan kami akan menakuti The Pejalan kaki dan hewan peliharaannya yang lucu kita bisa bergerak
maju perlahan-lahan pendek untuk celah antara The Pedestrian atau dan kendaraan dari kanan
lagi-lagi kita menjadi brengsek pada kendaraan datang dari kanan tetapi Anda seharusnya tidak
langsung menolak interaksi ini untuk berjaga-jaga ini hanya interaksi aman yang tersedia
akhirnya interaksi kita berakhir memilih tetap lambat awalnya temukan yang masuk akal Gap
dan kemudian selesaikan manuver setelahnya semua agen lulus sekarang evaluasi semua ini
interaksi tidak sepele terutama ketika Anda peduli tentang pemodelan turunan orde lebih tinggi
untuk lainnya agen misalnya apa itu longitudinal brengsek yang dibutuhkan oleh kendaraan yang
datang dari benar ketika Anda menegaskan di depannya mengandalkan sepenuhnya pada
pemeriksaan tabrakan dengan prediksi modular hanya akan membuat Anda begitu jauh karena
Anda akan kehilangan banyak hal interaksi yang valid ini pada dasarnya bermuara pada
pemecahan perencanaan lintasan bersama multi-agen masalah atas lintasan ego dan semua agen
lainnya sekarang seberapa banyak Anda mengoptimalkannya akan menjadi batas seberapa cepat
Anda bisa menjalankan masalah optimasi ini akan menjadi hampir mendekati order 10 milidetik
bahkan setelah banyak perkiraan inkremental sekarang untuk tipikal ramai tak terduga kiri
katakan Anda memiliki lebih dari 20 objek masing-masing objek memiliki banyak masa depan
yang berbeda mode jumlah interaksi yang relevan kombinasi akan meledak kita perencana perlu
membuat keputusan setiap 50 milidetik jadi bagaimana kita menyelesaikannya? ini secara real
time kami mengandalkan kerangka kerja yang kami sebut sebagai pencarian interaksi yang pada
dasarnya adalah penelitian paralel atas sekelompok lintasan manuver ruang keadaan di sini
sesuai dengan keadaan kinematik ego kinematik keadaan agen lain masa depan nominal
beberapa prediksi multimodal dan semuanya entitas statis di tempat kejadian ruang aksi adalah
tempat segala sesuatu didapat menarik kami menggunakan satu set lintasan manuver kandidat
untuk Cabang atas sekelompok keputusan interaksional dan juga tujuan tambahan untuk waktu
yang lebih lama Manuver cakrawala Mari Berjalan Melalui penelitian ini sangat cepat untuk
memahami cara kerjanya kita mulai dengan satu set visi pengukuran yaitu hunian Lanes benda
bergerak ini direpresentasikan sebagai ekstraksi jarang serta laten fitur kami menggunakan ini
untuk membuat serangkaian tujuan calon Jalur lagi dari Jaringan jalur atau daerah tidak
terstruktur yang sesuai dengan topeng probabilitas yang berasal dari Manusia demonstrasi
setelah kita memiliki banyak emas ini kandidat yang kami buat lintasan benih menggunakan
kombinasi klasik pendekatan optimasi serta kami Perencana jaringan kembali dilatih tentang data
dari umpan pelanggan sekarang setelah kita mendapatkan banyak ini gratis lintasan kami
menggunakannya untuk memulai bercabang pada interaksi kami menemukan interaksi yang
paling kritis dalam kasus kami ini akan menjadi interaksi sehubungan dengan The Pejalan kaki
apakah kita tegaskan di depan itu atau menyerah padanya jelas pilihan di sebelah kiri adalah opsi
penalti tinggi kemungkinan tidak akan didapat diprioritaskan jadi kami Cabang lebih jauh ke
opsi di sebelah kanan dan di situlah kami membawa lebih banyak dan lebih kompleks interaksi
membangun pengoptimalan ini masalah secara bertahap dengan semakin banyak kendala dan
penelitian itu terus mengalir bercabang pada lebih banyak interaksi bercabang pada lebih banyak
gol sekarang banyak trik di sini terletak evaluasi dari masing-masing node ini dari penelitian di
dalam setiap simpul awalnya kami mulai dengan membuat lintasan menggunakan klasik
pendekatan optimasi di mana kendala seperti yang saya jelaskan adalah ditambahkan secara
bertahap dan ini akan memakan waktu hampir satu hingga lima milidetik per tindakan sekarang
meskipun ini cukup bagus nomor ketika Anda ingin mengevaluasi lebih banyak dari 100
interaksi ini tidak skala jadi kami akhirnya membangun yang ringan jaringan yang dapat
ditanyakan yang dapat Anda jalankan lingkaran perencana jaringan ini dilatih pada manusia
demonstrasi dari armada serta pemecah offline dengan batas waktu santai dengan ini kami dapat
membawa rundown runtime turun untuk menutup 200 mikrodetik per tindakan sekarang
melakukan ini saja tidak cukup karena Anda masih memiliki sebesar ini penelitian bahwa Anda
harus pergi melalui dan Anda perlu efisien memangkas ruang pencarian jadi Anda perlu
melakukan penilaian pada masing-masing dari lintasan ini beberapa di antaranya adalah cukup
standar Anda melakukan banyak pemeriksaan tabrakan Anda melakukan banyak analisis
kenyamanan apa itu brengsek dan sebenarnya diperlukan untuk manuver tertentu data Armada
pelanggan memainkan peran penting di sini lagi kami menjalankan dua set lagi yang ringan
jaringan variabel keduanya benar-benar bertambah satu sama lain salah satu dari mereka dilatih
dari intervensi dari FST beta Fleet yang memberikan skor pada Seberapa besar kemungkinannya
diberikan manuver untuk menghasilkan intervensi selama beberapa detik berikutnya dan kedua
yang murni pada manusia demonstrasi pemberian data yang digerakkan manusia skor seberapa
dekat Anda diberikan tindakan yang dipilih untuk didorong oleh manusia lintasan penilaian
membantu kami memangkas pencarian ruang angkasa terus bercabang lebih jauh di interaksi dan
memfokuskan komputasi pada hasil yang paling menjanjikan bagian yang keren tentang ini
arsitektur memungkinkan kita untuk buat perpaduan yang keren antara eh pendekatan berbasis
data di mana Anda tidak harus bergantung pada banyak tangan biaya rekayasa tetapi juga
memasukkannya ke dalam kenyataan dengan pemeriksaan berbasis fisika sekarang banyak dari
apa yang saya jelaskan adalah sehubungan dengan agen yang kami bisa amati di tempat kejadian
tapi sama kerangka kerja meluas ke objek di belakang oklusi kami menggunakan umpan video
dari delapan kamera untuk menghasilkan hunian 3D dari dunia topeng biru di sini sesuai dengan
wilayah visibilitas kami menyebutnya itu pada dasarnya diblokir pada awalnya oklusi yang Anda
lihat di adegan kami konsumsi topeng visibilitas ini untuk menghasilkan apa yang kami sebut
sebagai objek hantu yang kamu bisa lihat di kiri atas sekarang jika Anda memodelkan daerah
spawn dan transisi keadaan hantu ini objek dengan benar jika Anda menyetel respons kontrol
Anda sebagai fungsi kemungkinan keberadaan itu Anda dapat mengekstrak beberapa sangat
bagus perilaku seperti manusia sekarang saya akan meneruskannya untuk mengisi jelaskan lebih
lanjut tentang bagaimana kami menghasilkan ini jaringan hunian hai teman-teman nama saya
Phil eh saya akan berbagi rincian jaringan hunian kami membangun selama setahun terakhir
jaringan ini adalah solusi kami untuk model pekerjaan fisik dalam 3D di sekitar mobil kami dan
saat ini tidak ditampilkan di kami visualisasi yang dihadapi pelanggan dan apa? kita akan lihat di
sini adalah Jaringan jalan keluaran dari alat Dev internal kami Jaringan hunian mengambil video
aliran semua 80 kamera kami sebagai masukan menghasilkan satu kesatuan volumetrik hunian di
ruang Vektor secara langsung untuk setiap lokasi 3D di sekitar mobil kami memprediksi
kemungkinan itu lokasi banyak ditempati karena memiliki kontak video itu mampu memprediksi
hambatan yang tersumbat seketika untuk setiap lokasi itu juga menghasilkan satu set semantik
seperti trotoar pejalan kaki mobil dan puing-puing rendah sebagai kode warna di sini arus hunian
juga diprediksi untuk gerakan karena modelnya adalah Jaringan umum itu tidak memberi tahu
statis dan dinamis benda secara eksplisit mampu menghasilkan dan memodelkan gerakan acak
seperti pelatih meliuk di sini jaringan ini sedang berjalan di semua Teslas dengan komputer FSD
dan itu berjalan sangat efisien setiap 10 milidetik dengan akselerator saraf kami jadi bagaimana
cara kerjanya mari kita lihat di arsitektur pertama kami Memperbaiki setiap gambar kamera
dengan kalibrasi kamera dan gambar yang ditampilkan di sini adalah diberikan ke jaringan itu
sebenarnya tidak gambar RGB 8-bit khas yang Anda bisa lihat dari gambar pertama di atas kita
memberikan akun foto mentah 12 bit gambar ke jaringan karena memiliki empat bit lebih banyak
informasi yang dimilikinya 16 kali rentang dinamis yang lebih baik serta berkurang latensi
karena kita tidak salah ISP di Adobe lagi kami menggunakan satu set catatan dan kembali
dengan FPS sebagai tulang punggung untuk mengekstrak gambar fitur luar angkasa selanjutnya
kita membangun satu set posisi 3D permintaan bersama dengan fitur ruang IMG karena kunci
dan nilai cocok menjadi perhatian modul output dari modul perhatian adalah fitur spasial dimensi
tinggi fitur khusus ini selaras sementara menggunakan odometri kendaraan untuk mendapatkan
gerak terakhir fitur temporal spasial ini pergi melalui satu set konvolusi D ke menghasilkan
hunian akhir dan keluaran aliran hunian mereka dibentuk sebagai petinju abu-abu ukuran tetap
yang mungkin tidak cukup tepat untuk merencanakan pengendalian untuk mendapatkan resolusi
yang lebih tinggi, kami juga menghasilkan Peta fitur per voxel yang akan dimasukkan ke dalam
MLP dengan spasial 3D Arahkan kueri untuk mendapatkan posisi dan semantik di sembarang
lokasi setelah mengetahui model lebih baik mari kita lihat contoh lain di sini kami memiliki bus
artikular yang diparkir di sepanjang kanan baris samping disorot sebagai petinju berbentuk L di
sini saat kami mendekati bus mulai pindahkan biru bagian depan gerobak berubah menjadi biru
terlebih dahulu menunjukkan modelnya memprediksi bus frontal memiliki nol turun arus hunian
dan s-bus terus bergerak secara keseluruhan bus berubah menjadi biru dan Anda juga dapat
melihat bahwa jaringan memprediksi kelengkungan yang tepat dari bis nah ini masalah yang
sangat rumit untuk Jaringan deteksi objek tradisional karena Anda harus melihat apakah saya
akan melakukannya gunakan satu balok atau mungkin q agar sesuai dengan kelengkungan tetapi
untuk jaringan pendudukan karena yang kami pedulikan hanyalah hunian di ruang yang terlihat
dan kita akan bisa untuk memodelkan kelengkungan dengan tepat selain tingkat voxel hunian
Jaringan juga menghasilkan permukaan yang dapat dilalui permukaan yang dapat dilalui
memiliki keduanya 3D geometri dan semantik mereka sangat berguna untuk kontrol terutama
pada penyembuhan dan jalan berliku permukaan dan abu-abu voxel tidak diprediksi secara
independen bukan kotak voxel sebenarnya sejajar dengan permukaan secara implisit di sini kita
berada di Quest pahlawan di mana Anda dapat melihat geometri 3D permukaan diprediksi
dengan baik perencana dapat menggunakan informasi ini untuk putuskan mungkin kita perlu
lebih memperlambat untuk Hillcrest dan yang Anda bisa juga lihat tingkat voxel sejajar dengan
permukaan secara konsisten selain sumber Kotak dan permukaannya kami juga sangat senang
dengan yang baru-baru ini terobosan dalam bidang pembacaan saraf atau Nerf kami sedang
mencari keduanya, menggabungkan beberapa dari fitur warna terang menjadi pelatihan jaringan
okupansi serta menggunakan output Jaringan kami sebagai input negara untuk Nerf sebenarnya
Ashok sangat bersemangat tentang ini, ini adalah miliknya uh proyek akhir pekan pribadi untuk
sementara waktu pada saraf ini karena saya pikir Akademisi sedang membangun banyak dari ini
Model dasar uh untuk penggunaan bahasa seperti banyak kumpulan data besar untuk bahasa tapi
saya pikir untuk saraf penglihatan akan memberikan fondasi model untuk visi komputer karena
mereka didasarkan pada geometri dan geometri memberi kita cara yang bagus untuk mengawasi
ini jaringan dan pembekuan persyaratan untuk Mendefinisikan ontologi dan pengawasan pada
dasarnya gratis karena Anda hanya perlu merender secara berbeda gambar-gambar ini jadi saya
pikir di masa depan eh ini hunian Ide jaringan di mana Anda tahu gambar masuk dan kemudian
jaringan menghasilkan konsisten representasi volumetrik dari adegan yang kemudian dapat
dirender secara berbeda ke dalam gambar apa pun yang diamati I I secara pribadi berpikir adalah
masa depan komputer visi uh dan Anda tahu kami melakukan beberapa pekerjaan awal di
atasnya eh sekarang tapi aku pikirkan masa depan baik di Tesla maupun di Akademisi kita akan
melihat bahwa ini kombinasi prediksi One-Shot dari hunian volumetrik eh akan itu taruhan
pribadi saya seksual jadi inilah contoh hasil awal dari a Rekonstruksi 3D dari data gratis kami
daripada fokus untuk menjadi sempurna Proyeksi ulang RGB di ruang pencitraan kami tujuan
utama di sini adalah untuk secara akurat mewakili ruang 3D peringatan untuk mengemudi dan
kami ingin melakukan ini untuk semua data gratis kami di seluruh dunia secara keseluruhan
cuaca dan kondisi pencahayaan dan jelas ini sangat menantang masalah dan kami mencari kalian
untuk membantu akhirnya jaringan hunian terlatih dengan kumpulan data level otomatis besar
tanpa setiap manusia dalam lingkaran dan dengan itu saya akan beralih ke Tim untuk berbicara
tentang apa yang diperlukan untuk melatih ini jaringan terima kasih Phil [Tepuk tangan] baiklah
hai semuanya mari kita bicara tentang beberapa pelatihan infrastruktur jadi kami telah melihat
beberapa video Anda tahu empat atau lima eh saya pikir dan peduli lebih banyak dan lebih
khawatir tentang lebih banyak lagi Klip itu jadi kami telah melihat jaringan hunian hanya dari
Phil hanya mengisi video dibutuhkan 1,4 miliar bingkai untuk melatih Jaringan itu apa yang
Anda baru saja melihat dan jika Anda memiliki seratus ribu GPU uh itu akan memakan waktu
satu jam tetapi jika Anda memiliki satu GPU, itu akan diperlukan seratus ribu jam jadi bukan
periode waktu yang manusiawi yang bisa Anda tunggu agar pekerjaan pelatihan Anda berjalan
dengan benar, kami ingin mengirim lebih cepat dari itu sehingga berarti kamu harus pergi paralel
sehingga Anda membutuhkan lebih banyak komputasi untuk itu berarti Anda akan membutuhkan
superkomputer jadi inilah alasan kami membangun tiga superkomputer internal yang terdiri dari:
dari 14.000 GPU di mana kami menggunakan 10.000 GPU untuk pelatihan dan sekitar empat
ribu GPU untuk pelabelan otomatis semua video ini disimpan di 30 petabyte dari video terkelola
terdistribusi cache Anda seharusnya tidak menganggap kumpulan data kami sebagai tetap
katakanlah seperti yang Anda pikirkan tentang Anda imagenet atau sesuatu yang Anda tahu
dengan suka sejuta bingkai Anda harus memikirkannya sebagai hal yang sangat cair jadi kami
punya setengah juta video ini mengalir masuk dan keluar dari cluster ini ini cluster setiap hari
dan kami melacak 400.000 jenis ini instantiasi video python setiap detik jadi itu banyak
panggilan kami perlu menangkap itu untuk mengatur kebijakan retensi ini cache video
terdistribusi begitu mendasar semua ini adalah sejumlah besar infra semuanya kami bangun dan
kelola di rumah jadi tidak bisa beli begitu saja lho 40.000 GPU dan kemudian 30 petabyte Flash
mvme dan gabungkan saja dan mari pergi kereta uh itu benar-benar membutuhkan banyak
bekerja dan saya akan masuk sedikit dari itu apa yang sebenarnya ingin Anda lakukan apakah
Anda ingin mengambil akselerator Anda? bahwa itu bisa berupa GPU atau Dojo yang kita
bicarakan nanti dan karena itu yang paling mahal komponen di situlah Anda ingin meletakkan
kemacetan Anda dan itu artinya setiap bagian dari sistem Anda adalah akan perlu untuk
mengungguli ini akselerator dan jadi itu benar-benar rumit itu berarti penyimpanan Anda akan
membutuhkan untuk memiliki ukuran dan bandwidth untuk mengirimkan semua data ke dalam
node node ini harus memiliki hak jumlah kemampuan CPU dan memori untuk masukkan ke
dalam pembelajaran mesin Anda kerangka kerangka kerja pembelajaran mesin ini kemudian
perlu menyerahkannya ke GPU Anda dan maka Anda dapat memulai pelatihan tetapi kemudian
Anda perlu melakukannya di ratusan atau ribuan GPU dengan cara yang andal dalam logstap dan
dengan cara yang juga cepat Anda juga akan membutuhkan interkoneksi sangat rumit kita akan
berbicara lebih banyak tentang dojo dalam sedetik jadi pertama-tama saya ingin membawa Anda
ke beberapa pengoptimalan yang telah kami lakukan pada gugus jadi kami mendapatkan banyak
video dan video sangat tidak seperti katakanlah pelatihan tentang gambar atau teks yang menurut
saya video yang sangat mapan cukup secara harfiah dimensi yang lebih rumit um dan itulah
mengapa kita harus mengakhirinya untuk mengakhiri dari lapisan penyimpanan ke akselerator
dan optimalkan setiap satu bagian dari itu karena kita berlatih menghitung foton video yang
datang langsung dari Armada kami kami melatih mereka secara langsung yang tidak kami
lakukan pasca proses itu sama sekali cara yang baru saja dilakukan adalah kita mencari persis
dengan bingkai yang kami pilih untuk kami batch kami memuatnya termasuk bingkai yang
mereka andalkan jadi ini iframe Anda atau bingkai utama Anda, kami kemas itu, pindahkan ke
berbagi memori pindahkan mereka ke bilah ganda dari GPU dan kemudian gunakan perangkat
keras decoder yang hanya dipercepat menjadi benar-benar memecahkan kode video jadi kami
melakukannya pada GPU secara asli dan ini semua dalam a ekstensi python pytorch yang sangat
bagus melakukannya membuka lebih dari 30 pelatihan peningkatan kecepatan untuk hunian
jaringan dan membebaskan pada dasarnya secara keseluruhan CPU untuk melakukan hal lain um
Anda tidak bisa hanya melakukan pelatihan dengan hanya video tentu saja Anda membutuhkan
semacam a tanah Kebenaran eh dan eh itu sebenarnya masalah yang menarik juga tujuan untuk
menyimpan kebenaran dasar Anda adalah bahwa Anda ingin memastikan Anda mendapatkannya
kebenaran dasar Anda yang Anda butuhkan di jumlah minimal operasi sistem file dan muat
dalam ukuran minimal dari apa yang Anda kebutuhan untuk mengoptimalkan agregat lintas
cluster throughput karena Anda harus melihat cluster komputasi sebagai satu besar perangkat
yang telah diperbaiki secara internal kendala dan ambang batas jadi untuk ini kami meluncurkan
format yang adalah asli kita yang disebut kita kecil gunakan ini untuk kebenaran dasar kami fitur
cache dan output inferensi apa pun jadi banyak tensor yang ada di sana dan jadi hanya kartun di
sini katakanlah ini adalah Anda eh adalah meja Anda bahwa Anda ingin menyimpan maka
begitulah caranya lihat apakah Anda meluncurkannya di disk, jadi apa yang Anda lakukan adalah
Anda mengambil apa pun yang Anda mau ingin mengindeks jadi misalnya video stempel waktu
Anda memasukkan semuanya ke dalam header sehingga di header awal Anda membaca Anda
tahu persis ke mana harus pergi disk maka jika Anda memiliki tensor eh Anda akan mencoba
untuk mentranspos dimensi untuk menempatkan dimensi yang berbeda terakhir sebagai Dimensi
yang berdekatan dan kemudian coba juga berbagai jenis kompresi maka Anda memeriksa yang
mana paling optimal dan kemudian simpan yang itu ini sebenarnya adalah langkah besar jika
Anda melakukannya fitur caching keluaran yang tidak dapat dipahami dari mesin Jaringan
Pembelajaran berputar di sekitar dimensi sedikit Anda bisa bangun hingga 20 peningkatan
efisiensi penyimpanan lalu ketika Anda menyimpannya, kami juga memesan kolom berdasarkan
ukuran sehingga semua kolom kecil dan nilai kecil Anda adalah bersama-sama sehingga ketika
Anda mencari nilai tunggal yang kemungkinan besar akan Anda tumpang tindih dengan
membaca lebih banyak nilai yang akan Anda gunakan nanti sehingga Anda tidak perlu
melakukannya operasi sistem file lain jadi saya bisa terus dan terus saya teruskan saja pada
menyentuh pada dua proyek yang kami miliki secara internal tetapi ini sebenarnya adalah bagian
dari upaya berkelanjutan yang besar untuk mengoptimalkan hitung yang kami miliki di rumah
jadi mengumpulkan dan menggabungkan melalui semua pengoptimalan ini Kami Sekarang
melatih kami jaringan hunian dua kali lebih cepat hanya karena dua kali lebih efisien dan
sekarang jika kita menambahkan banyak lagi, hitung dan lanjutkan paralel kita tidak bisa melatih
ini dalam hitungan jam bukannya hari dan dengan itu saya ingin menyerahkannya kepada
pengguna komputasi terbesar John hai semuanya nama saya John Emmons I memimpin tim Visi
autopilot Saya akan membahas dua topik dengan Anda hari ini yang pertama adalah bagaimana
kami memprediksi jalur dan yang kedua adalah bagaimana kita memprediksi masa depan
perilaku agen lain di jalan di hari-hari awal aulot kami memodelkan masalah deteksi jalur
sebagai tugas segmentasi instan ruang gambar jaringan kami sangat sederhana meskipun dalam
faktanya itu hanya mampu mencetak Jalur dari beberapa jenis geometri secara khusus akan
disegmentasikan Eagle Lane itu bisa segmen yang berdekatan jalur dan kemudian ada yang
spesial casing untuk garpu dan penggabungan pemodelan masalah yang sederhana ini bekerja
untuk jalan yang sangat terstruktur seperti jalan raya tapi hari ini kami mencoba membangun
sebuah sistem itu mampu jauh lebih kompleks Manuver khusus yang ingin kami buat belok kiri
dan kanan di persimpangan di mana topologi jalan bisa sangat sedikit lebih kompleks dan
beragam ketika kami mencoba untuk menerapkan pemodelan sederhana dari masalah di sini itu
benar-benar rusak mengambil langkah mundur sejenak apa kami coba lakukan di sini adalah
untuk memprediksi set percikan contoh lumpuh di mereka konektivitas dan yang ingin kami