“影子模式”再升级？特斯拉公布机器学习训练新专利

Posted 2021-04-27 深智联SFITIC

专利原理

 新专利中用于执行多个交错矩阵计算过程的实施流程图

该项专利涉及的微处理器系统包括矩阵计算单元和控制单元。矩阵计算单元包括多个处理元件。控制单元被配置为向矩阵计算单元提供矩阵处理器指令。矩阵处理器指令使用第一个浮点表示格式指定一个浮点操作数格式。矩阵计算单元累积使用浮动操作数计算的中间结果值。中间结果值是第二个浮动点表示格式。

伴随着特斯拉Model 3车型在市场上的大卖，越来越多的国内民众开始增加对特斯拉纯电动汽车的关注。而除了在纯电动汽车市场上“降价走量”的大动作之外，特斯拉在完全无人驾驶（FSD）技术领域也动作频频。

特斯拉公布了多项与自动驾驶技术相关的专利，例如“从实景中快速获取时间维度的训练数据方法”、“使用视觉图像数据估计对象属性的方法”、“可扩展矩阵节点引擎的数据路径与混合数据格式”等。本期小编将对“可扩展矩阵节点引擎的数据路径与混合数据格式”专利做简要介绍，该专利主要是为了提升机器学习训练能力。

图1 特斯拉新专利（来源：WIPO）

得益于强大的机器学习技术能力，特斯拉用计算机充当驾驶员的“影子”，在真实车辆行驶过程中学习人类的各种驾驶行为，将使完全无人驾驶（FSD）汽车的驾驶动作更加接近于人类驾驶习惯，这种形式被特斯拉官方称为“影子模式”。

图2 特斯拉自动驾驶环境数据感知概念图（来源：特斯拉官网）

 “影子模式”高度依赖于对视频图像、驾驶行为等实时数据的机器学习训练，而机器学习训练是一项数据和计算密集型的操作，整个机器学习训练过程非常繁琐和耗时，需要大量的相关训练数据和计算资源，同时数据和计算资源还会随着问题的复杂性而增加。

图3 新专利中训练机器学习模型过程的实施例流程图

在通常情况下，为了训练一个机器学习模型，需要使用高性能cpu训练数据并执行复杂的矩阵操作。为了提高训练的速度，图形处理单元(gpu)被作为传统cpu的补充，开展一些并行化训练，并帮助优化某些数学运算。

图4 新专利中训练机器学习模型系统的实施例框图

然而，传统上的gpu是为处理图形问题而设计的，例如将三维世界渲染到二维显示器上，当应用于机器学习时，gpu需要提供相当大的计算能力。同时，图形处理器使用的数据格式和数据管道也是为图形处理而设计的，而不是为训练机器学习模型。因此，需要一个功能强大、计算能力强、效率高的机器学习训练系统。这样的系统应该支持高数据带宽，以显著增加可处理的训练数据量。此外，对于训练数据和生成的机器学习模型，应该优化数据格式和数据管道。

根据特斯拉公布的专利申请书内容，该新专利主要为了优化机器训练学习过程中的数据格式和数据管道，这将会提升机器学习训练数据传输与处理效率，进而对优化完全无人驾驶（FSD）系统产生积极影响，有望实现“影子模式”升级。

- End -

声明：文章资料及图片源自互联网，如有侵权，联系删除。