杭州股票配资AI在自动驾驶中究竟有哪些应用?

  智能汽车的发展给芯片厂商带来了新生,不过也加剧了芯片行业的竞争,在这几年里,芯片行业的并购整合愈发频繁。英伟达算是异军突起的一个。凭借着GPU在深度学习上的先天优势,英伟达目前已经开始与车企和一级供应商广泛合作,预计最早在2019年,会有基于英伟达Drive PX2平台的自动驾驶控制平台会开始量产。相较之下,原本就深耕在汽车行业的芯片厂商,诸如恩智浦与瑞萨,就显得声音小了很多。

  与传统芯片厂商相比,英伟达无论是在Drive PX2平台还是今年年初CES上发布的Xavier AI平台,都在强调AI的概念。那么,英伟达究竟打算怎么将AI技术应用到自动驾驶之上呢?在腾讯汽车的“源计划”媒体赋能学院上,英伟达自动驾驶中国区负责人董方亮先生详细讲述了英伟达在AI计算上做的工作。

  自动驾驶是AI一个重要的应用领域。究其本质,可以归结为对车辆行驶过程中产生的各类数据的处理。随着自动驾驶级别的提升,需要处理的数据会产生量的变化。

  董方亮表示,从L2到L3,新增加的功能需要计算力至少提升5倍,具体的需求取决于L3的实际应用场景。如果L3是针对某些特定场景,包括有变道的情况,那么对于计算力的需求会更高。而从L3到L4的过程中,L4中会加入新的场景,包括限定范围的城区等,因为L4中人基本不参与到驾驶过程,对于车辆的安全性能有非常严苛的要求,必须将部件的故障率降到很低的水平,在计算处理的稳定性和冗余性上有相当高的要求。

  也就是说,需要依赖更强的计算资源来保障功能的实现,因而计算力需要有50倍以上的提高。计算的要求不一样、算法的不一样,造成了整个系统构建时候的考虑因素是不一样的。

  以英伟达Xavier AI平台为例,Xavier将针对L3及以上级别的自动驾驶应用。在L3及以上级别的自动驾驶中,车辆需要能够自动识别周围的环境,并对交通态势进行判断,进而对下一步的行驶路径进行规划。自动驾驶级别越高,车辆需要掌控的信息就越多。除了本车传感器收集到的数据,还会有来自云端的实时信息、与其他车辆/路边设备交换得到的数据,实时的数据越多,处理器需要处理的信息越多,对于实时性的要求也就越高。

  在这之中,「识别」是面对的第一个难题。要实现自动驾驶,首先要做的就是对周围环境有清楚的了解。董方亮介绍道,如果按照传统的算法模式,即用已有的几何学和数学公式不断计算物体特征,会存在两个问题:

  2.世界是千变万化的,很难用一个算法去识别,以物体特征的方式求识别相当于要在算法中进行穷举,可能至少要穷举1000个案例才能让算法的准确率足够高

  深度学习算法在识别上的优势之处在于效率足够高。而传统算法中的穷举工作其实是被转移到了算法训练中,只要有足够多有效的数据对算法进行训练,训练的网络足够好,就可以达到较好的识别效果。当然,这是技术层面深度学习算法的优势,但并不代表深度学习会比传统算法的应用更为简单。以对算法的训练为例,就需要收集到大量有效的数据对算法进行训练,这就是一个非常耗费时间精力的过程。

  上图是神经网络对照片进行识别的原理。根据董方亮的解释,神经网络不断层数增加的时候,是用浅层网络区抓边角的小特征点,而深层网络会将浅层网络抓取到的特征值进行融合,层层递进去概括特征,“比较浅显的解释,就是有十张纸,每张纸画出一个部分,十张叠加就是一个完整的图像”。

  识别是自动驾驶的第一步,第二步,也是更难的一步,是预测。在感知周围环境中,车辆其实需要判断出周围的物体哪些是静态的,哪些是动态的,进而判断哪些会对驾驶造成影响,才能够进行路径规划。预测本身包括短期、中期和长期的预测,才能对驾驶策略进行辅助和判断。

  这也是为什么自动驾驶必须要高精度地图。高精度地图可以视为传感器的一种,所有道路上的静态物体包括坐标信息都会存储在高精度地图中,从而让车辆能够知道自己在道路中所处的精确位置。有了精确的定位之后,才能够进行下一步的定位与路径规划。

  一是在很多地方,并没有清晰的车道线或者干脆没有车道线。自动驾驶车辆行驶的依据就在于车道线。人类在驾驶过程中,在没有车道线的地方,会自动根据与周围其他车辆和道路的距离来决定行驶路径,在自动驾驶时,就需要自动驾驶的“大脑”也具备这种能力。在自动驾驶技术发展的早期,包括目前已经量产的半自动驾驶中,无法实现车道线时就会提醒人类驾驶员接手。不过也已经有企业在算法层面对这种情况进行改善,在英伟的感知网络中,也有一个车道线的专用网络Lanenet,在车道线不明显的时候可以自动做标注,进而计算可行驶路径。

  二是实时的动态信息。对于自动驾驶最常问的一个问题是,车辆是否能够及时识别出路边冲出来的小孩并完成刹车。这里的难点在于动态信息的不可预测性。董方亮表示,一个相对较好的解决方案是,针对生命体(人和动物),通过特征点的方式来让车辆去识别。好处在于如果车辆能够识别出特征点,可以根据特征点的运动趋势来判断其下一步运动方向,来帮助车辆进行决策。当然,本身对于不可预测的动态信息,要想尽可能地去做预测工作,是一个非常巨量的计算过程,实时性要求越高,就越复杂,对于算法和处理能力要求会更高。

  自动驾驶的实现需要强大的计算平台去辅助完成,而这就要求硬件水平的进一步提升,以及深度学习算法的优化。

Copyright © 2002-2014 杭州股票配资 版权所有 琼ICP备32165498号 咨询热线:029-66889777