La serie di video di NVIDIA DRIVE Labs offre uno sguardo all'interno di come viene sviluppato il software a guida autonoma. Un anno e 20 episodi dopo, è chiaro che c'è un la strada da percorrere è quasi infinita

La serie di video si concentra su argomenti che vanno dalla percezione a 360 gradi alla segmentazione panottica e persino alla previsione del futuro. I veicoli autonomi sono una delle grandi sfide informatiche dei nostri tempi e ci stiamo avvicinando allo sviluppo del software un blocco alla volta.

DRIVE Labs ha lo scopo di informare ed educare. Sia che tu stia appena iniziando a conoscere questa tecnologia trasformativa o che ci stia lavorando da un decennio, la serie è una finestra su ciò che in NVIDIA considerano le sfide di sviluppo più importanti e su come le stanno affrontando in modo più sicuro e più efficiente.

Ecco un breve sguardo a ciò che è stato coperto l'anno scorso e al modo in cui NVIDIA sta pianificando la strada da percorrere.

Una cross-section delle Reti di Percezione

Prima che un veicolo pianifichi un percorso ed esegua una decisione di guida, deve essere in grado di vedere e comprendere l'intero ambiente intorno al esso.

DRIVE Labs ha dettagliato una varietà di reti neurali profonde responsabili della percezione del veicolo. L'approccio di DRIVE Labs si basa su DNN ridondanti e diversificati: i loro modelli coprono una varietà di funzionalità, come il rilevamento di incroci, il rilevamento di semafori e segnali stradali e la comprensione della struttura degli incroci. Sono inoltre in grado di svolgere più attività, come individuare spazi di parcheggio o rilevare se i sensori sono ostruiti.

Questi DNN non fanno altro che disegnare caselle di demarcazione attorno a pedoni e segnali stradali. Possono scomporre le immagini pixel per pixel per una maggiore precisione e persino tenere traccia di quei pixel nel tempo per informazioni precise sul posizionamento.

Per la guida notturna, AutoHighBeamNet consente il controllo automatico dei fari dei veicoli, mentre l'approccio di apprendimento attivo migliora il rilevamento dei pedoni al buio.

I DNN consentono anche di estrarre distanze 3D dalle immagini della videocamera 2D per un'accurata pianificazione del movimento.

Inoltre, le capacità di percezione operano in tutto il veicolo grazie al "surround camera object tracking" e al "surround camera-radar fusion" che lavorano insieme per evitare che ci siano punti ciechi.

Prevedere la strada di fronte a noi

Oltre a percepire l'ambiente attorno, i veicoli autonomi devono essere in grado di capire come si comportano gli altri attori della strada per pianificare un percorso sicuro in avanti.

Con le reti neurali ricorrenti, DRIVE Labs ha dimostrato come un'auto a guida autonoma può utilizzare le conoscenze passate sul movimento di un oggetto per calcolare le previsioni di movimento future.

Il software "Safety Force Field", sviluppato da DRIVE Labs, di prevenzione delle collisioni aggiunge diversità e ridondanza al software di pianificazione e controllo. Funziona costantemente in background per eseguire un double-check sui controlli derivanti dal sistema primario e porre il veto a qualsiasi azione ritenuta non sicura.

I DNN e i componenti software sono solo un esempio dello sviluppo che sta subendo un veicolo autonomo. Questa sfida epocale richiede un costante lavoro e test rigorosi, sia nel data center che nel veicolo. E poiché i trasporti continuano a cambiare, il software del veicolo deve essere in grado di adattarsi.

fonte: NVIDIA Blog