NVIDIA DRIVE Labs

Uno sguardo all'interno del software del veicolo autonomo

La serie di video NVIDIA DRIVE Labs adotta un approccio ingegneristico per diverse sfide a guida autonoma, dalla percezione dei percorsi alla gestione degli incroci. Questi brevi filmati illustrano come il team NVIDIA DRIVE AV Software stia creando sistemi a guida automatica potenti e sicuri.

 

La mossa giusta: come l'IA aiuta le auto a guida autonoma a prevedere il futuro

Le auto a guida autonoma si affidano all'IA per prevedere schemi di traffico e manovrarsi con sicurezza in ambienti complessi. In questo episodio di DRIVE Labs, dimostriamo come la nostra rete neurale profonda PredictionNet è in grado di prevedere percorsi futuri di altri utenti della strada utilizzando la percezione in tempo reale e i dati delle mappe.

 

Ecco come l'IA aiuta i veicoli autonomi a percepire le strutture degli incroci

La gestione autonoma degli incroci presenta una serie complessa di problematiche per le auto a guida autonoma. Nelle serie precedenti di DRIVE Labs, abbiamo dimostrato come rileviamo gli incroci, i semafori e i segnali stradali con la DNN WaitNet. Inoltre abbiamo descritto la nostra classificazione dello stato dei semafori e dei segnali con le DNN LightNet e SignNet. In questo episodio, andiamo avanti e dimostriamo come NVIDIA usa l'IA pe percepire la varietà delle strutture di incroci che un veicolo autonomo potrebbe incontrare in un percorso quotidiano.

 

Ecco come il learning attivo migliora il rilevamento dei pedoni notturni

Il learning attivo consente all'IA di scegliere automaticamente i dati di training corretti. Un insieme di DNN dedicate passa attraverso un pool di frame, segnalando quelli non idonei. Tali frame vengono quindi etichettati e aggiunti al set di dati di training. Questo processo può migliorare la percezione della DNN in condizioni difficili, come il rilevamento notturno dei pedoni.

 

Laser Focused: prospettiva avanzata da LidarNet multi-view per le auto a guida autonoma

I metodi tradizionali per l'elaborazione dei dati lidar pongono sfide significative, come la capacità di rilevare e classificare diversi tipi di oggetti, scene e condizioni meteorologiche, nonché limitazioni in termini di prestazioni e affidabilità. La nostra rete neurale profonda LidarNet multi-view utilizza molteplici prospettive, o viste, della scena intorno all'auto per affrontare queste sfide di elaborazione lidar.

 

Perso nello spazio? La localizzazione aiuta le auto a guida autonoma a trovare la loro strada

La localizzazione è una capacità critica per i veicoli autonomi che calcola la loro posizione tridimensionale (3D) all'interno di una mappa, tra cui la posizione 3D, l'orientamento 3D e le eventuali incertezze in questi valori di posizione e orientamento. In questo DRIVE Labs, mostriamo come i nostri algoritmi di localizzazione consentono di ottenere un'elevata precisione e affidabilità utilizzando sensori di massa e mappe HD.

 

Come l'IA legge le scritte sulla strada

Guarda come si è evoluta la nostra rete LaneNet DNN nella MapNet DNN ad alta precisione. Questa evoluzione include l'aumento delle classi di rilevamento in modo da coprire anche i segnali stradali e gli elementi verticali (come i pali) oltre al rilevamento della segnaletica sul manto stradale. Sfrutta inoltre il rilevamento end-to-end che offre una maggiore inferenza in auto.

 

IA su strada: la fusione di radar per videocamere surround elimina gli angoli morti nelle auto a guida autonoma

La capacità di rilevare e reagire agli oggetti intorno al veicolo rende possibile esperienze di guida pratiche e sicure. In questo video di DRIVE Labs, spieghiamo perché è fondamentale avere una pipeline di fusione dei sensori per combinare gli input di videocamere e radar e percepire accuratamente ciò che circonda il veicolo.

 

Percezione ultra precisa: ecco come l'IA aiuta i veicoli autonomi a vedere oltre

Per scenari di guida molto complessi, è importante che il sistema di percezione del veicolo autonomo sia in grado di comprendere in modo più dettagliato ciò che lo circonda. Con l'approccio DNN alla segmentazione panottica, possiamo ottenere risultati granulari segmentando il contenuto delle immagini con un'accuratezza nell'ordine dei pixel.

 

Accecato dalla luce? Ecco come l'IA evita il bagliore per gli altri veicoli

I fari lunghi possono aumentare significativamente la visibilità di notte dei fari standard, tuttavia possono determinare bagliori pericolosi per gli altri conducenti. Abbiamo addestrato una rete DNN basata su videocamera, chiamata AutoHighBeamNet, per generare automaticamente output controllati per il sistema di abbaglianti del veicolo, aumentando la visibilità e la sicurezza di notte.

 

Giusto in tempo: monitoraggio delle funzioni per una guida autonoma affidabile

Il monitoraggio delle funzioni stima la corrispondenza a livello di pixel e le modifiche tra frame video adiacenti, fornendo informazioni geometriche e temporali critiche per la stima di oggetti in movimento/velocità, l'autocalibrazione della videocamera e l'odometria ottica.

 

Cerchi un parcheggio? L'IA lo trova per te

La nostra rete neurale profonda ParkNet è in grado di individuare un parcheggio libero in una vasta gamma di circostanze. Guarda come gestisce gli spazi interni ed esterni, separati da segnaletica singola, doppia o sbiadita, e come differenzia tra posti occupati, non occupati e parzialmente oscurati.

 

Un giro nell'auto a guida autonoma di NVIDIA

Questo episodio di DRIVE Labs in edizione speciale mostra come il software NVIDIA DRIVE AV combina gli elementi essenziali di percezione, localizzazione e pianificazione/controllo per guidare autonomamente su strade pubbliche nei dintorni della nostra sede centrale a Santa Clara, California.

 

 

Classificazione dei segnali stradali e dei semafori con l'IA

Il software NVIDIA DRIVE AV utilizza una combinazione di reti DNN per classificare i segnali stradali e le luci. Guarda come il nostro DNN LightNet classifica i semafori (luci e frecce) e lo stato (il colore), mentre DNN SignNet identifica il tipo di segnale stradale.

 

Azzeramento degli incidenti con Safety Force Field

Il nostro software per la prevenzione degli incidenti SFF (Safety Force Field) funge da supervisore indipendente sulle azioni del sistema di pianificazione e controllo principale del veicolo. L'SFF controlla due volte i comandi scelti dal sistema principale, e se li ritiene non sicuri, annulla e corregge decisione del sistema.

 

Rilevamento corsia ad alta precisione

L'elaborazione di reti neurali profonde (DNN) si è rivelata un'importante tecnica basata su IA per il rilevamento delle corsie. La nostra LaneNet DNN aumenta il raggio di rilevamento, il recupero dei bordi e la solidità del rilevamento corsie con una precisione nell'ordine dei pixel.

 

Percezione di una nuova dimensione

Calcolare la distanza dagli oggetti utilizzando dati immagini da una singola fotocamera può dar luogo a nuove sfide quando si tratta di terreni collinosi. Grazie all'aiuto di reti neurali profonde, i veicoli autonomi sono in grado di prevedere distanze in 3D partendo da immagini 2D.

 

Telecamera Visione Panoramica

Guarda come utilizziamo la configurazione della nostra videocamera per vedere a 360° l'auto e tracciamo gli oggetti nei loro spostamenti circostanti.

 

Prevedere il futuro con RNNs

I veicoli autonomi devono utilizzare metodi computazionali e dati del sensore, come una sequenza di immagini, per capire come un oggetto si muova nel tempo.

 

Rete neurale profonda ClearSightNet

ClearSightNet DNN è concepito per valutare la capacità delle telecamere di vedere e determinare chiaramente cause di occlusione, blocchi e riduzioni di visibilità.

 

Rete neurale profonda WaitNet

Scopri come il DNN di WaitNet è in grado di rilevare le intersezioni senza utilizzare una mappa.

 

Percezioni del percorso

Questo trio di DNNs infonde fiducia e valuta la sicurezza per previsioni del percorso centrale e della linea di corsia nonché per modifiche/suddivisioni/unioni di corsia.

Ricevi gli ultimi DRIVE Lab direttamente nella tua casella di posta con la newsletter di NVIDIA Automotive.