NVIDIA DRIVE Labs

Tudo sobre o software de veículos autônomos

A série de vídeos DRIVE Labs apresenta uma visão focada na engenharia de uma variedade de desafios da direção autônoma, desde a percepção de caminhos até lidar com cruzamentos. Esses pequenos clipes ilustram como a equipe do software AV NVIDIA DRIVE™ está criando sistemas autônomos seguros e robustos.

 

O Caminho Certo: Como a AI Ajuda Carros Autônomos a Prever o Futuro

Os carros autônomos contam com a AI para antecipar os padrões de tráfego e dirigir com segurança em um ambiente complexo. Neste episódio da DRIVE Labs, demonstramos como nossa rede neural profunda PredictionNet pode prever manobras futuras de outros motoristas na estrada usando a percepção dinâmica e os dados de mapas.

 

Como a AI Ajuda os Veículos Autônomos a Perceber a Estrutura de um Cruzamento

Lidar com cruzamentos de maneira autônoma é um desafio complexo para carros autônomos. Em episódios anteriores da série DRIVE Labs, demonstramos como detectamos cruzamentos, semáforos e sinalização de trânsito com a DNN WaitNet. Além de como classificamos as luzes do semáforo e o tipo de sinalização com as DNNs LightNet e SignNet. Neste episódio, vamos além para mostrar como a NVIDIA usa AI para perceber a variedade de formatos de cruzamento que um veículo autônomo poderia encontrar ao dirigir diariamente.

 

Como o Aprendizado Ativo Melhora a Detecção Noturna de Pedestres

O aprendizado ativo possibilita que a AI escolha automaticamente os dados de treinamento corretos. Diversas DNNs dedicadas analisam um conjunto de frames de imagens, sinalizando os frames considerados confusos. Esses frames são então rotulados e adicionados ao conjunto de dados de treinamento. Esse processo pode melhorar a percepção da DNN em condições difíceis, como a detecção noturna de pedestres.

 

Foco Total: Como a Multi-View LidarNet Apresenta uma Perspectiva Avançada para Carros Autônomos

Os métodos tradicionais de processamento de dados Lidar apresentam desafios significativos, como a capacidade de detectar e classificar diferentes tipos de objetos, cenas e condições de clima, bem como limitações no desempenho e na robustez. Nossa rede neural profunda Multi-View LidarNet usa várias perspectivas, ou visualizações, da cena em torno do carro para solucionar esses desafios de processamento Lidar.

 

Perdidos no Espaço? A Localização Ajuda os Carros Autônomos a Encontrar seu Caminho

A localização é um recurso essencial para veículos autônomos, calculando seu local tridimensional (3D) dentro de um mapa, incluindo a posição 3D, a orientação 3D e incertezas nesses valores de posição e orientação. Neste DRIVE Labs, mostramos como nossos algoritmos de localização possibilitam obter alta precisão e robustez usando os sensores de comercialização em massa e os mapas HD.

 

Como a AI Lê a Estrada

Veja como evoluímos nossa DNN LaneNet em nossa DNN MapNet de alta precisão. Essa evolução inclui um aumento nas classes de detecção para abranger também as marcações da estrada e os pontos de referência verticais (por exemplo, postes), além da detecção de faixas de trânsito. Ela também aproveita a detecção de ponta a ponta que proporciona inferência mais rápida no carro.

 

AIs na Estrada: A Fusão com Radar da Câmera Surround Elimina os Pontos Cegos dos Carros Autônomos

A capacidade de detectar e reagir a objetos em torno do veículo possibilita oferecer uma experiência de condução segura e confortável. Neste vídeo da DRIVE Labs, explicamos por que é essencial ter um pipeline de fusão de sensores que pode combinar as entradas de câmera e radar para uma percepção de surround avançada.

 

Percepção Perfeita: Como a AI Ajuda os Veículos Autônomos a Ver Fora da Caixa

Para obter cenários de condução altamente complexos, é útil que o sistema de percepção do veículo autônomo forneça uma compreensão mais detalhada de seus arredores. Com nossa abordagem de DNN de segmentação panóptica, podemos obter resultados refinados segmentando o conteúdo da imagem com precisão no nível de pixels.

 

Luz que Cega? Como a AI Evita Ofuscamento de Farol Alto para Outros Veículos

As luzes de farol alto podem aumentar a extensão de visibilidade noturna de faróis padrão significativamente, mas podem também criar um ofuscamento perigoso aos outros motoristas. Treinamos uma ampla rede neural (DNN – Deep Neural Network) baseada em câmera, chamada AutoHighBeamNet, para gerar automaticamente saídas de controle para o sistema de farol alto do veículo, aumentando a visibilidade e a segurança à noite.

 

No Caminho Certo: Monitoramento de Recursos para Condução Autônoma Avançada

O monitoramento de recursos estima as correspondências e as alterações no nível de pixels entre os frames de vídeo adjacentes, fornecendo informações essenciais temporais e geométricas para a estimativa de movimento/velocidade dos objetos, a autocalibragem da câmera e a odometria visual.

 

Procurando uma Vaga para Estacionar? Conte com a AI

Nossa rede neural profunda ParkNet pode detectar uma vaga de estacionamento sob várias condições. Veja como ela lida com espaços internos e externos, separados por marcações únicas, duplas ou desbotadas, além de como ela diferencia entre as vagas ocupadas, livres e parcialmente escondidas.

 

Ande no Carro Autônomo da NVIDIA

Este episódio especial da DRIVE Labs mostra como o software AV NVIDIA DRIVE combina os fundamentos essenciais de percepção, localização e planejamento/controle para dirigir de modo autônomo em estradas públicas em torno da nossa sede em Santa Clara, Califórnia.

 

Classificando Sinais de Trânsito e Luzes de Semáforo com AI

O software AV NVIDIA DRIVE usa uma combinação de DNNs para classificar sinais de trânsito e luzes de semáforo. Veja como nossa DNN LightNet classifica a forma da luz de semáforo (por exemplo, sólida ou seta) e o estado (ou seja, cor), enquanto a DNN SignNet identifica o tipo de sinalização de tráfego.

 

Eliminando Colisões com o Safety Force Field

Nosso software de prevenção de colisões Safety Force Field (SFF) atua como um supervisor independente nas ações do sistema principal de planejamento e controle do veículo. O SFF revisa os controles escolhidos pelo sistema principal e, se considerar que eles não são seguros, vetará e corrigirá a decisão do sistema principal.

 

Detecção de Faixa de Alta Precisão

O processamento de rede neural profunda (DNN) surgiu como uma técnica importante baseada em AI para detecção de faixas. Nossa DNN LaneNet aumenta o alcance da detecção de faixas, recuperação de beira de faixa e robustez de detecção de faixas com precisão no nível de pixel.

 

Percebendo uma Nova Dimensão

O cálculo da distância dos objetos usando dados de imagem de uma única câmera pode criar desafios quando se trata de um terreno acidentado. Com a ajuda das redes neurais profundas, os veículos autônomos podem prever distâncias 3D a partir de imagens em 2D.

 

Visão da Câmera Surround

Veja como usamos nossa configuração de seis câmeras para ver 360 graus em torno do carro e monitorar objetos à medida que eles se movem no ambiente ao redor.

 

Prevendo o Futuro com RNNs

Os veículos autônomos devem usar métodos computacionais e dados de sensores, como uma sequência de imagens, para descobrir como um objeto está se movendo no tempo.

 

Rede Neural Profunda ClearSightNet

A DNN ClearSightNet é treinada para avaliar a capacidade de visualização de câmeras de maneira clara e determinar as causas de oclusões, bloqueios e reduções na visibilidade.

 

Rede Neural Profunda WaitNet

Saiba como a DNN WaitNet é capaz de detectar cruzamentos sem usar um mapa.

 
 

Montagem de Percepção de Caminhos

Esse trio de DNNs cria e avalia a confiança de previsões de linha de faixa e caminho central, bem como alterações/divisões/confluências de faixas.

Receba os mais atuais vídeos DRIVE Labs por e-mail com a newsletter NVIDIA Automotive.