Специалисты по разработке ПО NVIDIA DRIVE™ постоянно внедряют инновации и многозадачные глубокие нейронные сети для создания надежных и безопасных систем беспилотного вождения, трансформирующих отрасль.
Выберите интересующую вас вкладку и узнайте больше о беспилотных автомобилях.
Короткие видео о современных алгоритмах, управляющих беспилотными автомобилями.
Усовершенствованная система помощи при парковке (PSA) на основе алгоритмов имеет решающее значение для автономных транспортных средств, чтобы понять сложность правил парковки и реагировать соответствующим образом. В этом выпуске DRIVE Labs мы покажем, как программный стек NVIDIA DRIVE AV использует самые современные DNN и алгоритмы компьютерного зрения для улучшения автономной парковки в реальных сценариях. Эти методы могут обнаруживать, отслеживать и классифицировать широкий спектр парковочных дорожных знаков и перекрестков в режиме реального времени.
Распознавание знаков ограничения скорости может показаться простой задачей, однако оно может быть усложнено в ситуациях, когда на разных полосах движения применяются разные ограничения или процесс вождения происходит в другой стране. В этом эпизоде DRIVE Labs мы рассказываем, как восприятие в реальном времени на основе ИИ помогает беспилотным автомобилям лучше «видеть» дорожные знаки ограничения скорости.
Для выполнения задачи восприятия системе беспилотного автомобиля необходим набор разных сенсоров, таких как камера и радар. Однако радарные датчики, выполняющие только традиционную обработку данных, могут не справиться с идентификацией окружающих объектов. В этом выпуске DRIVE Labs мы показываем, как ИИ может улучшить восприятие беспилотного автомобиля и устранить проблемы традиционной обработки радиолокационных сигналов при различении статических и подвижных объектов.
В этом эпизоде DRIVE Labs мы покажем, как DRIVE IX оценивает внимание водителя на дороге, его действия, эмоции, поведение, осанку, речь, жесты и настроение. С помощью функции мониторинга состояния AV-система проверяет, насколько уверенно водитель ведет машину и внимательно следит за дорогой. Помимо этого, ИИ-система может выполнять и другие интуитивные и умные функции.
В этом эпизоде DRIVE Labs мы расскажем, как использовать технологии программно-определяемого ИИ, чтобы всего за нескольких недель значительно улучшить производительность и возможности глубокой нейронной сети (DNN) для восприятия источника света: увеличить дальность, добавить функцию классификации и другие.
Беспилотные автомобили могут рассчитывать на ИИ, чтобы предсказывать движение транспорта и безопасно маневрировать в сложной обстановке. В этом эпизоде DRIVE Labs мы рассказываем, как глубокая нейронная сеть PredictionNet может предсказывать будущие действия других участников дорожного движения при помощи восприятия в реальном времени и данных карты.
Движение на перекрестках вызывает целый ряд сложностей у беспилотных автомобилей. В предыдущих выпусках DRIVE Labs мы показывали, как система распознает перекрестки, светофоры и дорожные знаки при помощи глубокой нейросети WaitNet. Мы также рассмотрели, как глубокие нейросети LightNet и SignNet классифицируют сигналы светофора и типы дорожных знаков. Этот выпуск будет посвящен тому, как NVIDIA использует ИИ, чтобы воспринимать разнообразные структуры перекрестков, с которыми автономный автомобиль может столкнуться на дорогах.
Активное обучение позволяет моделям ИИ автоматически выбирать верные обучающие данные. Группа специализированных глубоких нейросетей перебирает выборку кадров и отмечает те, с распознаванием которых возникли сложности. Затем эти кадры помечаются и добавляются в обучающий набор данных. Этот процесс позволяет улучшить ориентацию нейросети в сложных условиях, например, при распознавании пешеходов в ночное время.
Традиционные методы обработки данных приводят к значительным сложностям, например, при распознавании и классификации различных типов объектов, ситуаций и погодных условий, а также ограничивают производительность и надежность. Чтобы преодолеть сложности обработки данных с лидаров, глубокая нейронная сеть LidarNet применяет несколько измерений или перспектив для преобразования данных об окружении автомобиля.
Определение местоположения — важнейшая функция для беспилотных автомобилей, которая вычисляет трехмерные координаты на карте, включая 3D-положение, 3D-ориентацию и любые неточности в этих значениях. В новом выпуске DRIVE Labs мы продемонстрируем, как алгоритмы определения местоположения позволяют достичь высокой точности и надежности с помощью популярных датчиков и HD-карт.
Узнайте, как мы создали высокоточную сеть MapNet на основе глубокой нейронной сети LaneNet. Модификация включает в себя больше классов распознавания, в том числе дорожной разметки и вертикальных ориентиров (например столбов), помимо распознавания полос движения. Технология также применяет сквозное распознавание, которое обеспечивает быстрый инференс в беспилотном автомобиле.
Способность обнаруживать объекты вокруг автомобиля и реагировать на них обеспечивает комфортное и безопасное вождение. В этом выпуске DRIVE Labs мы рассказываем, почему для правильного восприятия окружающей среды необходим датчик, сочетающий камеру и радар.
В сложных сценариях вождения важно, чтобы система восприятия в беспилотном автомобиле предоставляла максимально детализированную картину окружения. Паноптическая сегментации с помощью глубокой нейронной сети позволяет сегментировать изображения с точностью до пикселя и получать максимально точные результаты.
Дальний свет может значительно расширить зону видимости стандартных фар в ночное время, но может создать опасные блики для других водителей. Мы обучили глубокую нейронную сеть (DNN) AutoHighBeamNet автоматически управлять системой дальнего света, повышая видимость в ночное время и безопасность вождения.
Функция определения контуров оценивает соответствия и различия соседних видеокадров на уровне пикселей и предоставляет важную информацию о времени и геометрии для оценки движения и вектора скорости объекта, автокалибровки камеры и визуальной одометрии.
Наша глубокая нейронная сеть ParkNet может найти свободное место для парковки в любых условиях. Посмотрите, как нейросеть исследует открытые и закрытые парковки, распознает места, разделенные одной, двумя линиями и даже нечеткой разметкой, а также занятые, свободные и частично загороженные места.
Специальный выпуск DRIVE Labs посвящен комбинации основных функций восприятия, определения местоположения, планирования пути и управления в ПО NVIDIA DRIVE AV. Вам предстоит узнать, как они обеспечивают автономное движение по дорогам около штаб-квартиры NVIDIA в Санта-Кларе, Калифорния.
ПО NVIDIA DRIVE AV использует комбинацию глубоких нейронных сетей для классификации дорожных знаков и сигналов светофоров. Узнайте, как глубокая нейросеть LightNet классифицирует форму сигнала светофора (например, стрелку) и значение (т.е. цвет), а нейросеть SignNet определяет тип дорожного знака.
Наше ПО Safety Force Field (SFF) для предотвращения столкновений независимо контролирует действия первичной системы планирования и управления транспортным средством. SFF дважды проверяет элементы управления, выбранные первичной системой, и если квалифицирует их как небезопасные, то запрещает выполнение и исправляет решение системы.
Обработка глубоких нейронных сетей (DNN) стала важным методом распознавания дорожной разметки на базе ИИ. Наша сеть LaneNet позволяет чаще и правильнее распознавать дорожную разметку и воспроизводить ее границы благодаря точности до пикселя.
При движении по холмистой местности вычисление расстояния до объектов с использованием данных в виде изображений становится непростой задачей. С помощью глубоких нейронных сетей автономные транспортные средства могут рассчитать трехмерные расстояния по 2D-изображениям.
Узнайте, как установка с шестью камерами позволяет обеспечить панорамный обзор автомобиля и отслеживать движение окружающих объектов.
Автономные транспортные средства должны использовать вычислительные методы и данные с датчиков, например, последовательность изображений, чтобы своевременно рассчитывать движение объектов.
Глубокая нейронная сеть ClearSightNet может оценивать четкость изображения с камеры и определять причины помех, блокировки и снижения видимости.
Узнайте, как глубокая нейронная сеть WaitNet находит перекрестки без помощи карты.
Это трио DNN строит и оценивает уверенность для предсказаний Центрального пути и линии полосы, а также изменений/разбиений/слияний полосы.
Новости и достижения от нашего парка беспилотных автомобилей.
DRIVE Dispatch возвращается на второй сезон В этой серии мы покажем достижения во многих областях, в том числе в радарной кластеризации на базе глубоких нейронных сетей, моделировании Real2Sim и мониторинге водителя и пассажиров.
В этом выпуске NVIDIA DRIVE Dispatch мы расскажем о достижениях в области прогнозирования транспортной загруженности, обнаружения дорожной разметки, визуализации синтетических данных и других новостях индустрии.
В этом эпизоде NVIDIA DRIVE Dispatch вы увидите достижения в распознавании проезжей части, локализации камер и радаров, обнаружения парковочных мест и многого другого.
В этом выпуске NVIDIA DRIVE Dispatch мы расскажем о достижениях в области синтетических данных для улучшения обучения глубокой нейронной сети, радиолокаторах для прогнозирования движения цели, режиме MapStream для HD-карт и других новостях.
Узнайте о последних достижениях в DepthNet, обнаружении дорожной разметки, одометрии, определении контуров и других технологиях.
Узнайте об обнаружении парковочных мест, 3D-положении при определении объектов, нашем первом автономном опыте вождения с использованием автоматически генерируемой карты MyRoute, а также оценке состояния подвески.
Узнайте о достижениях в области классификации и предотвращения столкновения со скутерами, обнаружения светофоров, стабильности 2D-кубоидов, 3D-простанствах без записи камер, конвейера восприятия lidar и обнаружения света передних фар/задних фонарей/уличного освещения.
Получайте новые выпуски DRIVE, подписавшись на почтовую рассылку NVIDIA по автономным решениям.