2019 年的 Booz Allen 夏季運動會挑戰賽 (SGC)中， Booz Allen Hamilton （博思艾倫諮詢公司）實習生開發的基於 NVIDIA Jetson Nano 的邊緣運算項目脫穎而出。
該比賽旨在號召美國各地的實習生為客戶最緊迫的問題開發突破性的解決方案。今年夏天， RAZOR 項目團隊推出了一款由 Jetson Nano 驅動的全自動地面車輛，在 AI 和機器學習項目中名列前十。
觀看 SGC 演示：https://news.developer.nvidia.com/wp-content/uploads/2019/09/BoozAllen_SGC_demo.mp4
該團隊與另外 80 個由 4 到 5 名學生組成的團隊在 10 週內開發項目。該比賽之前的獲獎項目包括幫助盲人導航的技術，以及打擊人口非法交易和全球疾病的方法。
憑藉 Jetson Nano 的高性能和高節能， RAZOR 項目能夠解決無人駕駛汽車的一些最大挑戰，使團隊獲得最佳競爭優勢。
“這個團隊在不到五週的時間裡，完成了從入門課，到機器學習和電腦視覺，再到基於 Jetson Nano 的功能性 ROS 和機器學習推論，”領導今年夏季挑戰賽的 Booz Allen Hamilton 首席資料科學家和解決方案架構師 Chu Lahlou 介紹稱。 “Jetson Nano 展示了出色的邊緣運算能力，完美詮釋了我們客戶使命的價值，並且提供了豐富的 NVIDIA 開發站點資源，很容易上手。”
位於該車輛核心的 Jetson Nano 運算平台提供了 472 GFLOPs ，用於快速運行現代人工智能算法。它可以並行運行多個神經網絡，同時處理多個高分辨率傳感器，能耗低至 5 瓦。
Jetson Nano 還支持包括 TensorRT 在內的眾多流行的深度學習框架，這使得集成首選模型和框架變得很容易。
這些功能幫助 RAZOR 項目團隊構建了一個完全自主的地面車輛，包括導航、繪圖、定位、目標檢測和路徑規劃等功能。
這輛車將包括光達和光學信號在內的多模態感測器輸入，整合到可操作的洞察力中，包括對被監測目標及其位置的標註，以及到目的地最短和最安全的路徑。
利用邊緣運算，該項目增強了人工操作員的決策能力，消除了受限和延遲關鍵環境中的離線伺服器和無線傳輸。
利用先進的硬體和軟體技術，如 Jetson Nano 的嵌入式 GPU 和 TensorRT 的高效機器學習推論，近乎實時的響應可以在救災、交通等應用領域的關鍵任務中實現。