NVIDIA DRIVE Labs

Présentation de l’environnement logiciel pour véhicules autonomes

 

La série de vidéos DRIVE Labs s’attache à répondre à une grande variété de défis d'ingénierie en matière de conduite autonome, de la perception des voies à la gestion des intersections. Ces courtes vidéos illustrent la manière dont l’équipe de NVIDIA DRIVE AV Software s'efforce de créer des systèmes de conduite autonome sécurisés et fiables.

 

Découvrez comment l’IA permet aux véhicules autonomes d’anticiper le futur immédiat

Les véhicules autonomes s’appuient sur l’IA pour prévoir les flux de trafic et manœuvrer en toute sécurité dans un environnement complexe. Dans ce nouvel épisode de la série de vidéos DRIVE Labs, nous vous expliquons comment le réseau de neurones profonds PredictionNet peut anticiper les itinéraires des autres usagers de la route en utilisant des techniques de perception en direct et de cartographie.

 

Comment l’IA aide les véhicules autonomes à mieux percevoir les structures d'intersection

La gestion autonome des intersections implique un ensemble de défis complexes pour les voitures sans conducteur. Au cours de précédents épisodes de la série de vidéos DRIVE Labs, nous avons vu comment il était possible de détecter des intersections, des feux de circulation et des panneaux routiers grâce au DNN WaitNet, mais aussi de classifier des états de feux de circulation et des types de panneaux routiers avec les DNN LightNet et SignNet. Dans cet épisode, nous vous proposons d’aller encore plus loin en vous expliquant comment NVIDIA utilise l’IA pour mieux percevoir les différentes structures d’intersection qu’un véhicule autonome peut rencontrer chaque jour.

 

Les techniques d’apprentissage actif optimisent la détection nocturne des piétons

L’apprentissage actif permet à l’IA de choisir automatiquement les données d’entraînement appropriées. Un groupe de DNN dédiés commence par analyser un ensemble complet de trames, en signalant les images qu’il estime confuses. Ces trames sont ensuite étiquetées par un opérateur humain et ajoutées au jeu de données d’entraînement. Ce processus peut améliorer la perception DNN dans des situations spécifiques et difficiles, telles que la détection nocturne des piétons.

 

Le réseau multi-vues LidarNet à technologie laser offre de nouvelles perspectives aux véhicules autonomes

Les méthodes traditionnelles de traitement des données lidar peuvent poser d’importants problèmes, notamment en ce qui concerne notre capacité à détecter et à classer différents types d’objets, de scènes ou de conditions climatiques. Elles peuvent également impacter le niveau de performance et de robustesse. Notre réseau de neurones profonds multi-vues LidarNet met en œuvre de multiples perspectives (ou "vues") de chaque scène autour du véhicule pour répondre plus efficacement à ces défis de traitement.

 

Perdus dans l’espace ? La localisation aide les véhicules autonomes à s’orienter

La localisation est une fonctionnalité essentielle des véhicules autonomes, qui peuvent ainsi calculer leur position en trois dimensions (3D) sur une carte avec des informations précises sur leur position 3D, l’orientation 3D et les éventuelles incertitudes relatives aux valeurs de position et d’orientation. Dans cette nouvelle vidéo DRIVE Labs, nous vous présentons comment les algorithmes de localisation permettent de garantir une précision et une robustesse élevées grâce à des capteurs produits à grande échelle et des systèmes de cartes HD.

 

Découvrez comment l’IA lit les inscriptions sur la route

Découvrez comment nous avons fait évoluer notre réseau LaneNet en un réseau MapNet à haute précision. Cette évolution repose sur une optimisation des classes de détection afin de prendre en charge les inscriptions routières et les points de repère verticaux (comme les poteaux), à laquelle s’ajoute une détection avancée des voies de conduite. MapNet exploite également la détection de bout en bout, qui permet d’accélérer les inférences embarquées.

 

L’IA sur la route : la fusion des données panoramiques de caméra et de radar élimine les angles morts pour les véhicules autonomes

La capacité à détecter les objets autour du véhicule et à y réagir permet de fournir une expérience de conduite confortable et sûre. Dans cette nouvelle vidéo DRIVE Labs, nous vous expliquons pourquoi il est essentiel de disposer d’un pipeline de fusion de capteurs capable de combiner les données d’entrée des caméras et des radars pour mettre en œuvre une perception panoramique d’une grande fiabilité.

 

Perception graphique parfaite : comment l’IA permet aux véhicules autonomes de voir plus loin

Pour les scénarios de conduite les plus complexes, il est utile que le système de perception du véhicule autonome fournisse une évaluation plus détaillée de son environnement. Grâce à notre approche des DNN par segmentation panoptique, nous pouvons obtenir des résultats à ultra-haute densité en segmentant le contenu des images avec une précision accrue au pixel près.

 

La lumière vous aveugle ? L’IA évite d'éblouir les conducteurs des autres véhicules

Les feux à faisceau élevé peuvent augmenter de manière significative la portée de la visibilité nocturne des phares standard, mais ces derniers peuvent parfois provoquer un éblouissement dangereux pour les autres conducteurs. Nous avons entraîné un réseau de neurones profonds (DNN) appelé AutoHighBeamNet et basé sur des caméras afin de générer automatiquement des commandes pour le système de lumières à faisceau élevé du véhicule dans l'optique d'améliorer la visibilité et la sécurité en conduite nocturne.

 

Sur la bonne voie : suivi des caractéristiques pour une conduite autonome fiable

Le suivi des caractéristiques évalue les correspondances et les changements au niveau des pixels entre les différentes trames vidéo adjacentes, fournissant ainsi des informations temporelles et géométriques indispensables à l’estimation du ratio déplacement/vitesse d'un objet, mais aussi à l'auto-étalonnage de la caméra et au système d'odométrie visuelle.

 

Vous cherchez une place de parking ? L’IA peut la trouver

Notre réseau de neurones profonds ParkNet peut détecter une place de parking disponible dans de nombreuses conditions. Découvrez comment ParkNet peut détecter des places en intérieur comme en extérieur - qu'elles soient séparées par des marquages au sol simple, double ou effacé - mais aussi faire la différence entre places libres, occupées ou partiellement cachées.

 

Montez à bord de la voiture autonome de NVIDIA

Cet épisode spécial de la série DRIVE Labs vous explique comment le logiciel NVIDIA DRIVE AV combine des algorithmes essentiels de détection, de géolocalisation et de planification ou de contrôle d’itinéraires pour permettre à des véhicules de conduire en toute autonomie sur les voies publiques qui jouxtent nos locaux de Santa Clara, en Californie.

 

Classification des panneaux et des feux de circulation avec l’IA

Le logiciel NVIDIA DRIVE AV utilise une combinaison de réseaux de neurones profonds (DNN) pour classifier les panneaux et les feux de circulation. Découvrez comment notre DNN LightNet classifie la forme des feux de circulation (ex : rectangulaire ou en forme de flèche) et leur état (ex : couleur), tandis que le DNN SignNet identifie le type de panneau de circulation.

 

Élimination des collisions avec NVIDIA Safety Force Field

Notre logiciel d’évitement des collisions Safety Force Field (SFF) constitue un superviseur indépendant pour les actions réalisées par le système de planification et de contrôle principal du véhicule. SFF vérifie les commandes choisies par le système principal du véhicule avant de les désactiver et de les corriger si jamais elles sont considérées comme dangereuses.

 

Détection des voies à haute précision

Le traitement du réseau de neurones profonds (DNN) apparaît comme une technique IA importante pour la détection des voies. Notre DNN LaneNet augmente la portée de la détection des voies, le rappel des lignes extérieures et la fiabilité de la détection des voies au pixel près.

 

Perception d'une nouvelle dimension

Calculer la distance entre des objets en utilisant des données capturées par une seule caméra peut s’avérer complexe sur terrain accidenté ou vallonné. Grâce aux réseaux de neurones profonds, les véhicules autonomes peuvent préfigurer des distances 3D à partir d’images 2D.

 

Vision Surround avec des caméras

Découvrez comment nous utilisons notre configuration à six caméras pour voir à 360 degrés autour de la voiture et suivre des objets qui se déplacent dans l’environnement du véhicule.

 

Prédire l'avenir grâce aux réseaux de neurones récurrents

Les véhicules autonomes doivent utiliser des méthodes de calcul et des données multi-capteurs, comme une séquence-source d’images, afin de comprendre le déplacement d'un objet dans le temps.

 

Réseau de neurones profonds ClearSightNet

Le réseau de neurones profonds (DNN) ClearSightNet est entraîné pour évaluer les capacités des caméras à repérer et déterminer les causes d'occultations, de blocages et de réductions de la visibilité.

 

Réseau de neurones profonds WaitNet

Découvrez comment le réseau de neurones profonds (DNN) WaitNet est capable de détecter des intersections sans utiliser de carte.

 

Ensemble de perception des trajectoires

Ce trio de DNN construit et évalue le niveau de confiance des prévisions relatives aux trajectoires centrales et aux lignes extérieures des voies, mais aussi aux changements, aux séparations et aux jonctions de voies.

Recevez les dernières actualités de DRIVE Labs directement dans votre boîte de réception avec la newsletter de NVIDIA pour l’automobile.