MIT为自动驾驶汽车研发单一深度神经网络 基于英伟达技术打造

广汽对传感器技术和软件处理技术的快速发展使卡车能够实现自动驾驶，通过减少停机时间、降低人员成本、减少碰撞和人员伤亡来提高车队运营效率。据《财富商业洞察》报道，到2027年，自动驾驶卡车的全球市值预计将达到2013.34亿美元，年复合增长率为12.6%。基于这一蓬勃发展的业务，英伟达为交通行业的自动驾驶汽车软件定义创建了端到端解决方案，可以通过无线升级不断完善和部署自动驾驶系统。此外，它还提供了自动驾驶汽车大规模部署所需的一切。

据外媒报道，麻省理工学院的研究人员最近基于英伟达技术开发了一种用于自动驾驶汽车的单一深度神经网络。他们使用NVIDIA DRIVE AGX Pegasus帮助运行自动驾驶汽车网络，并帮助实时处理大量激光雷达数据。通常情况下，在6小时内由50辆自动驾驶汽车组成的车队中，一辆自动驾驶车辆的传感器将产生高达1600亿字节的数据。为了实现安全驾驶，自动驾驶汽车需要实时了解这些数据。然而，由于使用单个DNN来处理如此大量的数据的挑战，大多数技术都依赖于多个网络和高精度地图。这种组合使自动驾驶汽车能够快速确定其在空间中的位置，并识别其他道路使用者和红绿灯。然而，尽管这种方法确保了安全自动驾驶所需的冗余和多样性，但在没有绘制地图的地方部署自动驾驶汽车仍然具有挑战性。此外，依赖激光雷达感知的自动驾驶系统必须在环境中每秒处理200多万个点。与二维图像数据不同，激光雷达点在三维环境中分布特别稀疏，这对现代计算机构成了重大障碍，因为它们不能对这些数据进行优化。在麻省理工学院团队发布的一篇论文中，该团队描述了如何使用单个DNN来寻求新的自动驾驶技术，首先是实时处理激光雷达传感器数据。除了基本架构外，研究人员还创建了新的增强功能，以显著提高速度和能源效率。该DNN设计用于执行自动驾驶系统的所有操作。这种综合能力是通过对大量人类驾驶数据进行广泛训练而获得的。这些数据将全面教导网络像人类驾驶员一样驾驶，而不是分解为特定的功能。尽管这种方法仍处于早期阶段，但它可能有显著的好处。单个DNN比车辆中的多个专用网络效率高得多，为其他功能腾出了计算空间。此外，DNN具有更强的适应性，因为它利用训练而不是地图在未知道路上导航。最后，效率的提高使得能够实时处理大量丰富的感知数据。麻省理工学院的研究人员使用NVIDIA DRIVE AGX Pegasus来提高计算性能并实现完全自动化。这台人工智能嵌入式超级计算机是专门为L4和L5自动驾驶系统设计的，以避免人类参与驾驶。通过耦合两个Xavier片上系统和两个图灵GPU，可以实现每秒320万亿次操作，从而实现激光雷达数据的快速处理。为了构建DNN，麻省理工学院的研究人员首先对一种功能不太强大但已被用于许多其他自动驾驶系统的机器进行了研究。首先，在分析仅使用激光雷达的模型时，研究团队检查了车辆在车道稳定性测试中的性能；

然后，在分析具有导航功能的模型时，研究团队比较了模型的整体性能。此外，当研究人员启用证据融合时，模型的结果遵循了地图上的方向，类似于仅使用激光雷达的模型的测试结果，并且驾驶轨迹非常接近人类驾驶员的驾驶轨迹。研究人员在论文中提出了一种基于激光雷达的高效灵活的端到端导航框架。为了实现更快的激光雷达处理，他们创建了一种新的3D神经架构，并改进了稀疏卷积神经内核。不久前，自动驾驶卡车初创公司NuPort Robotics也利用NVIDIA DRIVE为短途货运路线构建了一个自动驾驶系统。该公司总部位于加拿大，正在与安大略省政府和加拿大轮胎公司进行为期两年的试点项目，以加快NVIDIA DRIVE技术的商业化。同样有趣的是，看看初创公司如何与英伟达合作，开发和实施麻省理工学院提出的新的单一DNN研究成果。

标签：现代

汽车资讯热门资讯