NVIDIA DRIVE® 소프트웨어 팀은 업계를 변화시키는 안전하고 강력한 자율주행 시스템 구축을 위해 다양한 딥 뉴럴 네트워크를 폭넓게 개발하며 혁신을 거듭하고 있습니다.
프로세스를 자세히 보려면 아래 탭을 선택하세요.
구체적인 자율주행 알고리즘을 분석하는 짧은 영상입니다.
정확한 환경 인식은 자율주행차(AV)의 안전에 매우 중요하며, 특히 보이지 않는 상황을 처리할 때 더욱 그렇습니다. 이번 DRIVE Labs 에피소드에서는 높은 효율성을 유지하면서 강력한 시맨틱 세그먼테이션을 생성하는 SegFormer라는 비전 트랜스포머 모델에 대해 설명합니다. 이 비디오에서는 세그포머의 견고함과 효율성을 가능하게 하는 메커니즘을 소개합니다.
사고에 가까운 잠재적 시나리오에서 자율주행차(AV)를 테스트하는 것은 안전성을 평가하는 데 매우 중요하지만, 현실에서는 어렵고 안전하지 않습니다. 이번 DRIVE Labs 에피소드에서는 자율주행차 시뮬레이션에서 잠재적인 사고 시나리오를 자동으로 생성하는 NVIDIA 연구진의 새로운 방법인 STRIVE(스트레스 테스트 드라이브)에 대해 알아봅니다.
고급 알고리즘 기반의 주차 표지판 지원(Parking Sign Assist, PSA) 시스템은 자율 주행 자동차가 주차 규칙의 복잡성을 이해하고 이에 따라 반응하는 데 매우 중요합니다. 이 DRIVE Labs 에피소드에서는 NVIDIA DRIVE AV 소프트웨어 스택이 최첨단 DNN과 컴퓨터 비전 알고리즘을 활용하여 실제 시나리오에서 자율 주차를 개선하는 방법을 보여드립니다. 이 기술은 다양한 주차 교통 표지판과 도로 교차로를 실시간으로 감지, 추적 및 분류할 수 있습니다.
속도 제한 표지판을 파악하는 작업은 간단해 보이지만 차선별로 제한 사항이 다르게 적용되거나 새로운 국가에서 주행하는 상황에서는 곧바로 복잡해질 수 있습니다. 이 DRIVE Labs 에피소드에서는 AI 기반 라이브 인식을 활용하면 AV가 명시적 신호와 암묵적 신호를 둘 다 사용해 속도 제한 표지판의 복잡한 특성을 더 잘 파악할 수 있는 방법을 설명합니다.
AV 인식에는 카메라 및 레이더와 같은 다양한 중복 센서가 필요합니다. 하지만, 기존의 처리 방식만을 이용하는 레이더 센서는 이 작업을 감당할 수 없을지도 모릅니다. 이 DRIVE Labs 영상에서는 AI가 움직이는 물체 및 정지한 물체를 구별하는 기존 레이더의 한계를 해결하여 AV 인식을 강화하는 방법을 보여드립니다.
이 DRIVE Labs 에피소드에서는 DRIVE IX가 운전자의 주의, 활동, 감정, 행동, 자세, 발화, 제스처, 기분을 어떻게 인식하는지 보여드립니다. 운전자 인식은 운전자가 AV 시스템을 통해 알림을 받고 도로에 주의를 기울일 수 있도록 돕는 플랫폼의 핵심 기능입니다. 또한 AI 시스템이 더 직관적이고 지능적인 콕핏 기능을 수행하도록 해 줍니다.
이 DRIVE Labs 에피소드에서는 소프트웨어 정의 AI 기술이 몇 주 만에 범위 증가, 분류 기능 추가 등 광원 인식 딥 뉴럴 네트워크(DNN)의 성능과 기능을 대폭 향상하는 데 어떻게 사용될 수 있는지 보여드립니다.
자율 주행 자동차가 AI를 이용해 복잡한 환경에서 교통 패턴을 예상하고 안전하게 운전합니다. 이 DRIVE Labs 에피소드에서는 NVIDIA의 PredictionNet 딥 뉴럴 네트워크가 어떻게 실시간 인식과 맵 데이터를 사용하여 다른 도로 이용자의 향후 경로를 예측할 수 있는지를 보여줍니다.
자율적으로 교차 구조를 처리하는 것은 자율 주행 자동차에 있어 복잡한 과제입니다. DRIVE Labs 시리즈 초반에 WaitNet DNN으로 교차로, 신호등, 교통 표지판을 감지하는 방법을 보여드렸습니다. 그리고 LightNet과 SignNet DNN으로 신호등 상태와 교통 표지판 유형을 분류하는 방법도 보여드렸습니다. 이 에피소드에서는 더 나아가 NVIDIA에서 AI를 사용하여 자율주행 자동차가 일상적인 주행에서 접할 수 있는 다양한 교차 구조를 감지하는 방법을 보여드립니다.
Active Learning을 통해 AI가 자동으로 적합한 트레이닝 데이터를 선택할 수 있습니다. 전용 DNN의 앙상블이 이미지 프레임 풀을 거치면서 혼란스럽다고 판단한 프레임에 표시를 남깁니다. 그런 다음 이러한 프레임은 레이블이 표시되어 트레이닝 데이터세트에 추가됩니다. 이 프로세스는 야간 보행자 감지와 같은 까다로운 조건에서 DNN 인식을 개선할 수 있습니다.
광선 레이더 데이터를 처리하는 기존의 방법은 다양한 유형의 개체, 장면 및 기후 조건을 감지하고 분류하는 능력은 물론 성능 및 견고성의 제한과 같은 중대한 문제를 제기합니다. NVIDIA의 멀티뷰 LidarNet 딥 뉴럴 네트워크는 자동차 주변의 장면에 대한 다중 관점 또는 뷰를 사용하여 이러한 광선 레이더 처리 문제를 해결합니다.
로컬라이제이션은 3D 위치 및 3D 방향과 같은 맵 내부의 3차원(3D) 위치와 이러한 위치 및 방향 값의 모든 불확실성을 컴퓨팅하는 자율 주행 자동차의 중요 기능입니다. 이 DRIVE Labs에서는 NVIDIA의 로컬라이제이션 알고리즘으로 대량 판매용 센서 및 HD 맵을 사용하여 높은 정확도와 견고성을 달성하는 방법을 보여줍니다.
LaneNet DNN을 어떻게 고정밀 MapNet DNN으로 진화시켰는지 알아보세요. 이러한 진화에는 차선 감지 외에 도로 표시 및 세로 랜드마크(예: 기둥)를 다루는 감지 등급 향상이 포함되어 있습니다. 또한, 더욱 빠른 차량 내 추론을 제공하는 엔드 투 엔드 감지를 활용합니다.
차량 주변의 모든 물체를 감지하고 반응하는 기능을 통해 편안하고 안전한 주행 경험을 제공할 수 있습니다. 이 DRIVE Labs 영상에서는 강력한 서라운드 인식을 위해 카메라와 레이더 입력을 결합할 수 있는 센서 융합 파이프라인 구축이 필수적인 이유를 설명합니다.
고도로 복잡한 운전 환경에서는 자율 주행 자동차의 인식 시스템이 주변 주행 환경을 보다 자세하게 인식하는 것이 중요합니다. panoptic segmentation DNN 방식을 사용하여 인식된 이미지를 픽셀 수준 단위로 세분화하여 보다 정밀한 결과를 얻을 수 있습니다.
높은 빔 조명은 표준 헤드 라이트의 야간의 가시 범위를 크게 향상시킬 수 있습니다. 그러나 반대쪽 차선의 다른 운전자에게 위험한 눈부심을 유발할 수 있죠. AutoHig라는 딥 뉴럴 네트워크(DNN) 기반의 카메라를 트레이닝시켜 자동차의 하이 빔 조명 시스템에 대한 제어 출력을 자동으로 생성하여 야간 주행의 가시성 및 안정성을 동시에 높여줍니다.
기능 트래킹은 인접한 영상 프레임 간의 픽셀 수준 대응 및 픽셀 수준 변화를 추정하여 물체의 움직임/속도 추정, 카메라 자체 보정, 그리고 시각적 오도메트리를 위한 중요한 시간적 및 기하학적 정보를 제공합니다.
ParkNet 딥 뉴럴 네트워크는 다양한 조건에서 오픈된 주차 공간(parking spot)을 감지할 수 있습니다. 단일, 이중 또는 희미한 선 표시로 분리된 실내 및 실외 공간을 모두 처리하고 점유, 비점유 및 부분적으로 가려진 지점을 어떻게 구분해내는지 그 방법을 살펴보세요.
이번 스페셜 에디션 버전의 DRIVE Labs 에피소드는 NVIDIA DRIVE AV 소프트웨어가 캘리포니아주 산타클라라에 위치한 본사 사무실 주변의 공공 도로에서 자율 주행을 하기 위해 어떻게 인식, 현지화 및 계획, 그리고 컨트롤 등 필수 구성 요소들을 결합하였는지 소개합니다.
NVIDIA DRIVE AV ソフトウェアは、DNN の組み合わせによって、交通標識と信号を分類します。SignNet DNN が標識の種類を識別し、LightNet DNN が信号の形状 (例: 丸か矢印） と状態 (例: 色)を分類する仕組みをご覧ください。
NVIDIA의 Safety Force Field (SFF) 충돌 방지 소프트웨어는 자동차의 기본적인 계획과 제어 시스템에 대한 독립적인 감독관 역활을 합니다. SFF는 기본 시스템에서 선택한 컨트롤을 이중 검사하고 안전하지 않은 것으로 판단되면 기본 시스템의 결정을 거부하고 수정합니다.
ディープ ニューラル ネットワーク (DNN) 処理は、レーン検出のための重要な AI ベースの技術として頭角を現しています。 LaneNet DNN は、ピクセルレベルの精度でレーン検出可能な範囲を広げ、レーン端検出の正確さや、レーン検出の堅牢性を向上させています。
단일 카메라의 이미지 데이터를 사용하여 물체까지의 거리를 계산하면 언덕이 많은 지형에서 문제가 발생할 수 있습니다. 딥 뉴럴 네트워크의 도움으로 자율 주행 자동차은 2D 이미지만으로 3D 거리를 예측할 수 있습니다.
Nvidia가 6가지 카메라 설정을 사용하여 차량 주변을 360도로 확인하고 서라운딩 환경에서 움직이는 개체를 추적하는 방법을 확인하십시오.
자율주행 자동차는 개체가 실시간으로 어떻게 움직이는지 파악하기 위해 컴퓨팅 방법과 센서 데이터(예: 일련의 이미지)를 사용해야 합니다.
ClearSightNet DNN은 카메라가 오클루젼, 방해 및 가시성 감소의 원인을 명확하게 확인하고 파악할 수 있는지 평가하도록 트레이닝됩니다.
WaitNet DNN이 맵을 사용하지 않고 어떻게 교차로를 감지할 수 있는지 확인하세요.
이 DNN 트리오는 중심 경로 및 차선 경계 예측뿐만 아니라 차선 변경/분할/병합에 대한 신뢰를 구축하고 평가합니다.
새로운 혁신 기술에 초점을 맞추며 AV 제품군 업데이트를 간략히 소개합니다.
드라이브 디스패치는 시즌 2로 돌아옵니다. 이 에피소드에서는 엔드 투 엔드 레이더 DNN 기반 클러스터링, Real2Sim, 운전자 및 탑승자 모니터링 등의 발전을 확인할 수 있습니다.
NVIDIA DRIVE Dispatch의 이번 에피소드에서는 교통 동작 예측, 도로 표시 감지, 3D 합성 데이터 시각화 등의 발전을 보여줍니다.NVIDIA DRIVE Dispatch의 이번 에피소드에서는 교통 동작 예측, 도로 표시 감지, 3D 합성 데이터 시각화 등의 발전을 보여줍니다.
NVIDIA DRIVE Dispatch의 이번 에피소드에서는 운전 가능한 경로 인식, 카메라 및 레이더 위치 측정, 주차 공간 감지 등의 발전을 보여줍니다.
在本集中，我們將展示使用生成資料來加強對 DNN 的訓練、運用雷達感測器來預判未來的動作、如何針對群眾協作的 HD 地圖建立 MapStream 及更多內容。
DepthNet, 도로 표시 감지, 다중 레이더 에고모션 추정, 교차 카메라 기능 추적 등 최신 기술을 확인하세요.
주차 지점 감지와 랜드마크 감지에서의 3D 위치에 대한 발전 현황 및 자동 생성된 MyRoute 맵, 도로 평면도, 서스펜션 추정을 사용한 NVIDIA의 첫 번째 자율주행에 대해 알아보세요.
스쿠터 분류 및 회피, 신호등 감지, 2D 직육면체 안정성, 카메라 주석 3D 자유 공간, 광선 레이더 인식 파이프라인, 전조등/후미등/거리 조명 인식 기술이 어디까지 발전했는지 확인해 보세요.
NVIDIA 오토모티브 뉴스레터로 최신 DRIVE 영상을 구독하세요.