Simulación de vehículos autónomos
Explore la simulación de sensores de alta fidelidad y diversidad para el desarrollo de vehículos autónomos seguros.
Cargas de trabajo
Simulación/Modelado/Diseño
Sectores
Automóvil y transporte
Objetivo comercial
Retorno de la inversión, mitigación de riesgos
Productos
NVIDIA Omniverse Enterprise
NVIDIA OVX
NVIDIA DGX
Descripción
La necesidad de una simulación de VA de alta fidelidad
El desarrollo de vehículos autónomos (VA) requiere grandes cantidades de datos de entrenamiento que reflejan la diversidad del mundo real al que se enfrentarán en la carretera. La simulación de sensores aborda este desafío al renderizar datos de sensores basado en la física en entornos virtuales. Condicionados por esta física, los modelos de base de mundo (WFM) añaden variación a la simulación de sensores, amplificando la iluminación, el tiempo, las geolocalizaciones y mucho más. Con estas capacidades, puedes entrenar, probar y validar los VA a escala sin tener que enfrentarse a escenarios raros y peligrosos en el mundo real. La precisión y la diversidad en los datos de los sensores y la interacción ambiental son cruciales para el desarrollo de IA física.
Por qué la simulación de VA es importante:
Seguridad
Renderiza diversas condiciones de conducción (como climatología adversa, cambios en el tráfico y escenarios raros o peligrosos) sin tener que enfrentarte a ellas en el mundo real.
Eficiencia de costes
Acelera el desarrollo y reduce la dependencia de costosas flotas para la recogida de datos generando datos que se adapten a las necesidades del modelo.
Escalabilidad y flexibilidad
Implemente una flota virtual para configurar nuevos sensores y pilas antes de la creación de prototipos físicos.
Enlaces rápidos:
Implementación técnica
Ejecución de una simulación de VA a escala con precisión física
Los desarrolladores pueden empezar a crear canalizaciones de simulación de VA con los siguientes pasos.
Reconstruya datos del mundo real en gemelos digitales y amplifique la variación de datos
NVIDIA NuRec proporciona API y herramientas para la reconstrucción neuronal y el renderizado, lo que permite a los desarrolladores convertir sus datos de sensores en gemelos digitales 3D de alta fidelidad, simular nuevos eventos y renderizar conjuntos de datos desde nuevas perspectivas.
Cosmos Transfer-1 está condicionado a los datos de referencia y las entradas de datos estructuradas para generar nueva iluminación, clima y terreno, convirtiendo un único escenario de conducción en cientos. Los desarrolladores pueden utilizar indicaciones y datos de sensores como entrada para generar diferentes variantes de una escena existente.
Tanto NuRec como Cosmos Transfer-1 están integrados con CARLA, un simulador líder de VA de código abierto. Esta integración permite a los desarrolladores generar datos de sensores a partir de reconstrucciones basadas en Gauss utilizando trazado de rayos y aumentar la diversidad de escenarios con los WFM de Cosmos.
Con estas herramientas, los desarrolladores pueden:
- Simular nuevas trayectorias y vistas de cámara en escenas reconstruidas
- Utilizar las API y los modelos de tráfico de CARLA para crear escenarios variados y realistas
- Aprovechar los modelos de agentes de comportamiento como ITRA y Foretellix para la diversidad de tráfico y comportamiento avanzados
La integración incluye un paquete inicial de escenas preconstruidas, lo que permite la creación rápida de diversos conjuntos de datos de casos clave para el desarrollo de vehículos autónomos.
Genere diversos escenarios con modelos de base mundiales
Los desarrolladores pueden utilizar el último modelo de base mundial NVIDIA Cosmos Predict-2 para mejorar el desarrollo de vehículos autónomos con una generación de datos sintéticos más rápida y escalable. El WFM tiene dos variantes:
- Predict2-2B: optimizado para velocidad y menor uso de memoria
- Predict2-14B: salidas de alta fidelidad para comprensión de escenas complejas y coherencia temporal
Cosmos Predict-2 permite a los desarrolladores generar un marco de partida a partir de una solicitud de texto y luego utilizar ese marco para condicionar secuencias de vídeo más largas, acelerando el diseño de escenarios. El modelo se entrena posteriormente con facilidad en entornos, tareas o sistemas de cámaras específicos utilizando datos y herramientas de VA seleccionados, lo que permite resultados personalizados para diferentes casos de uso.
La arquitectura basada en difusión de Predict-2 permite la generación de texto a imagen y de vídeo al entorno, equilibrando la velocidad y el realismo para el diseño de escenarios escalables.
Enlaces rápidos
Partners
Ecosistema de partners de simulación de vehículos autónomos
Descubre cómo nuestros partners ofrecen la simulación basada en la física para el desarrollo de vehículos autónomos seguros y eficientes.
Noticias
Casos de uso y demostraciones
