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

传感器技术和软件处理技术的快速发展使卡车能够自动驾驶，通过减少停机时间、人员成本、碰撞事故和人员伤亡，提高了车队的运营效率。根据《财富商业洞察》的数据，到2027年，自动驾驶卡车的全球市值预计将达到201，334亿美元，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软件定义自动驾驶汽车(AV)打造了端到端的解决方案，可以通过无线升级不断改进和部署自动驾驶系统。此外，还提供自动驾驶汽车大规模部署所需的一切。

麻省理工学院论文中的图片(来源:麻省理工学院)

据国外媒体报道，基于英伟达技术，麻省理工学院(MIT)的研究人员最近开发了一种用于自动驾驶汽车的单一深度神经网络(DNN)。他们使用NVIDIA DRIVE AGX Pegasus来帮助运行自动驾驶汽车的网络，它也有助于实时处理大量的激光雷达数据。

通常，在6小时内由50辆自动驾驶汽车组成的车队中，一辆自动驾驶汽车的传感器将产生多达16万亿字节的数据。为了实现安全驾驶，自动驾驶汽车需要实时了解这样的数据。然而，由于使用单个DNN处理如此大量的数据的挑战，大多数技术采用多个网络和高精度地图。这种结合使自动驾驶汽车能够快速确定自己在空间中的位置，并识别其他道路使用者和交通灯。然而，尽管这种方法确保了安全自动驾驶所需的冗余性和多样性，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，依赖激光雷达传感的自动驾驶系统必须在环境中每秒处理超过200万个点。与二维影像数据不同，三维环境下激光雷达点的分布特别稀疏，这给现代计算机造成了相当大的障碍，因为现代计算机没有对这样的数据进行优化。

在麻省理工学院团队发表的一篇论文中，该团队描述了如何使用单个DNN来寻求一种新型的自动驾驶技术，从实时处理激光雷达传感器数据的任务开始。除了基本架构，研究人员还创建了新的增强功能，以大幅提高速度和能效。DNN旨在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的大量训练而获得的，它将全面教会网络像人类驾驶员一样驾驶，而不是分解成具体的功能。

虽然这种方法仍处于初级阶段，但它很可能会产生巨大的效益。单个DNN比一辆车上的多个专用网络效率高得多，可以为其他功能腾出空间。此外，DNN的适应性更强，因为它使用训练而不是地图在未知的道路上导航。最后，效率的提升可以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英伟达驱动AGX Pegasus来提高计算性能，实现完全自动化。这台AI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320万亿次运算，从而快速处理激光雷达数据。为了建造DNN，麻省理工学院的研究人员首先在一台功能不太强大的机器上进行研究，但该机器已被用于许多其他自动驾驶系统。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，研究团队对模型的整体性能进行了比较。

此外，当研究人员启用证据融合时，这种模型的结果就像模型仅使用激光雷达的测试结果一样，遵循地图上的方向，驾驶轨迹与人类驾驶员的轨迹非常接近。本文提出了一种高效灵活的基于激光雷达的端到端导航框架。为了实现更快的激光雷达处理效果，他们构建了全新的3D神经架构，并改进了稀疏卷积神经核。

不久前，自动驾驶卡车初创公司NuPort Robotics也使用NVIDIA DRIVE构建了一个短距离货运路线的自动驾驶系统。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开展一项为期两年的试点项目，以加速英伟达驱动技术的商业化。看到初创公司和英伟达如何合作开发和实施麻省理工学院提出的新的单一DNN研究成果一定很有趣。传感器技术和软件处理技术的快速发展使卡车能够自动驾驶，通过减少停机时间、人员成本、碰撞事故和人员伤亡，提高了车队的运营效率。根据《财富商业洞察》的数据，到2027年，自动驾驶卡车的全球市值预计将达到201，334亿美元，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软件定义自动驾驶汽车(AV)打造了端到端的解决方案，可以通过无线升级不断改进和部署自动驾驶系统。此外，还提供自动驾驶汽车大规模部署所需的一切。

麻省理工学院论文中的图片(来源:麻省理工学院)

据国外媒体报道，基于英伟达技术，麻省理工学院(MIT)的研究人员最近开发了一种用于自动驾驶汽车的单一深度神经网络(DNN)。他们使用NVIDIA DRIVE AGX Pegasus来帮助运行自动驾驶汽车的网络，它也有助于实时处理大量的激光雷达数据。

通常，在6小时内由50辆自动驾驶汽车组成的车队中，一辆自动驾驶汽车的传感器将产生多达16万亿字节的数据。为了实现安全驾驶，自动驾驶汽车需要实时了解这样的数据。然而，由于使用单个DNN处理如此大量的数据的挑战，大多数技术采用多个网络和高精度地图。这种结合使自动驾驶汽车能够快速确定自己在空间中的位置，并识别其他道路使用者和交通灯。然而，尽管这种方法确保了安全自动驾驶所需的冗余性和多样性，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，依赖激光雷达传感的自动驾驶系统必须在环境中每秒处理超过200万个点。与二维影像数据不同，三维环境下的激光雷达点分布特别稀疏，这给现代计算机造成了相当大的障碍，因为现代计算机并没有对这样的数据进行优化。

在麻省理工学院团队发表的一篇论文中，该团队描述了如何使用单个DNN来寻求一种新型的自动驾驶技术，从实时处理激光雷达传感器数据的任务开始。除了基本架构，研究人员还创建了新的增强功能，以大幅提高速度和能效。DNN旨在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的大量训练而获得的，它将全面教会网络像人类驾驶员一样驾驶，而不是分解成具体的功能。

虽然这种方法仍处于初级阶段，但它很可能会产生巨大的效益。单个DNN比一辆车上的多个专用网络效率高得多，可以为其他功能腾出空间。此外，DNN的适应性更强，因为它使用训练而不是地图在未知的道路上导航。最后，效率的提升可以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英伟达驱动AGX Pegasus来提高计算性能，实现完全自动化。这台AI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，每秒320万亿次运算……可以实现，使激光雷达数据得到快速处理。为了建造DNN，麻省理工学院的研究人员首先在一台功能不太强大的机器上进行研究，但该机器已被用于许多其他自动驾驶系统。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，研究团队对模型的整体性能进行了比较。

此外，当研究人员启用证据融合时，这种模型的结果就像模型仅使用激光雷达的测试结果一样，遵循地图上的方向，驾驶轨迹与人类驾驶员的轨迹非常接近。本文提出了一种高效灵活的基于激光雷达的端到端导航框架。为了实现更快的激光雷达处理效果，他们构建了全新的3D神经架构，并改进了稀疏卷积神经核。

不久前，自动驾驶卡车初创公司NuPort Robotics也使用NVIDIA DRIVE构建了一个短距离货运路线的自动驾驶系统。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开展一项为期两年的试点项目，以加速英伟达驱动技术的商业化。看到初创公司和英伟达如何合作开发和实施麻省理工学院提出的新的单一DNN研究成果一定很有趣。

标签：现代

汽车资讯热门资讯