Le développement des voitures intelligentes pour les fabricants de puces pour apporter une nouvelle vie, mais aussi une concurrence accrue dans l'industrie des puces, au cours des dernières années, fusions et industrie des puces d'intégration de plus en plus fréquente. NVIDIA considéré comme une apparition soudaine. Avec GPU étude approfondie des avantages inhérents, NVIDIA a commencé une vaste coopération avec les fournisseurs de premier rang et les prix des voitures, prévu dès 2019, il y aura la plate-forme de contrôle de la production de masse basée sur la plate-forme de pilote automatique lecteur Nvidia PX2. En revanche, les fabricants de puces déjà profondes dans l'industrie automobile, comme NXP et Renesas, le son devient beaucoup plus petit.
Par rapport à la plate-forme fabricants de puces traditionnelles Nvidia à la fois dans le lecteur PX2 ou affiché sur le CES au début de cette année, la plate-forme Xavier AI, ont mis l'accent sur le concept de l'intelligence artificielle. Alors, que Nvidia a l'intention d'appliquer des techniques AI comment faire sur le pilote automatique? École des médias sur l'activation de « programme source » voiture Tencent, NVIDIA pilote automatique M. Dongfang Liang, chef de la Chine des détails sur l'AI informatique sur NVIDIA de faire le travail.
NVIDIA tête du pilote automatique de la Chine Dongfang Liang
AI conduite automatique est un domaine d'application important. En substance, il peut être attribué à divers types de traitement des données générées pendant le fonctionnement du véhicule. Avec le pilote automatique pour améliorer le niveau des données à traiter produira des quantités variables.
Représentativité Dongfang Liang, de L2 à L3, de nouvelles fonctions doivent calculer la force de levage est au moins 5 fois, en fonction des exigences spécifiques du scénario d'application réelle L3. Si L3 est dirigé vers certaine scène spécifique, y compris le cas de changement de voie, la demande de puissance de calcul supérieure. De L3 à L4 dans le processus, L4 ajoutera une nouvelle scène, y compris les zones urbaines et autres pour limiter la portée, car pratiquement pas impliqué L4 de l'homme dans le processus de conduite, pour la performance de la sécurité des véhicules ont des exigences très strictes doivent être membres le taux d'échec à un niveau très bas, il y a des exigences très élevées sur la stabilité et le processus de calcul de redondance.
En d'autres termes, le besoin de compter sur plus de ressources informatiques pour garantir la réalisation de la fonction, et donc la nécessité d'une augmentation de puissance de calcul 50 fois. exigences de calcul sont différentes, pas le même algorithme, ce qui dans les considérations générales du système lorsque la construction ne sont pas les mêmes.
Nvidia à la plate-forme Xavier AI, par exemple, Xavier appliquera pour le niveau L3 et le pilote automatique ci-dessus. Dans L3 et au-dessus du niveau de la conduite automatique, le véhicule doit être en mesure de reconnaître automatiquement l'environnement, et de juger de la situation du trafic, et donc le chemin de Voyage du prochain plan. Autopilot plus le niveau, plus les informations dont vous avez besoin pour contrôler le véhicule. En plus des données recueillies par le capteur au véhicule, il y aura des informations en temps réel à partir du nuage, obtenu avec d'autres dispositifs véhicules / routiers pour échanger des données, les données en temps réel plus, le traitement de l'information nécessite plus de traitement, les exigences en temps réel le plus élevé.
Dans ceux-ci, « Identification » est le premier problème à face. Pour obtenir le pilote automatique, la première chose à faire est d'avoir une compréhension claire de l'environnement. Dongfang Liang canal d'introduction, en fonction des algorithmes des modèles traditionnels, à savoir à l'aide de formules mathématiques classiques calculée en continu et des caractéristiques géométriques de l'objet, deux problèmes se posent:
1. Le niveau de programmation est très élevé, car les algorithmes d'utilisation pour réaliser la fonction de la théorie mathématique existante
2. Le monde change, difficile à utiliser un algorithme pour identifier, dans une manière caractéristique de l'objet équivalent exhaustif recherche de reconnaissance dans l'algorithme, il peut au moins être exhaustive 1000 cas pour que la précision de l'algorithme est suffisamment élevée
Les avantages des algorithmes d'apprentissage en profondeur sur la reconnaissance que l'efficacité est suffisamment élevée. Le travail exhaustif des méthodes traditionnelles est en fait en cours de transfert à l'algorithme de formation, tant qu'il ya suffisamment de données valides pour l'algorithme de formation, le réseau formé est assez bon, vous pouvez obtenir de meilleurs résultats de reconnaissance. Bien sûr, cela est l'avantage de la profondeur technique algorithme d'apprentissage, mais cela ne signifie pas que la profondeur de l'apprentissage sera plus facile que d'utiliser des algorithmes classiques. Pour l'algorithme de formation, par exemple, vous avez besoin de collecter un grand nombre de données valides pour l'algorithme de train, c'est une énergie processus très chronophage.
La figure est une théorie du réseau de neurones sur l'identification photo. L'interprétation Dongfang Liang, le réseau de neurones continue d'augmenter, lorsque le nombre de couches, les coins sont pris par un petit points caractéristiques du réseau de zone peu profonde, et le réseau sera profond pour l'exploration à faible profondeur des valeurs caractéristiques réseau sont fusionnés à des couches progressives cette caractérisation, « l'explication la plus évidente est que dix feuilles de papier, chaque feuille de papier pour dessiner une partie, dix superposées est une image complète. »
La reconnaissance est le premier pilote automatique étape, la deuxième étape est une étape plus difficile, est prévu. Dans la perception de l'environnement, en fait, le besoin de déterminer le véhicule autour d'un objet qui est statique, qui est dynamique, puis de déterminer quel pilote sera affecté, pour être en mesure de mener à bien la planification d'itinéraire. Prévisions lui-même comprend court, moyen et les prévisions à long terme, la stratégie de conduite afin d'aider et de jugement.
Ceci est la raison pour laquelle le pilote automatique doit être carte de haute précision. Les cartes peuvent être considérés comme un des capteurs de haute précision, tous les objets statiques sur la route, y compris les coordonnées de haute précision des informations sont stockées sur une carte, de sorte que le véhicule peut savoir exactement où vous êtes sur la route. Une fois que vous avez un positionnement précis, pour être en mesure de localiser et de planifier la prochaine étape itinéraire.
Dans ce processus, il y a deux scène commune dans l'état actuel du trafic est un processus difficile.
Tout d'abord, dans de nombreux endroits, et il n'y a pas de marquage de voie claire ou tout simplement pas de lignes de voie. Sur la base des véhicules autonomes qui circulent sur la ligne de couloir. L'humanité pendant la conduite, où il n'y a pas de lignes de voie sont déterminées automatiquement en fonction de la distance et la route Voyage autour d'autres véhicules et la route, lorsque le pilote automatique, vous avez besoin du pilote automatique « cerveau » ont également cette capacité. Dans le développement technique au début de la conduite automatique, y compris la conduite semi-autonome actuelle a été la production de masse, il rappellera aux gens de prendre le relais lorsque le conducteur ne peut pas être atteint la ligne de voie. Cependant, il existe déjà des entreprises pour améliorer cette situation au niveau de l'algorithme, la perte de charge dans la perception du réseau, il existe des réseaux privés Lanenet une ligne de voie peut être fait voie automatiquement marquée lorsque la ligne est pas évidente, il peut alors calculer l'itinéraire de Voyage.
En second lieu, des informations dynamiques en temps réel. Un problème avec le pilote automatique le plus souvent demandé est de savoir si le véhicule rapidement peut identifier le côté de la route qui sort de l'enfant et de compléter le frein. La difficulté est que l'imprévisibilité de l'information dynamique. Dongfang Liang a dit qu'une solution relativement mieux pour le corps vivant (humaine et animale), par des points caractéristiques pour permettre aux véhicules d'identifier. Si l'avantage est que le véhicule peut identifier les points caractéristiques, l'étape suivante peut être de déterminer leur mouvement selon la direction du mouvement de la tendance du point caractéristique, pour aider à faire un véhicule de décisions. Bien sûr, l'information dynamique imprévisible pour lui-même, afin d'en faire autant que les prévisions possibles est un très grand du processus de calcul, plus les exigences en temps réel, plus complexe sera plus élevé pour les algorithmes et le traitement des exigences de puissance.
la mise en uvre nécessite Autopilot puissante plate-forme informatique pour aider à la réalisation, ce qui nécessite d'améliorer encore le niveau du matériel, ainsi que l'optimisation de l'algorithme d'apprentissage en profondeur.
