Etikettarkiv: DeepScale

Tesla köper DeepScale

Tesla har köpt startup-företaget DeepScale, som gör det möjligt att använda standardprocessorer även för avancerade uppgifter som bildanalys, objektidentifiering, kartering, ruttplanering etc [1]. Sådana processorer har också fördelen att de inte är så energikrävande som de som annars används idag för automatiserad körning.

Tesla, som vill göra systemen så bra att bilarna ska kunna användas i deras planerade robot-taxitjänst, har på senare tid tappat flera nyckelpersoner inom AD. Nu har man alltså köpt till kompetens utifrån.

Kompetensen verkar behövas, för den nyligen lanserade mjukvarufunktion för självparkering, Smart Summon, verkar ställa till det, enligt flera rapporter [2].

Egen kommentar

Det är inte förvånande att det sker incidenter, det är därför Tesla var så tydliga med att föraren har ansvaret och måste hålla fordonet under uppsikt.

Källor

[1] Lora Kolodny: Tesla is buying computer vision start-up DeepScale in a quest to create truly driverless cars, CNBC 1 oktober 2019 Länk

[2] Andrew J Hawkins: Tesla’s Smart Summon feature is already causing chaos in parking lots across America, The Verge 30 september 2019 Länk

DeepScale försöker förstå omvärlden

Startupföretaget DeepScale har fått en ny finansiering på ungefär 15 miljoner dollar (Serie A-investering ledd av Point72 och next47) [1].

DeepScale utvecklar artificiell intelligens för förarstödsystem och automatiserad körning. De fokuserar framförallt på att implementera djupa neurala nätverk på ett kostnadseffektivt sätt.

Dess neurala nätverk använder data från olika sensorer för att hjälpa fordon att förstå omvärlden. Grundidén är att använda rådata från fordonssensorer (istället för objektdata) och använda en inbäddad processor för sensorfusion. Planen är att få detta att fungera för storskalig användning. Just nu är fokus på att säkerställa noggrannheten och robustheten med hjälp av billig hårdvara (i storleksordningen 10 dollar) och låg energiförbrukning (i storleksordningen 10 Watt).

Egen kommentar

Att få ett automatiserat system att fungera i en liten skala är ”lätt”. Men att få det att fungera på en stor flotta är en utmaning, det gäller bland annat att optimera och få ner energiförbrukningen. Det är ett ämne som lätt hamnar i skymundan men som är viktigt att adressera för att kunna få ut dessa system på marknaden.

Källor

[1] Walz, E., FutureCar. DeepScale Raises $15 Million for Perception Software for Autonomous Vehicles. 2018-04-09 Länk

En dag i startup-världen

Världens största accelerator för startupföretag, Plug and Play, höll nyligen sin tredje finansieringsrunda (Batch 3) för företag inom mobilitetsprogrammet. Totalt var det 35 företag från olika världsdelar som drogs till Sunnyvale där de fick presentera sina idéer, många av vilka är kopplade till automatiserade fordon. Eftersom jag befinner mig i området passade jag på och deltog på eventet ihop med ca 100-150 andra nyfikna åskådare, mest representanter från industrin.

Varje företag fick ca 10 minuter på sig att presentera sin idé och övertyga publiken och investerarna att de är värda att satsa på. Publiken fick vara med och bestämma genom att ”betygsätta” varje företag på papper som sedan lämnades in till programmets kommitté som underlag för beslut om finansiering.

Det är okänt för mig vilka företag som fått finansiering, om ens några alls. Min bedömning är att vissa idéer hade tydlig potential, medan andra var något mindre övertygande. Det kan dock vara så att vissa företag var mer hemlighetsfulla än andra och att det var svårt för mig att förstå vad som är unikt med just deras idéer. Det återstår att se vilka av de som klarar den tuffa marknaden och konkurrensen – enligt TechCrunch har många startupföretag som från början verkade lovande, i alla fall baserat på hur mycket investering de hade fått, försvunnit under 2017.

Här nedan följer en lista med företag som deltog på eventet ihop med en kort beskrivning av deras idéer. Som ni märker är AI ett återkommande begrepp.

  • TuSimple – Utvecklar AI för platooning av lastbilar på motorvägar. De satsar på automationsnivå 4 och 5 (enligt SAE-skalan) och erbjuder en hel logistiklösning – från lastbilar till fleet management. Målet är att 2018 ha en flotta med 50 lastbilar utrustade med denna lösning.
  • DeepMap – Erbjuder en end-to-end lösning för framtagning av högupplösta kartor i realtid för automatiserade fordon.
  • Vayavision – Genererar en 3D-modell av fordonets omgivning med hjälp av en fusion av rådata från flera sensorer (kameror, lidar och radar). Detta till skillnad från många andra lösningar som gör fusion av behandlade sensordata.
  • XNOR.ai – Utvecklar AI-modeller baserade på Convolutional Neural Network som möjliggör objektdetektering i realtid med lite processorkraft och som kan köras exempelvis på en smarttelefon. Detta till skillnad av många andra AI-lösningar som kan köras endast på kraftfulla datorer.
  • NextNomy – Fokuserar på utveckling av säker och pålitlig mjukvaruarkitektur.
  • Mirada Technologies – Utvecklar en ny lidar som använder sig av mikrofluidteknologi för linsstyrning. Detta gör att lidarn blir okänslig för yttre påfrestningar och vibrationer.
  • X-Matik – Erbjuder en billig eftermarknadslösning som kan omvandla vilken bil som möjliggör automatiserad körning på automationsnivå 3. Lösningen inkluderar både hård- och mjukvara och kan installeras i vilken bil som helst.
  • Gatik.ai – utvecklar en flotta av automatiserade fordon (nivå 4) för transporter under den sista milen.
  • Artisense – Fokuserar på molnbaserade algoritmer för navigation och lokalisering av automatiserade fordon (och robotar).
  • DeepScale – Utvecklar intelligensen för automatiserade fordon med fokus på att optimera användning av processorkraft.
  • PlusAI – Utvecklar intelligensen för automatiserade fordon (nivå 4) med hjälp av djuplärandealgoritmer (deep learning).
  • Mycroft AI – Utvecklar en röststyrd personligassistent som en öppet alternativ till Alexa och Google Assistant.
  • Sentiance – Använder sig utav AI och djuplärandealgoritmer för att analysera data från mobiltelefoner och på det viset kontextualisera mänskligt beteende.
  • Trillium – Tar fram lösningar för att säkerställa hög datasäkerhet för uppkopplade och automatiserade fordon.
  • CARFIT – Utvecklar en lösning baserad på maskininlärning för prediktiv diagnostisering av fordon.
  • Impressivo – Utvecklar gränssnitt med fiberyta för igenkänning av beröringsgester. Det kan handla om exempelvis en ratt som känner av förarens händer eller om ett säte som mäter förarens fysiologiska data.
  • Widget – Erbjuder en plattform (Common Car) som möjliggör kommersialisering av fordonsdata till massmarknader för att förbättra fordonstillverkarnas lönsamhet och hållbarhet.
  • Olympus Sky Technology – Leverantör av säkerhetsnätverkshanteringsprotokoll. Företaget tillhandahåller ett kryptografiskt system för att eliminera certifikatutbyte, certifikatbehandling och utbyte av krypteringsnycklar inom och mellan uppkopplade fordon.
  • LightMetrics – Använder datorseende och maskininlärning för att analysera data om körbeteende som samlas in via en smartphone monterad på instrumentbrädan.
  • TacSense – Utvecklat en tryckbaserad sensor (Supercapative Iontronic Sensor – SCIS) som använder sig av joniska material för att upprätta ett jon-elektroniskt gränssnitt som reagerar på mekaniska stimuli.
  • SHEnetics – Utvecklat en röststyrd personligassistent som kontinuerligt lär sig om användaren och anpassar sig därefter för att förbättra användarupplevelsen.
  • Preteckt – Utvecklar prediktiv diagnostik för lastbilar med mål reducera reparationskostnader och minska tiden som lastbilen behöver spendera offroad.
  • CryptoMove – Skyddar data från hot genom dynamisk förflyttning, distribution, omkryptering och mutation av data.

Andra företag som deltog men som jag hade ingen möjlighet att lyssna på inkluderade VOLTU, BreezoMeter, TERBINE, Dagmy Motors, Kennwert, StreetLight Data, Shoof Technologies, Reality AI, Arcimoto, Connected Signals, what3words och Xapix. Många av dessa är har med elfordon och smarta städer att göra.