骑行者:麻省理工学院在NVIDIA Drive Agx Pegasus上开发单一的自动驾驶网络

在Computex详细信息综合深度神经网络开发中发表论文。
经过 凯蒂伯克

一种新的自主驾驶方法正在追求独奏职业生涯。

麻省理工学院的研究人员正在开发一个深度神经网络(DNN)到电力自治车辆,而不是多个网络的系统。研究,发表在computex.本周,使用nvidia drive agx pegasus要在车辆中运行网络,有效地实时处理LIDAR数据的山脉。

AV传感器产生巨大的数据 - 每天六小时驾驶的车队仅为50辆车,每天产生约1.6个传感器数据。如果数据存储在1GB闪存驱动器上,则会涵盖100多个足球场。

自动驾驶汽车必须瞬间处理这些数据,以感知并安全地浏览周围环境。但是,由于数据量,单个DNN执行此处理非常困难,这就是大多数方法使用多个网络和高清映射的原因。

在他们的论文中,麻省理工学院团队详述了如何用单个DNN尝试新的自动驾驶策略,从实时激光雷萨传感器数据处理的任务开始。

通过利用高性能,节能的NVIDIA驱动器agx Pegasus,该团队能够将新的加速器工程到LIDAR的计算,以实现,甚至超过这一目标,操作比当前状态快15倍 -最新系统。

提高效率

目前许多AV系统在开发中利用高清映射除了用于处理传感器数据的DNN阵列之外。该组合使AV能够快速定位在空间中并检测其他道路用户,交通标志和其他对象。

虽然这种方法提供了安全自主驾驶所需的冗余和多样性,但难以在尚未映射的区域中实现。

此外,杠杆激光器感官的AV系统每秒需要在周围环境中处理超过200万分。与二维图像数据不同,LIDAR点在3D空间中非常稀疏,为现代计算硬件呈现出巨大的挑战,因为架构不适用于这种形式的数据。

麻省理工学院团队开发了新的改进,以实现超越基础架构的速度和能源效率。

MIT的DNN旨在执行与整个自动驱动系统相同的功能。通过培训网络以巨大的人类驾驶数据培训网络来实现这种完整功能,教导它作为人类驾驶员将其全面地驾驶,而不是将其闯入特定的任务。

虽然这种方法仍在开发中,它具有显着的潜在利益。

在车辆中运行单个DNN是比多个专用网络更有效的更有效,用于其他功能的计算余量。这也更灵活,因为DNN依赖于其培训而不是地图,以导航看不见的道路。效率改进也允许实时处理大量丰富的感知数据。

使用NVIDIA驱动器增压性能

当与高性能相结合时,MIT发现其DNN更加熟练。

NVIDIA Drive Agx Pegasus是AI SuperComputer设计4级和5级自治系统。它使用两个NVIDIA Xavier SoC的力量和两个NVIDIA,以实现每秒表现前所未有的320万亿运营。

麻省理工学院研究人员旨在在一个不仅强大的计算系统上开发DNN,而且在目前正在开发中的AV系统中也很常见。

“我们希望拥有一个非常灵活和模块化的AV系统,NVIDIA是该领域的领导者,”博士亚历山大·阿塞尼斯说:学生在麻省理工学院共同领导项目。“Pegasus能够处理来自各种传感器的输入流,使开发人员能够实现其DNN。”必威体育特别活动

DNN的LIDAR感知能力只是麻省理工学院研究人员自推进发展目标的开始。Amini表示,该团队正在寻求解决联合传感器流,与其他车辆更复杂的互动,以及恶劣的天气条件 - 所有与船上的NVIDIA驱动器。