NVIDIA DRIVE Labs 影片系列提供了有關如何開發自動駕駛軟體的內觀。經過一年及 20 集之後，幾乎可以覆蓋所有領域。
該系列探討了從 360 度感知到全景分割的主題，甚至預測未來。自動駕駛汽車是我們這個時代面臨的巨大運算挑戰之一，我們一次將軟體開發作為一個基本要素。
DRIVE Labs 旨在提供訊息和教育。無論您是剛剛開始學習這項變革性技術還是已經研究了十年，該系列都是了解 NVIDIA 認為最重要的開發挑戰以及我們如何應對這些挑戰以尋求更安全，更有效率的運輸。
這裡簡要介紹了我們過去一年的內容以及我們如何規劃未來的道路。
感知網路的橫切面
在車輛規劃路徑並執行駕駛決策之前，它必須能夠查看和了解車輛周圍的整個環境。
DRIVE Labs 詳細介紹了負責車輛感知的各種深度神經網路。我們的方法依賴於冗餘且多樣化的 DNN – 我們的模型涵蓋了多種功能，例如檢測路口，檢測交通信號燈和交通標誌以及了解路口結構。它們還可以執行多項任務，例如發現停車位或檢測感測器是否被阻塞。
這些 DNN 不僅在行人和交通號誌周圍繪製邊界框。它們可以深入像素等級分解圖像以提高準確性，甚至可以透過時間跟踪像素以獲得精確的定位訊息。
對於夜間駕駛，AutoHighBeamNet 可實現自動車輛前燈控制，而我們的主動學習方法可改善黑暗中的行人探測能力。
DNN 還可以從 2D 攝影機圖像中提取 3D 距離，以進行準確的動態計劃。
而且我們的感知能力在整輛車周圍運轉。通過環繞攝影機目標跟踪和環繞攝影機-雷達融合，我們確保沒有感知盲點。
預測未來之路
除了感知環境之外，自動駕駛汽車還必須能夠理解其他道路參與者的行為，以規劃安全的前進道路。
DRIVE Labs 利用遞歸神經網路展示了無人駕駛汽車如何利用過去對物體動態的見解來計算未來的動態預測。
我們的安全力場防撞軟體為計劃和控制軟體增加了多樣性和冗餘性。它不斷在後台運行，以仔細檢查來自主系統的控件，並否決其認為不安全的任何操作。
DNN 和軟體組件只是自動駕駛汽車開發的樣本。這項艱鉅的挑戰要求在資料中心和車輛中進行嚴格的訓練和測試。隨著交通運輸的不斷變化，車輛軟體必須能夠適應。
我們將在即將推出的 DRIVE Labs 專題節目中探討這些主題以及更多內容。隨著我們繼續推進自動駕駛汽車軟體開發，我們將與您分享這些見解。