NVIDIA建立從資料中心到車載電腦完整的AI人工智慧技術產品組合，以支援軟體定義的自動駕駛汽車。在本月的《GTC20頂級AI盛會》GTC Digital主題會議期間，NVIDIA將深入了解該開發流程的工作方式，以及如何實現更安全、更高效的運輸。自動駕駛汽車必須能夠在全球成千上萬種條件下行駛，才能實現真正的無人駕駛。為達到此目標，需要海量的數據資料。
假設一個擁有50輛車的車隊每天跑六個小時，那將會產生約1.6PB的感測器資料。如果將所有資料儲存在標準的1GB随身碟中，它們將覆蓋100多個足球場。這些資料必須被整理和標記，才能訓練運行於汽車上的深度神經網路（DNN），以便執行如目標檢測和定位等各種專用功能。
訓練與測試自駕軟體的基礎架構必須包含高效能超級電腦，以便處理這些巨量數據的需求。為實現高效運算，系統必須能夠智慧化整理與組織這些數據，最後，該系統還需具備可追蹤性，使其在運行過程中能發現並修復錯誤，同時必須可以重複檢查同一場景以確保DNN的準確度。作為GTC Digital系列的一部分，NVIDIA將介紹完整的開發流程和訓練基礎架構，以及一些相應的DNN，以推動未來汽車部署的進展。
▲高效能資料中心GPU使開發人員能夠大規模訓練、測試和驗證自動駕駛DNN。
孕育於資料中心
今日的汽車由工廠的生產線組裝而成，而自動駕駛汽車則誕生於資料中心。在GTC Digital主題會議上，NVIDIA AI基礎架構副總裁Clemént Farabet分享用於開發自動駕駛汽車的高效能、端到端平台。
NVIDIA內部AI基礎架構包括NVIDIA DGX伺服器，用於儲存與處理PB級的駕駛資料。為進行全面的訓練，開發人員必須使用50億到100億的畫面更新進行開發，接著評估DNN的效能。高效能資料中心GPU大幅加快資料處理的速度。Farabet的團隊使用主動學習等進階的學習方法來優化開發流程。
▲NVIDIA AI基礎架構副總裁Clemént Farabet。
主動學習讓DNN能夠選擇需要學習的資料，而不僅是依靠人為管理與標記駕駛資料來進行訓練。專用的神經網路透過許多畫面更新進行處理，並標記那些顯示不確定性的畫面。被標記的畫面隨後被手動標記並進行DNN訓練，以確保DNN從新的或令人困惑的準確資料中學習。
DNN在經過訓練後，即可在NVIDIA DRIVE Constellation模擬平台上進行測試與驗證。此雲端解決方案在虛擬環境中的各種場景，從一般的駕駛到罕見、甚至危險的情況下，能夠行駛數百萬英里，其效率、成本效益及安全性皆比現實世界中來得更高。
DRIVE Constellation的高真實度模擬可確保自動駕駛汽車在正式上路之前，DNN可以在各種場景與條件下被反覆測試。與資料中心訓練相互結合時，模擬使開發人員可以在自動化、可追溯與可重複的開發過程中不斷改進他們所開發的軟體。
▲NVIDIA自動駕駛汽車資深經理Neda Cvijetic。
經過訓練和驗證後 這些DNN便可以在汽車中運行
自動駕駛汽車運行一系列包含感知、圖資與本地化DNN，以確保汽車安全運行。對人類而言，這些任務很簡單，但實際上它們都是很複雜的過程，需要智慧化的方法才能成功執行。舉例來說，為了對道路上的物體、行人與可駕駛空間進行分類，DNN使用能夠以像素等級準確度識別場景的全景分割過程。
為協助車輛在各種環境中感知停車位，開發人員利用ParkNet DNN將停車位識別為四面多邊形而非矩形，以利汽車識別傾斜的停車位空間和入口。透過將上述與其他DNN相結合，並在NVIDIA DRIVE AGX等高效能車內運算平台上運行，自動駕駛汽車可以在沒有人類駕駛的情況下進行全面的感知、規劃和控制。
▲LidarNet DNN透過融合多個視角來獲得準確和完整的感知訊息，解決處理光達資料定位的難題。
（資料提供：NVIDIA）
延伸閱讀：
旅行魂掀背車 Skoda Scala 1.0 TSI 小琉球真海外試駕
真的讓你玩得起的熱血小車 Suzuki Swift Sport 試駕
