This site requires Javascript in order to view all its content. Please enable Javascript in order to access all the functionality of this web site. Here are the instructions how to enable JavaScript in your web browser.

NVIDIA DRIVE Labs

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^™ AV-Software-Team sichere und zuverlässige Systeme für autonome Fahrzeuge entwickelt.

Die richtigen Schritte: wie KI selbstfahrenden Fahrzeugen hilft, die Zukunft vorherzusehen

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.

Video abspielen

Wie KI autonomen Fahrzeugen dabei hilft, die Struktur einer Kreuzung wahrzunehmen

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.

Video abspielen

Wie aktives Lernen die Erkennung von Fußgängern bei Nacht verbessert

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.

Video abspielen

Mit Laserfokus: Wie die Multiansicht-DNN LidarNet unzählige Perspektiven für selbstfahrende Autos bietet

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.

Video abspielen

Orientierungslos unterwegs? Lokalisierung hilft selbstfahrenden Autos dabei, ihren Weg zu finden

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.

Video abspielen

So erfasst KI Straßenmarkierungen

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.

Video abspielen

Unterwegs mit KIs: Surround-Kamera mit Sensorfusion verringert den toten Winkel bei selbstfahrenden Autos

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.

Video abspielen

Pixelgenaue Wahrnehmung: So können selbstfahrende Fahrzeuge mit KI ihre Umgebung wahrnehmen

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.

Video abspielen

Werden Sie vom Licht geblendet? So verhindert KI, dass andere Fahrzeugen vom Fernlicht geblendet werden

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.

Video abspielen

Immer auf dem richtigen Weg: Feature-Tracking für zuverlässiges autonomes Fahren

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.

Video abspielen

Sie suchen einen Parkplatz? Die KI hat einen gefunden.

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.

Video abspielen

Fahren Sie mit dem selbstfahrenden Auto von NVIDIA

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.

Video abspielen

Verkehrszeichen und Verkehrsampeln mit KI klassifizieren

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.

Video abspieleno

Kollisionen mit dem Sicherheitskraftfeld vermeiden

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.

Video abspielen

Hochpräzise Fahrspurerkennung

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.

Video abspielen

Eine neue Dimension wahrnehmen

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.

Video abspielen

Rundumsichtkamera

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.

Video abspielen

Zukunftsvorhersagen mit RNNs

Autonome Fahrzeuge müssen mithilfe von Berechnungsmethoden und Sensordaten, z. B. einer Bildsequenz, herausfinden, wie sich ein Objekt im Laufe der Zeit bewegt.

Video abspielen

ClearSightNet Deep Neural Network

ClearSightNet DNN wurde darauf trainiert, die einwandfreie Kamerasicht zu überprüfen und die Ursachen für Sichtverdeckungen, Sichtversperrungen und verringerte Sichtverhältnisse zu bestimmen.

Video abspielen

WaitNet Deep Neural Network

Erfahren Sie, wie das WaitNet DNN Kreuzungen ohne eine Karte entdeckt.

Video abspielen

Wegerkennungspaket

Diese drei DNNs erstellen und bewerten Sicherheitsprognosen für Mittelstreifen und Seitenlinien sowie für Spurwechsel/-teilung/-zusammenführung.

Video abspielen

Mit dem NVIDIA Automotive-Newsletter erhalten Sie die neuesten DRIVE Labs Beiträge direkt in Ihren Posteingang.

Copyright © 2020 NVIDIA Corporation