Das NVIDIA DRIVE-Team arbeitet ständig an Innovationen und End-to-End-Lösungen für autonomes Fahren, die die Branche verändern.
Wählen Sie unten die Registerkarte aus und erhalten Sie einen Einblick in den Prozess.
In kompakten Videos werden die Bausteine unserer Technologie für autonome Fahrzeuge vorgestellt.
Ein fortschrittliches, algorithmusbasiertes Assistenz-System zur Erkennung von Parkplatzausschilderung, „Parking Sign Assist“ (PSA), ist von entscheidender Bedeutung, damit autonome Fahrzeuge die Komplexität von Parkregeln verstehen und entsprechend reagieren können. In dieser Folge von DRIVE Labs zeigen wir Ihnen, wie der NVIDIA DRIVE AV-Softwarestack modernste DNNs und Computer Vision-Algorithmen zur Optimierung des autonomen Parkens in realen Szenarien nutzt. Mit diesen Methoden können eine Vielzahl von Verkehrsschildern fürs Parken und Straßenkreuzungen in Echtzeit erkannt, nachverfolgt und klassifiziert werden.
Das Verstehen von Geschwindigkeitsbegrenzungsschildern mag wie eine einfache Aufgabe erscheinen, kann jedoch schnell komplexer werden – beispielsweise in Situationen, in denen unterschiedliche Beschränkungen für verschiedene Fahrspuren gelten oder wenn Sie in einem anderen Land Auto fahren. In dieser Episode von DRIVE Labs erfahren Sie, wie KI-basierte Live-Wahrnehmung autonomen Fahrzeugen helfen kann, die Komplexität von Geschwindigkeitsbegrenzungsschildern besser zu verstehen, indem sowohl explizite als auch implizite Hinweise verwendet werden.
Die Wahrnehmung autonomer Fahrzeuge ist ohne vielfältige und redundante Sensoren, wie etwa Kameras oder Radarsensoren, nicht vorstellbar. Radarsensoren, mit denen nur eine herkömmliche Verarbeitung möglich ist, sind der Aufgabe jedoch möglicherweise nicht gewachsen. In diesem DRIVE Labs-Video zeigen wir, wie mithilfe von KI die Schwachstellen der herkömmlichen Radarsignalverarbeitung bei der Unterscheidung von mobilen und dauerhaften Objekten behoben werden können und eine verbesserte AV-Wahrnehmung möglich ist.
In dieser DRIVE Labs-Episode zeigen wir, wie DRIVE IX die Aufmerksamkeit, Aktivität, Emotion, das Verhalten, die Haltung, Sprache, Gestik 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 in wenigen Wochen die Leistung und Funktionalität der Lichtquellenwahrnehmung unseres Deep Neural Network (DNN) deutlich zu verbessern und dabei die Reichweite zu erhöhen, Klassifikationsmöglichkeiten hinzuzufügen und mehr.
Selbstfahrende Fahrzeuge nutzen KI, um Verkehrsmuster vorherzusehen und in einer komplexen Umgebung sicher zu fahren. In dieser Folge von DRIVE Labs zeigen wir, wie unser Deep Neural Network PredictionNet mittels Live-Wahrnehmung und Kartendaten den Fahrweg anderer Verkehrsteilnehmer vorhersagen kann.
Die eigenständige 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 DNN WaitNet 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 treffen 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 eingestuft 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, bei der deren dreidimensionaler (3D-)Standort innerhalb einer Karte berechnet wird, 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 unser DNN LaneNet zu unserem hochpräzisen MapNet-DNN weiterentwickelt haben. Diese Entwicklung beinhaltet eine Erweiterung der Erkennungsklassen, sodass neben den Fahrbahnlinien auch Straßenmarkierungen und vertikale Orientierungspunkte (z. B. Leitpfosten) erfasst werden. Außerdem kommt eine End-to-End-Erkennung zum Einsatz, die eine schnellere im Auto generierte Inferenz 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 für eine optimierte Umgebungswahrnehmung miteinander kombinieren kann.
In sehr komplexen Fahrszenarien ist es von Vorteil, wenn das Wahrnehmungssystem des selbstfahrenden Fahrzeugs umfassendere Informationen zu seiner Umgebung erhält. 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, kann jedoch andere Fahrer aufgrund von Blendung gefährden. Wir haben ein kamerabasiertes Deep Neural Network (DNN) mit dem Namen „AutoHighBeamNet“ trainiert, das das Fernlichtsystem des Fahrzeugs automatisch steuert, um die Sichtweite und Sicherheit bei Nacht zu erhöhen.
Beim Feature-Tracking werden auf Pixelebene die Übereinstimmungen und Änderungen nebeneinander liegender Video-Frames analysiert. Dadurch werden wichtige zeitliche und geometrische Informationen für die Objektmotion/Geschwindigkeitseinschätzung, die Kameraselbstkalibrierung und die visuelle Odometrie zur Verfügung gestellt.
Unser Deep Neural Network ParkNet kann unter verschiedenen Bedingungen einen freien Parkplatz erkennen. Sehen Sie sich an, wie es mit Parkplätzen in Parkhäusern und im Straßenraum umgeht, die durch einzelne, doppelte oder verblasste Markierungen separiert sind, und wie es zwischen besetzten, unbesetzten und teilweise besetzten Parkplätzen unterscheidet.
In dieser Sonderausgabe von Drive Labs erfahren Sie, wie die NVIDIA DRIVE AV-Software die wesentlichen Bausteine der Wahrnehmung, Lokalisierung und Planung/Steuerung kombiniert, um ein Auto autonom auf öffentlichen Straßen rund um unseren Geschäftssitz in Santa Clara, Kalifornien, fahren zu lassen.
Die NVIDIA DRIVE AV-Software verwendet eine Kombination aus DNNs, um Verkehrszeichen und Verkehrsampeln zu klassifizieren. Sehen Sie sich an, wie unser DNN LightNet die Ampelvariante (z. B. Streuscheibe vs. Richtungssignal) und Ampelphase (z. B. Farbe) klassifiziert, während das DNN SignNet die Art des Verkehrszeichens identifiziert.
Unsere Kollisionsvermeidungssoftware Safety Force Field (SFF) fungiert als unabhängige Überwachungsinstanz für die Aktionen des primären Planungs- und Steuerungssystems des Fahrzeugs. Durch 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 Networks (DNNs) wurde als wichtige KI-basierte Technik für die Fahrspurerkennung entwickelt. Unser DNN LaneNet erhöht den Spurerkennungsbereich, die Spurrand-Rückrufe und die Zuverlässigkeit der Fahrspurerkennung mit pixelgenauer Präzision.
Die Berechnung der Entfernung von Objekten mithilfe von Bilddaten einer einzigen Kamera kann bei hügeligem Terrain schwierig werden. Mithilfe von Deep Neural Networks können autonome Fahrzeuge Entfernungen in 3D mithilfe von 2D-Bildern erkennen.
Erfahren Sie, wie wir unseren aus sechs Kameras bestehenden Aufbau verwenden, um eine 360-Grad-Sicht um das Auto herum zu erhalten und Objekte in der Umgebung zu erkennen.
Autonome Fahrzeuge müssen mithilfe von Berechnungsmethoden und Sensordaten, z. B. einer Bildsequenz, herausfinden, in welche Richtung ein Objekt im Zeitverlauf läuft.
Das DNN ClearSightNet wurde darauf trainiert, die einwandfreie Kamerasicht zu überprüfen und die Ursachen für Sichtverdeckungen, Sichtversperrungen und verringerte Sichtverhältnisse zu bestimmen.
Erfahren Sie, wie das DNN WaitNet Kreuzungen ohne eine Karte erkennen kann.
Diese drei DNNs erstellen und bewerten Sicherheitsprognosen für Mittel- und Fahrbahnbegrenzungslinien sowie für Spuränderungen, -teilungen und -zusammenführungen.
Kurze Updates von unserer Flotte autonomer Fahrzeuge über neue innovative Entwicklungen
Sehen Sie sich die neuesten Fortschritte in der Wahrnehmung autonomer Fahrzeuge mit NVIDIA DRIVE an. In diesem Dispatch verwenden wir Ultraschallsensoren, um die Höhe von Objekten in der Umgebung in Bereichen mit geringer Fahrgeschwindigkeit wie Parkplätzen zu erkennen. Das DNN RadarNet erkennt befahrbaren freien Raum, während das DNN Stereo Depth die Geometrie der Umgebung schätzt.
DRIVE Dispatch kommt erneut für Staffel 2 zum Einsatz. In dieser Folge zeigen wir Fortschritte bei DNN-basiertem End-to-End-Radar-Clustering, Real2Sim, der Fahrer- und Insassenüberwachung und vielem mehr.
In dieser Folge von NVIDIA DRIVE Dispatch zeigen wir Fortschritte bei der Vorhersage des Verkehrsflusses, der Straßenmarkierungserkennung, der Visualisierung synthetischer 3D-Daten und vielem mehr.
In dieser Episode von NVIDIA DRIVE Dispatch zeigen wir Fortschritte bei der Wahrnehmung befahrbarer Wege, der Lokalisierung mit Kameras und Radarsensoren, der Parkplatzerkennung und vielem mehr.
In dieser Folge von NVIDIA DRIVE Dispatch zeigen wir Fortschritte bei synthetischen Daten für verbessertes DNN-Training, radarbasierte Wahrnehmung zur Prognose zukünftiger Abläufe, MapStream-Erstellung für Crowdsourcing-HD-Karten und mehr.
Erfahren Sie mehr über die neuesten Fortschritte in den Kategorien DepthNet, Straßenmarkierungserkennung, Multiradar-Egomotion-Schätzung, kameraübergreifendes Feature-Tracking und vieles mehr.
Entdecken Sie die Fortschritte bei der Parkplatzerkennung, dem 3D-Standort bei der Erkennung von Orientierungspunkten, unserer ersten autonomen Fahrt mit einer automatisch generierten MyRoute-Karte und Straßenebene sowie der Fahrwerkseinschätzung.
Informieren Sie sich über Fortschritte in der Scooter-Klassifizierung und -Vermeidung, Ampelerkennung, 2D-Quaderstabilität, 3D-Freiraum von Kamera-Annotationen, LIDAR-Wahrnehmungspipeline und Scheinwerfer-/Rücklicht-/Straßenlichtwahrnehmung.
Mit dem NVIDIA Automotive-Newsletter erhalten Sie die neuesten DRIVE-Videos direkt in Ihren Posteingang.