造訪 NVIDIA的 AI 車庫：NVIDIA 專家解析自動駕駛軟體與基礎架構
GTC Digital 主題會議探索 NVIDIA DRIVE 的開發過程
智慧車輛需要智慧化的發展。
因此，NVIDIA 建立從資料中心到車載電腦完整的人工智慧 (AI) 技術產品組合，以支援軟體定義的自動駕駛汽車。在本月的 GTC Digital 期間，我們將深入了解該開發流程的工作方式，以及如何實現更安全、更高效的運輸。
自動駕駛汽車必須能夠在全球成千上萬種條件下行駛，才能實現真正的無人駕駛。為達到此目標，需要海量的數據資料。
假設一個擁有 50 輛車的車隊每天跑六個小時，那將會產生約 1.6 PB 的感測器資料。如果將所有資料儲存在標準的 1GB 随身碟中，它們將覆蓋 100 多個足球場。這些資料必須被整理和標記，才能訓練運行於汽車上的深度神經網路 (DNN)，以便執行如目標檢測和定位等各種專用功能。
訓練與測試自駕軟體的基礎架構必須包含高效能超級電腦，以便處理這些巨量數據的需求。為實現高效運算，系統必須能夠智慧化整理與組織這些數據，最後，該系統還需具備可追蹤性，使其在運行過程中能發現並修復錯誤，同時必須可以重複檢查同一場景以確保 DNN 的準確度。
作為GTC Digital 系列的一部分，NVIDIA 將介紹完整的開發流程和訓練基礎架構，以及一些相應的 DNN，以推動未來汽車部署的進展。
孕育於資料中心
今日的汽車由工廠的生產線組裝而成，而自動駕駛汽車則誕生於資料中心。在GTC Digital 主題會議上，NVIDIA AI 基礎架構副總裁 Clemént Farabet 分享用於開發自動駕駛汽車的高效能、端到端平台。
NVIDIA 內部 AI 基礎架構包括 NVIDIA DGX 伺服器，用於儲存與處理 PB 級的駕駛資料。為進行全面的訓練，開發人員必須使用 50 億到 100 億的畫面更新進行開發，接著評估 DNN 的效能。
高效能資料中心 GPU 大幅加快資料處理的速度。Farabet 的團隊使用主動學習等進階的學習方法來優化開發流程。
主動學習讓 DNN 能夠選擇需要學習的資料，而不僅是依靠人為管理與標記駕駛資料來進行訓練。專用的神經網路透過許多畫面更新進行處理，並標記那些顯示不確定性的畫面。被標記的畫面隨後被手動標記並進行 DNN 訓練，以確保 DNN 從新的或令人困惑的準確資料中學習。
DNN 在經過訓練後，即可在 NVIDIA DRIVE Constellation 模擬平台上進行測試與驗證。此雲端解決方案在虛擬環境中的各種場景，從一般的駕駛到罕見、甚至危險的情況下，能夠行駛數百萬英里，其效率、成本效益及安全性皆比現實世界中來得更高。
DRIVE Constellation 的高真實度模擬可確保自動駕駛汽車在正式上路之前，DNN 可以在各種場景與條件下被反覆測試。
與資料中心訓練相互結合時，模擬使開發人員可以在自動化、可追溯與可重複的開發過程中不斷改進他們所開發的軟體。
請參閱 NVIDIA 自動駕駛汽車的 AI 基礎架構主題會議。
終端應用的 DNN
經過訓練和驗證後，這些 DNN 便可以在汽車中運行。
在 GTC Digital 期間，NVIDIA 自動駕駛汽車資深經理，同時也是 DRIVE Labs 系列影片主持人 Neda Cvijetic 詳細介紹 NVIDIA 開發的自動駕駛 DNN 範例。
自動駕駛汽車運行一系列包含感知、圖資與本地化 DNN，以確保汽車安全運行。對人類而言，這些任務很簡單，但實際上它們都是很複雜的過程，需要智慧化的方法才能成功執行。舉例來說，為了對道路上的物體、行人與可駕駛空間進行分類，DNN 使用能夠以像素等級準確度識別場景的全景分割過程。
為協助車輛在各種環境中感知停車位，開發人員利用 ParkNet DNN 將停車位識別為四面多邊形而非矩形，以利汽車識別傾斜的停車位空間和入口。
LidarNet DNN 透過融合多個視角來獲得準確和完整的感知訊息，解決處理光達資料定位的難題。
透過將上述與其他 DNN 相結合，並在 NVIDIA DRIVE AGX 等高效能車內運算平台上運行，自動駕駛汽車可以在沒有人類駕駛的情況下進行全面的感知、規劃和控制。
發表迴響