Einblick in die Software für autonome Fahrzeuge
Die DRIVE Labs-Videostrecke zeigt eine Reihe von Herausforderungen im Bereich autonomes Fahren, von der Wegerkennung bis hin zum Kreuzungshandling, aus Entwicklersicht. Diese kurzen Clips veranschaulichen, wie das NVIDIA DRIVE™-Software-Team sichere und zuverlässige Systeme für autonome Fahrzeuge entwickelt.
In dieser Folge von DRIVE Labs zeigen wir, wie DRIVE IX Aufmerksamkeit, Aktivität, Gefühle, Verhalten, Haltung, Sprache, Geste und Stimmung des Fahrers erkennt. Das Wahrnehmen des Fahrers ist ein wichtiger Aspekt der Plattform, wodurch durch das AV-System sichergestellt werden kann, dass der Fahrer wachsam und seine Aufmerksamkeit auf die Straße gerichtet ist. Zudem können dadurch intuitivere und intelligentere Cockpit-Funktionen durch das KI-System ausgeführt werden.
In dieser Episode von DRIVE Labs zeigen wir, wie softwaredefinierte KI verwendet werden kann, um die Leistung und Funktionalität der Lichtquelle unseres Deep Neural Network (DNN) deutlich zu verbessern und in wenigen Wochen Reichweite zu erhöhen, Klassifikationsmöglichkeiten hinzuzufügen und mehr.
Selbstfahrende Fahrzeuge verlassen sich auf KI, um Verkehrsmuster vorherzusehen und in einer komplexen Umgebung sicher zu fahren. In dieser Folge von DRIVE Labs zeigen wir, wie unser PredictionNet Deep Neural Network den Fahrweg anderer Verkehrsteilnehmer mit Live-Wahrnehmung und Kartendaten vorhersagen kann.
Die autonome Bewältigung von Straßenkreuzungen stellt für selbstfahrende Autos eine komplexe Reihe an Herausforderungen dar. In unserer Serie DRIVE Labs haben wir schon früher einmal gezeigt, wie die Erkennung von Kreuzungen, Ampeln und Verkehrsschildern mit dem WaitNet DNN funktioniert und wie wir Ampelphasen und Verkehrsschilder mit den DNNs LightNet und SignNet klassifizieren. In dieser Folge gehen wir noch einen Schritt weiter und zeigen, wie NVIDIA mithilfe von KI die unterschiedlichen Kreuzungsstrukturen wahrnimmt, auf die ein autonomes Fahrzeug im Laufe des Tages während einer Fahrt stoßen könnte.
Aktives Lernen ermöglicht es der KI, automatisch die richtigen Trainingsdaten auszuwählen. Ein Reihe dedizierter DNNs durchläuft einen Pool an Bild-Frames und markiert Frames, die als verwirrend empfunden werden. Diese Frames werden dann gekennzeichnet und dem Trainingsdatensatz hinzugefügt. Dieser Vorgang kann die Wahrnehmung von DNNs unter schwierigen Bedingungen verbessern und beispielsweise dabei helfen, Fußgänger bei Nacht zu erkennen.
Herkömmliche Methoden zur Verarbeitung von LIDAR-Daten stellen erhebliche Herausforderungen dar, wie die Erkennung und Klassifizierung verschiedener Objekttypen, Umgebungen und Wetterbedingungen sowie Einschränkungen bei Leistung und Robustheit. Unsere Multiansicht-DNN LidarNet verwendet mehrere Perspektiven bzw. Ansichten von der Umgebung rund um das Auto herum, um diese Herausforderungen bei der LIDAR-Verarbeitung zu bewältigen.
Lokalisierung ist eine wichtige Funktion für autonome Fahrzeuge und berechnet ihren dreidimensionalen (3D-)Standort innerhalb einer Karte, einschließlich 3D-Position, 3D-Ausrichtung und etwaige Unsicherheiten in diesen Positions- und Ausrichtungswerten. In diesen Drive Labs zeigen wir Ihnen, wie unsere Lokalisierungsalgorithmen mithilfe von Standardsensoren und -HD-Karten eine hohe Genauigkeit und Stabilität ermöglichen.
Sehen Sie sich an, wie wir unsere LaneNet-DNN zu unserer hochpräzisen MapNet-DNN weiterentwickelt haben. Diese Entwicklung beinhaltet eine Erweiterung der Detektionsklassen, sodass neben den Fahrbahnlinien auch Straßenmarkierungen und vertikale Orientierungspunkte (z. B. Masten) erfasst werden. Außerdem kommt eine End-to-End-Erkennung zum Einsatz, die schnellere Inferenz im Auto ermöglicht.
Dank ihrer Fähigkeit, Objekte rund um das Fahrzeug herum zu erkennen und darauf zu reagieren, ermöglicht die Kamera ein komfortables und sicheres Fahrerlebnis. In diesem Video von DRIVE Labs erläutern wir, warum es wichtig ist, über eine Sensorfusions-Pipeline zu verfügen, die Kamera und Eingangssignale des Sensors miteinander kombinieren kann, um eine optimierte Umgebungswahrnehmung zu erhalten.
Bei sehr komplexen Fahrszenarien sollte das System des selbstfahrenden Fahrzeugs umfassendere Informationen zu seiner Umgebung erhalten können. Mit unserem panoptischen DNN-Segmentierungsansatz können wir durch die pixelgenaue Segmentierung von Bildinhalten sehr detaillierte Ergebnisse erzielen.
Das Fernlicht erhöht die Sichtweite bei Nacht deutlich, aber es kann andere Fahrer auch gefährlich blenden. Wir haben ein kamerabasiertes Deep Neural Network (DNN) mit dem Namen „AutoHighBeamNet“ trainiert, das die Fernlichtsteuerung des Fahrzeugs automatisch steuert. So erhöhen sich die Sichtweite und Sicherheit bei Nacht.
Beim Feature-Tracking werden auf Pixelebene die Übereinstimmungen und Änderungen nebeneinander liegender Video-Frames analysiert. Dadurch werden wichtige zeitliche und geometrische Informationen für die Objektbewegung/Geschwindigkeitseinschätzung, die Kameraselbstkalibrierung und die visuelle Odometrie zur Verfügung gestellt.
Unser tiefes neuronales Netzwerk ParkNet kann unter verschiedenen Bedingungen einen freien Parkplatz erkennen. Sehen Sie sich an, wie es mit Parkplätzen in Parkhäusern und im Außenbereich umgeht, die durch einzelne, doppelte oder verblasste Markierungen getrennt sind, und zwischen besetzten, unbesetzten und teilweise besetzten Parkplätzen unterscheidet.
In dieser Sonderausgabe von Drive Labs erfahren Sie, wie NVIDIA Drive AV Software die wesentlichen Bausteine der Wahrnehmung, Lokalisierung und Planung/Steuerung kombiniert, um autonom auf den öffentlichen Straßen rund um unseren Geschäftssitz in Santa Clara, Kalifornien, zu fahren.
Die NVIDIA DRIVE AV-Software verwendet eine Kombination aus DNNs, um Verkehrszeichen und Verkehrsampeln zu klassifizieren. Sehen Sie sich an, wie unsere LightNet DNN die Ampelvariante (z. B. Streuscheibe vs. Richtungssignal) und -phase (z. B. Farbe) klassifiziert, während der SignNet DNN die Art des Verkehrszeichens identifiziert.
Unsere Kollisionsvermeidungssoftware (Safety Force Field, SFF) fungiert als unabhängige Aufsicht für die Aktionen des primären Planungs- und Steuerungssystems des Fahrzeugs. Durch das SFF werden die Steuerelemente, die vom primären System ausgewählt wurden, doppelt überprüft, und wenn sie als unsicher eingestuft werden, wird die Entscheidung des Primärsystems abgelehnt und korrigiert.
Die Verarbeitung mit Deep Neural Network (DNN) wurde als wichtige KI-basierte Technik für die Spurerkennung entwickelt. Unser LaneNet DNN erhöht den Spurerkennungsbereich, die Spurrand-Rückrufe und die Robustheit der Fahrspurerkennung mit Präzision auf das Pixel genau.
Die Berechnung der Entfernung von Objekten mithilfe von Bilddaten einer einzigen Kamera kann bei hügeligem Terrain schwierig werden. Mit Hilfe von Deep Neural Networks können autonome Fahrzeuge Entfernungen in 3D mithilfe von 2D-Bildern erkennen.
Erfahren Sie, wie wir unsere sechs Kameras verwenden, um eine 360-Grad-Sicht um das Auto zu erhalten und um bewegte Objekte in der Umgebung zu verfolgen.
Autonome Fahrzeuge müssen mithilfe von Berechnungsmethoden und Sensordaten, z. B. einer Bildsequenz, herausfinden, wie sich ein Objekt im Laufe der Zeit bewegt.
ClearSightNet DNN wurde darauf trainiert, die einwandfreie Kamerasicht zu überprüfen und die Ursachen für Sichtverdeckungen, Sichtversperrungen und verringerte Sichtverhältnisse zu bestimmen.
Erfahren Sie, wie das WaitNet DNN Kreuzungen ohne eine Karte entdeckt.
Dieses Trio von DNNs baut das Vertrauen für Vorhersagen von Mittelpfaden und Fahrspurlinien sowie für Spurwechsel / Teilungen / Zusammenführungen auf und bewertet es.
Mit dem NVIDIA Automotive-Newsletter erhalten Sie die neuesten DRIVE Labs Beiträge direkt in Ihren Posteingang.