Erleben Sie unsere neuesten Innovationen für autonome Fahrzeuge.
Das NVIDIA DRIVE™ Software-Team arbeitet ständig an Innovationen und redundanten und vielfältigen Deep Neural Networks für sichere und zuverlässige selbstfahrende Systeme, die die Branche verändern.
Wählen Sie unten die Registerkarte aus und erhalten Sie einen Einblick in den Prozess.
Kurze Videos über spezielle Algorithmen für selbstfahrende Autos
In dieser DRIVE Labs-Episode zeigen wir, wie DRIVE IX Aufmerksamkeit, Aktivität, Emotion, Verhalten, Haltung, Sprache, Geste und Stimmung des Fahrers wahrnimmt. Die Fahrerwahrnehmung ist ein wichtiger Aspekt der Plattform. Dadurch kann das System des autonomen Fahrzeugs sicherstellen, dass ein Fahrer wachsam ist und auf die Straße achtet. Es ermöglicht dem KI-System auch, Cockpit-Funktionen auszuführen, die intuitiver und intelligenter sind.
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.
Kurze Updates von unserer AV-Flotte über neue bahnbrechende Entwicklungen
In dieser Folge von NVIDIA DRIVE Dispatch zeigen wir Fortschritte in synthetischen Daten für verbessertes DNN-Training, radarbasierte Wahrnehmung zur Prognose künftiger Bewegungen, MapStream-Erstellung für Crowdsourcing-HD-Karten und mehr.
Sehen Sie sich die neuesten Fortschritte in den Kategorien DepthNet, Straßenmarkierungserkennung, Multiradar-Egomotion-Schätzung, kameraübergreifendes-Feature-Tracking und vieles mehr an.
Entdecken Sie die Fortschritte bei der Parkplatzerkennung, dem 3D-Standort bei der Straßenmarkierungserkennung, unserer ersten autonomen Fahrt mit einer automatisch generierten MyRoute-Karte und Straßenebene sowie der Fahrwerksschätzung.
Sehen Sie sich die Fortschritte in der Scooter-Klassifizierung und -Vermeidung, Ampelerkennung, 2D-Quaderstabilität, 3D-Freiraum von Kamera-Anmerkungen, LIDAR-Wahrnehmungspipeline und Scheinwerfer-/Rücklicht-/Straßenlichtwahrnehmung an.
Mit dem NVIDIA Automotive-Newsletter erhalten Sie die neuesten DRIVE-Videos direkt in Ihren Posteingang.