未來是自主的，人工智能已經在改變交通行業。但什么是自動駕駛汽車，它是如何工作的？
自動駕駛汽車誕生于數據中心。它們需要傳感器、高性能硬件、軟件和高清地圖的組合才能在無人駕駛的情況下運行。盡管這項技術的概念已經存在了幾十年，但由于人工智能和計算的突破，生產自動駕駛系統最近才成為可能。
具體而言，高性能計算的巨大飛躍為開發、訓練、測試、驗證和操作自動駕駛汽車開辟了新的可能性。 Introduction to Autonomous Vehicles GTC 會議介紹了這些突破、當前自動駕駛技術的工作原理以及智能交通的前景。
從云端
車輛中運行的深度神經網絡經過大量駕駛數據的訓練。他們必須學習如何識別現實世界中的物體并做出反應——這是一個非常耗時且成本高昂的過程。
一個由 50 輛車組成的測試車隊每天產生大約 1.6 PB 的數據，這些數據必須被攝取、編碼和存儲，然后才能進行進一步的處理。??
然后，必須對數據進行梳理，以找到對訓練有用的場景，例如新的場景或當前數據集中表現不足的場景。這些有用的幀通常僅占總收集數據的 10% 。
然后，你必須給場景中的每一個物體貼上標簽，包括紅綠燈和標志、車輛、行人和動物，以便 DNN 能夠學會識別它們并檢查其準確性。
NVIDIA DGX 數據中心解決方案?通過為培訓和測試提供一個真正的數據工廠，將這一繁重的過程簡化為一個精簡的操作。有了高性能計算，您可以自動管理和標記過程，并并行運行許多 DNN 測試。
當一個新模型或一組模型準備好部署時，您可以通過在數據中心數千小時的駕駛場景中重放模型來驗證網絡。仿真還提供了在自動駕駛汽車在現實世界中可能遇到的無數邊緣情況下測試這些模型的能力。
NVIDIA DRIVE Sim 基于 NVIDIA Omniverse 構建，提供一個強大的基于云的仿真平臺，能夠為 AV 開發和驗證生成廣泛的真實場景。?它使用精確的地圖數據創建了真實世界環境的高度精確的數字孿生。
它可以只運行 AV 軟件，也就是所謂的環中軟件，或者運行在同一臺計算機上的軟件，就像在車輛上進行硬件環中測試一樣。?
使用 NVIDIA DRIVE Replicator 工具，您可以根據您的具體需求定制情況，它可以生成全新的數據。這些場景包括基于物理的傳感器數據以及相應的地面實況?補充真實駕駛數據，減少開發時間和成本。
到汽車
經過驗證的深度神經網絡在集中式高性能 AI 計算平臺上運行。
冗余和多樣的傳感器，包括相機、雷達、激光雷達和超聲波，在汽車行駛時收集周圍環境的數據。 DNN 使用這些數據來檢測物體并推斷信息以做出駕駛決策。
在同時運行多個 DNN 的同時處理這些數據需要一個令人難以置信的高性能 AI 平臺。
NVIDIA DRIVE Orin 是用于自動駕駛汽車的高度先進的軟件定義計算平臺。它每秒可實現 254 萬億次操作，足以處理這些功能，同時實現公共道路操作的系統安全標準。
除了用于感知的 DNN 之外， AV 還依賴于具有厘米級細節的地圖進行精確定位，這是車輛在世界上定位自身的能力。 ?
正確的定位需要不斷更新地圖，以反映當前的道路狀況，如工作區或車道封閉，以便車輛能夠準確測量環境中的距離。這些地圖必須在 AV 車隊中高效縮放，處理速度快，數據存儲量最小。?最后，它們必須能夠在全球范圍內運行，這樣 AV 才能大規模運行。
NVIDIA DRIVE Map 是一個多模式映射平臺，旨在實現最高級別的自主性，同時提高安全性。? 它將專用測繪車繪制的勘測圖與基于人工智能的眾包測繪相結合? 來自客戶車輛。 DRIVE Map 包括四個定位層：相機、激光雷達、雷達和 GNSS ，提供最先進的 AI 驅動程序所需的冗余和通用性。?
持續改進
AV 開發過程不是線性的。作為人類，我們從未停止學習，人工智能也以同樣的方式運行。
隨著時間的推移，自動駕駛汽車將繼續變得更智能，因為軟件經過了新任務的訓練、增強、測試和驗證，然后通過空中更新到汽車上。
該管道是連續的，不斷收集來自車輛的數據，以不斷訓練和改進網絡，然后將網絡反饋到車輛中。人工智能被用于實時計算管道的所有階段，從感知、映射和定位到規劃和控制。
這種連續循環將車輛從傳統的固定功能操作轉變為軟件定義的設備。大多數車輛在銷售時都是最先進的。通過這種新的軟件定義架構，汽車制造商可以在其整個生命周期中不斷更新車輛的新特性和功能。
?
