全新 GTC 主題會議將重點關注自動駕駛訓練和驗證的基礎架構。
在道路上跑的自駕測試車讓我們看到自駕技術的發展。但實際上，自動駕駛技術開發的主要機制還是在數據中心進行追踪。
訓練，測試和驗證自動駕駛技術需要大量數據，而這些數據必須由強大的硬體和軟體基礎架構來管理。世界各地的公司都在尋求高性能，高效率的 GPU 科技以建構自動駕駛深度神經網路（ DNN ）所需的 AI 基礎架構。
在三月於聖荷西舉辦的 NVIDIA GTC 大會上，汽車製造商，供應商，新創企業和安全專家將與參會者討論他們如何建構自動駕駛汽車開發的基礎架構。
參會者可以通過參加主題會議，如 DNN 訓練，數據創建和模擬驗證等來學習在數據中心建造自動駕駛汽車的端到端流程。
掌握學習曲線
在沒有人類駕駛員的情況下，自動駕駛汽車主要依賴能夠感知周圍環境的各種 DNN 。為了識別行人，路標以及交通號誌等，這些 DNN 需要大量的駕駛數據進行訓練。
特斯拉（ Tesla ）在全球範圍內交付了近 50 萬輛具有 AI 駕駛輔助功能的汽車。這些車輛在收集數據的同時，還能夠通過無線更新不斷接收最新模型。
在 GTC 上，特斯拉機器學習基礎架構工程經理Tim Zaman將與參會者分享特斯拉如何建構和維護，低維修，有效率，速度快，使用方便的機器學習基礎架構讓工程師們倚賴它進行 Tesla Autopilot 的開發。
隨著越來越多配備感測器的自駕測試車在道路上跑，訓練數據池將會以 TB 級增長。
小馬智行（Pony.ai）的軟體工程師Ke Li將探討自動駕駛新創公司如何以 GPU 為中心的基礎架構，更有效率地處理日益繁重的感測器數據。從而，該架構能夠通過 GPU 算力未來的發展而擴展，且可以與其他各類運算平台進行整合。
NVIDIA AI基礎架構副總裁Clement Farabet將為參會者介紹 Project MagLev，這是一個內部用於開發 NVIDIA DRIVE 軟體的端到端的 AI 平台。
在該主題會議上， Farabet 將詳細介紹 MagLev 如何助力自駕 AI 設計人員，在數千個 GPU 系統上轉換訓練新的 DNN 設計，並通過多種 PB 級數據集驗證這些設計的表現。
虛擬測試軌道
在自動駕駛汽車大規模上路之前，他們必須通過安全驗證以確保汽車在可能遇見的所有情況下（包括罕見和危險場景）都能夠安全行駛。
數據中心的模擬讓開發者能夠在不離開辦公室的情況下，以安全準確的方式測試和驗證自動駕駛軟體和硬體。
NVIDIA自動駕駛行業總經理Zvi Greenstein將概述 NVIDIA DRIVE Con stellation VR 模擬平台，該平台是基於雲的解決方案，可在數據中心進行硬體環狀測試和大規模部署。在該主題會議中， Greenstein 將介紹如何調整 NVIDIA DRIVE Con stellation 來驗證安全的自動駕駛，以及各個公司能夠如何與 NVIDIA 合作並加入 DRIVE Con stellation 生態系統。
福特公司研究工程師Nikita Jaipuria和Rohan Bhasin將在會上探討如何通過生成對抗網路（ GAN ）生成逼真的合成數據。這些生成的模擬圖像可呈現多種駕駛情況，以進行全面的自動駕駛汽車測試。
監管機構和第三方安全機構也使用模擬技術來評估自動駕駛汽車。來自T Ü VS Ü D的美國區域經理Stefan Merkl將為參會者概述該機構的通用框架如何為評估自動駕駛汽車提供統一的方法。
除了這些主題會議之外， GTC 參會者也將了解到 NVIDIA 的最新資訊，並能親自體驗演示以及參加培訓，從而全面了解未來汽車所需的基礎架構。