Simulazione di veicoli autonomi
Scopri di più sulla simulazione di sensori ad alta fedeltà e diversificata per lo sviluppo di veicoli autonomi sicuri.
Carichi di lavoro
Simulazione / Modellazione / Design
Settori
Automotive e trasporti
Obiettivo aziendale
Ritorno sugli investimenti
Mitigazione del rischio
Prodotti
NVIDIA Omniverse Enterprise
NVIDIA OVX
NVIDIA DGX
Panoramica
La necessità di una simulazione dei veicoli autonomi ad alta fedeltà
Lo sviluppo di veicoli autonomi richiede grandi quantità di dati di addestramento in grado di rispecchiare la diversità del mondo reale che dovranno affrontare sulle strade. La simulazione dei sensori risolve questa sfida grazie al rendering di dati dei sensori fisicamente accurati negli ambienti virtuali. Essendo condizionati da queste leggi fisiche, i modelli di base del mondo aggiungono variazioni alla simulazione dei sensori, amplificando le condizioni di illuminazione, il meteo, le geolocalizzazioni e altro ancora. Con queste capacità, è possibile effettuare l'addestramento, testare e convalidare i veicoli autonomi (AV) su larga scala, senza correre il rischio che possano verificarsi condizioni pericolose nel mondo reale. La precisione e l'eterogeneità dei dati dei sensori e dell'interazione ambientale è cruciale per lo sviluppo dell'IA fisica.
Perché la simulazione AV è importante:
Sicurezza
Consente di ricreare condizioni di guida diverse, come modifiche alla circolazione, particolari condizioni meteo e scenari pericolosi o rari, senza che debbano verificarsi nel mondo reale.
Efficienza economica
Consente di accelerare lo sviluppo e di ridurre la necessità di costose flotte per la raccolta di dati, generando le informazioni necessarie ai modelli.
Scalabilità e flessibilità
Consente di distribuire una flotta virtuale per la configurazione di nuovi sensori e stack prima di qualsiasi prototipazione fisica.
Collegamenti rapidi:
Implementazione tecnica
Eseguire una simulazione dei veicoli autonomi fisicamente accurata e su larga scala
Gli sviluppatori possono iniziare a creare pipeline di simulazione di AV seguendo questa procedura.
Ricostruisci i dati del mondo reale nei gemelli digitali e amplifica la variazione dei dati
NVIDIA NuRec fornisce API e strumenti per la ricostruzione e il rendering neurali, consentendo agli sviluppatori di trasformare i dati dei sensori in gemelli digitali 3D ad alta fedeltà, simulare nuovi eventi e renderizzare i set di dati da nuove prospettive.
Cosmos Transfer-1 si basa su dati reali e su input di dati strutturati per generare nuove illuminazioni, climi e terreni, trasformando un singolo scenario di guida in centinaia. Gli sviluppatori possono utilizzare sia i prompt che i dati dei sensori come input per generare diverse varianti di una scena esistente.
Sia NuRec che Cosmos Transfer-1 sono integrati con CARLA, un importante simulatore di AV open-source. Questa integrazione consente agli sviluppatori di generare dati dei sensori da ricostruzioni basate su Gauss utilizzando il ray-tracing e di ottenere scenari più diversificati con i WFM Cosmos.
Grazie a questi strumenti, gli sviluppatori possono:
- Simulare nuove traiettorie e viste della telecamera in scene ricostruite
- Utilizzare le API e i modelli di traffico di CARLA per creare scenari vari e realistici
- Sfruttare i modelli di agenti comportamentali come ITRA e Foretellix per ottenere una maggiore varietà in termini di traffico e comportamenti
L'integrazione include un pacchetto iniziale di scene pre-ricostruite, che consente la rapida creazione di set di dati per casi vari e rari per lo sviluppo di AV.
Genera scenari vari con i modelli di base del mondo
Gli sviluppatori possono utilizzare l'ultimo modello di base del mondo NVIDIA Cosmos Predict-2 per migliorare lo sviluppo di AV grazie alla generazione di dati sintetici più veloce e scalabile. Il WFM presenta due varianti:
- Predict2-2B: ottimizzato per velocità e ridotto utilizzo di memoria
- Predict2-14B: risultati ad alta fedeltà per comprensione di scene complesse e coerenza temporale.
Cosmos Predict-2 consente agli sviluppatori di generare un frame iniziale da un prompt di testo e di utilizzare quindi questo frame per condizionare sequenze video più lunghe, accelerando la progettazione degli scenari. Il modello può essere facilmente addestrato su ambienti, attività o sistemi di telecamere specifici utilizzando dati e strumenti AV selezionati, ottenendo risultati personalizzati per diversi casi d'uso.
L'architettura basata sulla diffusione di Predict-2 consente la generazione text-to-image e video-to-world, bilanciando velocità e realismo per la progettazione di scenari scalabili.
Collegamenti rapidi
Partner
Ecosistema di partner per la simulazione di veicoli autonomi
Scopri come i nostri partner stanno offrendo simulazione basata sulla fisica per lo sviluppo di veicoli autonomi sicuri ed efficienti.
Notizie
Casi d'uso e demo
