“MIT为自动驾驶汽车研发单一深度神经互联网 基于英伟达技术打造”

盖亚汽车信息高速化的传感器技术与软件解决技术实现了卡车的自动驾驶，通过缩短停机时间、降低人员价格、减少碰撞事故和死伤人数，改善了团队的运行效率。 据《财富商业信息》报道，到2027年，全球自动驾驶卡车市场市值预计将达到20亿1334万美元，年复合增长率为12.6%。

基于这一快速发展的业务，NVIDIA可以为交通运输领域的软件定义自动驾驶车( av )制定端到端的处理方案，并通过无线升级不断改进和引入自动驾驶系统。 我们还提供大规模引进自动驾驶车所需的一切。

mit论文中的图像(图像源: mit ) ) ) )。

据外国媒体报道，基于NVIDIA技术，麻省理工学院( mit )的研究人员最近为自动驾驶车开发了单一的深度神经网络( dnn )。 他们使用NVIDIAdriveagxPegasus运营自动驾驶车互联网，有助于实时解决大量激光雷达数据。

一般来说，在6个小时内，在由50辆自动驾驶车组成的团队中，一辆自动驾驶车的传感器最多会生成1.6千亿字节的数据。 为了实现安全驾驶，自动驾驶车需要实时理解这样的数据。 但是，用单一的dnn解决这样庞大的数据量是一个课题，很多技术中使用了多个互联网和高精度地图。 通过这种组合，自动驾驶车可以快速明确自己在空之间的位置，和其他道路采用者识别信号灯。 虽然这种方法确保了安全自动驾驶所需的冗余性和多样性，但是在没有绘制地图的地方引进自动驾驶车依然很困难。 另外，依赖于激光雷达感知的自动驾驶系统，必须在环境中每秒解决200万件以上。 与二维图像数据不同，激光雷达的点在三维环境中分布得特别稀疏，对现代计算机是相当大的障碍。 因为现代计算机没有与这类数据进行比较和优化。

在麻省理工学院团队发表的论文中，该团队说明了如何利用单一的dnn寻求新的自动驾驶技术，首先从实时解决激光雷达传感器数据的任务开始。 除了基本架构外，研究人员还开发了新的扩展功能，以大幅提高速度和能效。 该dnn旨在执行自动驾驶系统的所有操作，该综合能力是通过大量的人类驾驶数据进行广泛训练获得的，这样的数据并不是被互联网分解为特定的功能，而是像人类司机一样驾驶

虽然这种做法还处于起步阶段，但有可能产生巨大的利益。 单个dnn比车辆中的多个专用因特网效率高得多，并且为了其他功能，可以在计算空之间分隔开。 另外，由于dnn不是利用地图而是利用训练来导航不知道的道路，所以适应性很高。 最后，效率的提高可以实时解决大量丰富的感知数据。

mit的研究人员使用NVIDIAdriveagxPegasus提高了计算性能，实现了完全的自动化。 这台ai嵌入式超级计算机是专门为l4和l5的自动驾驶系统设计的，使人类不参与驾驶。 结合两个芯片上xavier系统和两个图灵gpu，每秒可以进行320万亿次的操作，可以迅速解决激光雷达数据。 为了构建dnn，麻省理工学院的研究者首先用功能不太强大但用于其他许多自动驾驶系统的机器进行了研究。 首先，在拆除只采用激光雷达的车型时，研究小组对车辆在车道稳定性测试中的成绩进行了检测，并且在拆除具有导航功能的车型时，研究小组对整个车型的性能进行了比较。

另外，研究人员启用证据融合后发现，该车型的结果与只采用激光雷达的车型的测试结果一样，都沿着地图上的方向，而且行驶轨迹与人类司机的轨迹非常接近。 研究人员在论文中基于激光雷达提出了高效灵活的端到端导航框架，为了实现更高速的激光雷达解决效果，构建了新的3d神经结构，同时改进了稀疏的卷积神经核。

日前，自动驾驶卡车初创企业nuport robotics也使用NVIDIAdrive构建了自动驾驶系统，用于短距离货物路线。 该企业总部设在加拿大，与安妮大概省政府和加拿大轮胎企业开展了为期两年的试验项目，加速了NVIDIAdrive技术的商业化。 看看初创企业和NVIDIA如何合作研发和实施麻省理工学院提出的新的单一dnn研究成果，也是一个有兴趣的事件吧。