오토노머스 자동차 소프트웨어 자세히 알아보기
DRIVE Labs 비디오 시리지는 경로 인식에서부터 교차로 처리에 이르기까지 다양한 자율 주행 문제를 엔지니어링 관점에서 중점적으로 살펴봅니다. 이러한 짧은 동영상은 NVIDIA DRIVE™ AV 소프트웨어 팀이 안전하고 강력한 자율 주행 시스템을 어떻게 만들어 내는지 보여줍니다.
LaneNet DNN 을 고정밀 MapNet DNN으로 어떻게 발전시켰는지 확인하세요. 이 혁신에는 차선 감지 뿐만 아니라 도로 표시 및 수직 랜드 마크(예: 극점)를 포괄하는 감지 클래스의 증가도 포함됩니다. 또한 차량 내 추론을 보다 빠르게 제공하는 종단 간 감지 기능을 활용합니다.
자동차 주변의 물체를 감지하고 반응할 수 잇어 편안하고 안전한 주행 경험을 제공할 수 있습니다. 아래 DRIVE Labs 영상에서는 강력한 서라운드 인식을 위해 카메라와 레이더 입력을 결합할 수 있는 센서 퓨전 파이프라인이 필요한 이유에 대해 소개합니다.
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.
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.
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.
NVIDIA 오토모티브 뉴스레터로 최신 DRIVE Labs를 구독하세요.