Ο Elon Musk δεν έκανε λάθος για την αυτοματοποίηση της γραμμής συναρμολόγησης Model 3 – ήταν μπροστά από το χρόνο του

Ο Elon Musk δεν έκανε λάθος για την αυτοματοποίηση της γραμμής συναρμολόγησης Model 3 - ήταν μπροστά από το χρόνο του


Το 2017, όταν το Tesla ανακοίνωσε απίστευτα φιλόδοξους στόχους παραγωγής Μοντέλου 3 5.000 μοντέλων 3 εβδομαδιαίως αρχή της "κόλασης παραγωγής", οι αναλυτές ήταν επιφυλακτικοί. Αλλά ο Elon Musk επέμεινε ότι θα μπορούσε να το βγάλει, αναφέροντας τον υπερ-αυτοματισμό – μια ρομποτική γραμμή συναρμολόγησης – ως το μυστικό του όπλο για να αυξήσει την ταχύτητα κατασκευής και να μειώσει το κόστος. Γρήγορα προς τα εμπρός το ενάμισι χρόνο και ο Tesla παρέδωσε 91.000 οχήματα το Q4 του 2018. Αλλά η ράμπα δεν έρχεται χωρίς τεράστια ζητήματα και μια απομάκρυνση από την αρχική όραση του Musk για μια πολύ αυτοματοποιημένη γραμμή συναρμολόγησης.

Το ερώτημα γιατί η ώθηση προς την αυτοματοποίηση δεν έλειπε, η απάντηση του Elon περιστράφηκε γύρω από ένα σημαντικό ζήτημα : το ρομποτικό όραμα ή το λογισμικό που ελέγχει τι μπορούν να " δείτε "και στη συνέχεια να κάνετε με βάση αυτό το όραμα υπολογιστή. Δυστυχώς, τα ρομπότ της γραμμής συναρμολόγησης απλώς δεν μπορούσαν να αντιμετωπίσουν απρόσμενες προσανατολισμούς αντικειμένων όπως παξιμάδια και μπουλόνια ή πολύπλοκες ελιγμοί μεταξύ του πλαισίου του αυτοκινήτου. Κάθε τέτοιο ζήτημα θα προκαλούσε τη διακοπή της γραμμής συναρμολόγησης. Στο τέλος, ήταν πολύ πιο εύκολο να υποκαταστήσουμε τους ανθρώπους για ρομπότ σε πολλές καταστάσεις συναρμολόγησης

Σήμερα, ο υπολογιστικός όραμα (ο ομπρέλα όρος για ρομποτική όραση) είναι παντού και αντιπροσωπεύει το επόμενο όριο των τεχνολογιών AI και πρωτοποριακών εφαρμογών σε μια ποικιλία βιομηχανίες. Οι προκαταβολές που γίνονται τώρα από ερευνητές και εταιρείες στο χώρο είναι εντυπωσιακές και αντιπροσωπεύουν τα κομμάτια που λείπουν για να καταστήσουν πραγματικότητα το όραμα της Elon Musk για μια αυτοματοποιημένη γραμμή συναρμολόγησης αυτοκινήτων. Στον πυρήνα της, αυτές οι εξελίξεις θα δώσουν στους υπολογιστές και τα ρομπότ την ικανότητα να αντιμετωπίζουν αξιόπιστα την τεράστια σειρά απροσδόκητων γωνιακών περιπτώσεων – εκείνων των παγετώνων και των βιδών – που συμβαίνουν στον πραγματικό κόσμο

Η όραση μέσω υπολογιστών γνώρισε μια κρίσιμη στιγμή το 2012 με την εφαρμογή συνελικτικών νευρωνικών δικτύων. Από τότε, έχει πάρει πραγματικά ατμό. Πριν από το 2012, το όραμα του υπολογιστή ήταν σε μεγάλο βαθμό σχετικά με τις χειροποίητες λύσεις – βασικά, οι αλγόριθμοι είχαν καθορίσει χειροκίνητα σύνολα κανόνων και θα μπορούσαν να περιγράψουν μαθηματικά χαρακτηριστικά μιας εικόνας σχετικά αποτελεσματικά. Αυτά επιλέχθηκαν με το χέρι και στη συνέχεια συνδυάστηκαν από έναν ερευνητή ηλεκτρονικών οραμάτων για να προσδιορίσουν ένα συγκεκριμένο αντικείμενο σε μια εικόνα, όπως ένα ποδήλατο, μια αποθήκη ή ένα πρόσωπο.

Η άνοδος της μηχανικής μάθησης και η πρόοδος στα τεχνητά νευρωνικά δίχτυα άλλαξαν όλα από αυτό, επιτρέποντάς μας να αναπτύξουμε αλγόριθμους που χρησιμοποιούν τεράστιες ποσότητες δεδομένων εκπαίδευσης που μπορούν να αποκρυπτογραφούν αυτόματα και να μάθουν χαρακτηριστικά εικόνας. Η καθαρή επίδραση αυτού του γεγονότος ήταν διττή: (1) τα λύματα έγιναν πολύ πιο εύρωστα (π.χ. ένα πρόσωπο θα μπορούσε ακόμα να αναγνωριστεί ως πρόσωπο, ακόμη και αν ήταν προσανατολισμένο ελαφρώς διαφορετικά ή σε σκιά) και (2) δημιουργία καλών λύσεων (τα μοντέλα μαθαίνουν τα χαρακτηριστικά με βάση τα δεδομένα εκπαίδευσης, επομένως είναι σημαντικό τα δεδομένα εκπαίδευσης να είναι ακριβή, επαρκή σε ποσότητα και αντιπροσωπεύουν την πλήρη ποικιλία καταστάσεων που ο αλγόριθμος μπορεί να δει αργότερα). [19659014] Στη συνέχεια, οι νέες προσεγγίσεις όπως τα GAN (Generative Adversarial Networks), η μη επιτηρούμενη μάθηση και η συνθετική αλήθεια εδάφους προσφέρουν τη δυνατότητα να μειώσουν σημαντικά τόσο το ποσό των δεδομένων κατάρτισης που απαιτούνται για την ανάπτυξη μοντέλα υπολογιστικής όρασης υψηλής ποιότητας, καθώς και τον απαιτούμενο χρόνο και προσπάθεια για τη συλλογή των δεδομένων. Με αυτές τις προσεγγίσεις, τα δίκτυα μπορούν στην πραγματικότητα να ξεκινήσουν τη δική τους εκμάθηση και να προσδιορίσουν τις γωνιακές περιπτώσεις και τις ακραίες τιμές με υψηλότερη πιστότητα, πολύ πιο γρήγορα. Οι άνθρωποι μπορούν στη συνέχεια να αξιολογήσουν τις γωνιακές περιπτώσεις για να βελτιώσουν τις λύσεις τους και να φτάσουν σε ένα μοντέλο υψηλής ποιότητας πολύ πιο γρήγορα

Αυτές οι νέες προσεγγίσεις διευρύνουν γρήγορα το φάκελο του οράματος υπολογιστών όσον αφορά τις εφαρμογές, την ευρωστία και την αξιοπιστία. Όχι μόνο έχουν την υπόσχεση να λύσουν τις κατασκευαστικές προκλήσεις του κ. Μούσκ, αλλά επίσης θα επεκτείνουν δραματικά τα όρια σε πολλές κρίσιμες εφαρμογές, μερικές από τις οποίες επισημαίνονται παρακάτω:

Όταν κοιτάζουμε αυτές τις πρόοδοι, ένα πράγμα γίνεται γρήγορα σαφές: ο Elon Musk δεν ήταν λάθος. Είναι ακριβώς ότι το όραμά του (ρομποτικό και άλλο) ήταν ένα ή δύο χρόνια μακριά από την πραγματικότητα. Η τεχνολογία AI, η όραση και η ρομποτική στον υπολογιστή, πλησιάζουν το σημείο ακρίβειας, αξιοπιστίας και αποτελεσματικότητας. Για τον Tesla, αυτό σημαίνει ότι η επόμενη ράμπα μέχρι την "κόλαση παραγωγής" (πιθανόν για το μοντέλο Y) θα δει μια εντελώς διαφορετική γραμμή συναρμολόγησης στα εργοστάσια της στο Fremont και στη Σαγκάη – μία που θα εφαρμόσει πιο αποτελεσματικά τη ρομποτική που συνδυάζεται με την όραση του υπολογιστή [19659027]

>Μεταφρασμένο από την Google <
Source link

Αφήστε ένα σχόλιο

Αυτός ο ιστότοπος χρησιμοποιεί το Akismet για να μειώσει τα ανεπιθύμητα σχόλια. Μάθετε πώς υφίστανται επεξεργασία τα δεδομένα των σχολίων σας.