Tesla - Autos, Laster, Speicher und Solardächer

Weiß denn das Waymo-Auto, was da in der kleinen Gasse in Hintertupfinghausen  alles passiert und wie man da durchfährt? Bzw. könntest du das mit Bestimmtheit sagen anhand von Einzelbilder die vor einigen Monaten gemacht wurden für Google Street View? Was wenn da jetzt ne Baustelle ist?  

Danke für den Link zur Technik. Einen großen Unterschied machen ich nicht aus. Waymo-Driver macht aber mit ledar mehr Echtzeitdaten, als TESLA das kann. Und die Daten zeigen mehr Geschehen und Hintergründe als ein 2D Kamerabild das kann.
Ich sehe das so: TESLA ist zu faul un zu Preisbewusst für eine korrekte Datenbasis un verlässt sich voll auf seine KI und die Fahrdaten. waymo belegt exakte Kartendaten mit KI und Fahrdaten und gibt dann Fahrempfehlung. Letzteres finde ich vom Grundsatz her besser, wenn auch teurer.
NmM

LG der Wallnuss  

Woher will der Tesla wissen, dass dort eine neue Baustelle ist? Von Gott?
Ich frag für einen Freund

LG der Wallnuss  

Baidu lässt bereits mit Apollo vollautonome Fahrzeuge ohne Fahrer fahren, sie werden wahrscheinlich in diesem Jahr in die Gewinnzone kommen.

Die Chinesen werden Tesla zerlegen.  

Weißt Du was auch eine spannende Frage ist: wofür ist KI eigentliche die Abkürzung?

Darin könnte  dann die Antwort liegen, wie der Tesla von der Baustelle weiß...ohne dass man gleich einen Gott postulieren muss.  

die aus zweidimensionalen Bildern Prognosen oder "Wahrscheinlichkeiten" errechnen und dies als Empfehlung an den Fahrcomputer weitergeben, in der Hoffnung, dass diese Prognosen oder anzunehmende "Wahrscheinlichkeiten" zutreffend sind.

Alles okay, wenn denn da diese Halluzinationen der KI nicht wären...... siehe Roadrunner.

Ach lassen wir das. Optik + KI ist sowas von 1900  

Sei nicht so abwertend gegenüber KI.
Etwas künstliche Intelligenz würde Dir bestimmt ganz gut tun und womöglich Deine Defizite ausgleichen. Sagt zumindest Deine Mama immer.  

Welche Defizite meinst du jetzt ganz genau?

Und wie lieb von dir, dass du täglich mit meiner Mama telefonierst.....


Merkst selbst was, wie doof du bist oder?
 

und nein, ich melde kerinerlei Beiträge, falls es erwähnt werden sollte.

Darf doch jeder sehen, was für ein Charakter du bist.

Und meine Mama Fährt nen VW Golf Plus TDI. Werkstattchef so: Sie schon wieder mit Ihrer Rakete.....  

Kursziel bis Dezember 2025.   1000 USD.  Meine Umsetzung !

Sell to open  2 Tsla Jan27 170 Put. Preis 27.10.   Heute Prämie garniert von USD 5'420.-
1. Sell to Open 2 Put TSLA 170 Jan 27:
- Durch den Verkauf von Put-Optionen setzt du darauf, dass der Kurs von Tesla über 170 USD bleibt. Wenn der Kurs unter 170 USD fällt, musst du möglicherweise die Aktien zu diesem Preis kaufen, was ein gewisses Risiko birgt.
Für dieses Geschäft habe ich ein Cash bestand von 34'000 USD. Damit ich im schlimmsten fall die 200 Tesla Aktien zu 170 USD übernehmen kann.
Nun kaufe ich 2 Tsla Jan27 900 Call Preis 12.20 Kosten 2 x 1220 =2’440 USD2. Buy to Open 2 Call TSLA 900 Jan 27:
- Der Kauf von Call-Optionen auf einen sehr hohen Strike-Preis (900 USD) deutet darauf hin, dass du auf einen starken Anstieg des Aktienkurses von Tesla spekulierst. Diese Optionen könnten wertlos verfallen, wenn der Kurs nicht in die Nähe von 900 USD steigt.
Zusammenfassung :
Sell to open 2 Put Tesla 170 Jan. 2027 bei einem Preis von 27.10 ergibt eine Prämie von 5'420.- USD.
Buy to open 2 Call Tesla 900 Jan.207 bei einem Preis von 12.20. ergibt kosten von 2440.-USD.
Normal würde ich auch den Call schreiben (Sell to open 2 Call tesl 900 Jan.2027 und die Prämie von 2440- einkassieren da ich genügend Tesla Aktie besitze .
Da ich aber einen starken Anstieg glaube kaufe ich den Call und falls mein Zeil nicht erreicht wird verfällt dieser Wertlos.
Dies ist keine Anlageempfehlung sondern nur meine eigene Meinung !  

In einem Interview sagte er das Tesla der Konkurrenz Meilenweit voraus sei.
https://www.youtube.com/watch?v=uJQX1pCp5DQ&t=99s  

Die Kurse werden dies Jahr noch viel tiefer stehen. Du kannst so lange YT Videos posten;)  

"KI, die aus 2D-Bildern Wahrscheinlichkeiten errechnet und dem Fahrcomputer Empfehlungen gibt."

Das trifft auf Teslas FSD schon länger nicht mehr zu, deine Vorstellung ist veraltet.

Bis etwa 2021 arbeitete man tatsächlich noch mit Modulen: Wahrnehmung -> Klassifikation -> Planung -> Ausführung. Seit FSD Beta 12 ist dieser Stack aber durch ein Ende-zu-Ende-Netz ersetzt worden. Die KI schaut sich die Umgebung an, baut intern ein räumliches Weltmodell auf und simuliert die Entwicklung der Szene - und steuert direkt. Da gibt's keinen 'Fahrcomputer', der nur Tipps bekommt - die KI ist die Entscheidungsinstanz.

Der neue Ansatz Tesla FSD 12+
   Die vorverarbeiteten Kamerabilder fließen durch ein riesiges neuronales Netz.
   Dieses Netz erzeugt einen 3D-Welt-Zwilling durch Occupancy Network (erkläre ich unten weils so wichtig ist)
   Die KI versteht den Raum, die Bewegungen, die Intentionen.
   Und: sie gibt nicht Empfehlungen, sondern steuert direkt Lenkung, Gas (ich weiss es ist kein BrumBrum) und Bremse.
   keine Trennung zwischen Wahrnehmung und Planung.
   keine klassische Objektverfolgung mit Bounding Boxes mehr nötig, nicht als primäre Methode


Und hier die Historie & Ursprung des Occupancy Network-Konzepts:

1. Klassischer Ursprung: 3D-Voxel Grids in Robotik
Schon in der Robotik der 1990er und 2000er Jahre wurden sogenannte Occupancy Grids verwendet - meist basierend auf Lidar.
Diese Grids waren 2D oder 3D-Raster, die angaben, ob ein Bereich im Raum frei, besetzt oder unbekannt war.
Verwendet für Navigation autonomer Roboter.

2. Der Durchbruch: Deep Occupancy Networks (2019)
Die eigentliche Idee, tiefe neuronale Netze für die Belegung von 3D-Räumen zu nutzen, stammt aus einem vielzitierten Paper von Mescheder et al. (2019) mit dem Titel:
"Occupancy Networks: Learning 3D Reconstruction in Function Space"
https://arxiv.org/abs/1812.03828
Das war ein Wendepunkt: Statt Voxel hart zu quantisieren, wurde kontinuierlich modelliert, ob ein Punkt im Raum belegt ist.
Anwendungen: 3D-Rekonstruktion aus Bildern, z. B. für Objekterkennung, AR/VR, digitale Zwillinge.

3. Anwendung auf autonome Fahrzeuge
Danach kamen Arbeiten wie:
   "Monocular Occupancy Networks" (2020-2021): Rekonstruktion von 3D-Räumen nur aus Kameras, ohne Lidar.
   "BEV (Bird's Eye View) Encoding": Umwandlung von Kamera-Sicht in Top-Down-Raumverständnis, entscheidend für Navigation.
   Forscher von Waymo, NVIDIA, Argo AI und Tesla experimentierten parallel mit diesen Netztypen.

4. Teslas Umsetzung (2022-2023)
Tesla war der erste OEM, der ein echtes, Echtzeit-fähiges Occupancy Network aus Kameras im Fahrzeugeinsatz zeigte (AI Day 2022).
Besondere Merkmale:

   Multiview-Eingang (alle Kameras)
   3D-Spatial Understanding in Echtzeit (100 Hz)
   Verzicht auf Lidar oder Radar
   Integration mit Planning-Modul -> direkte Steuerung möglich

Fazit:
Tesla steht hier an vorderster Entwicklungsfront eines sehr aktiven Forschungsgebiets. Sie haben die Idee von "klassischen" Occupancy Grids weiterentwickelt - und mit Deep Learning, Kamera-only-Perception und High-Performance-Hardware zu einem System gemacht, das auch im Alltag funktioniert.  

Ich verdiene wunderbar mit meinen Tesla Aktien und dies verdanke ich ausschließlich YT Filmchen.

Die Tesla Rakete ist erst zur Startbahn gerollt mal sehen wie weit das Ding steigen wird.

Heute war mal ein netter Anfang !  

"Und wie lieb von dir, dass du täglich mit meiner Mama telefonierst....."

Na, mit Dir will sie ja nicht mehr reden, seit Du Vandalismus gutheißt. Das hat ihr echt das Herz gebrochen...