自動駕駛汽車利用傳感器看見世界。但是它們如何處理通過傳感器獲得的數據呢？

用行業術語來說，問題的關鍵在于感知，即在行駛過程中，自動駕駛汽車處理和識別道路數據（從街道標識到行人，乃至周圍交通環境）的能力。借助AI的強大功能，自動駕駛汽車能夠實時識別周圍環境并對其做出反應，從而保證車輛的安全行駛。

自動駕駛汽車利用一系列稱為深度神經網絡（DNN）的算法來實現感知功能。

DNN并不是要求汽車遵循一系列人工編寫的功能，比如“看到紅燈就停車”，而是使汽車能夠利用自身傳感器獲得的數據學習如何實況行駛。

這些數學模型的運行方式受到人類大腦的啟發，都是通過經驗進行學習。如果DNN接收到不同情況下多種停車標識的圖像，它就可以根據經驗學會自己識別停車標識。

自動駕駛汽車安全行駛的兩個關鍵：多樣性和冗余

但是，僅依靠一種算法是無法獨立完成工作的。為了實現安全的自動駕駛，一整套DNN不可或缺。在整套DNN中，每個DNN需要完成特定的任務。

這些網絡是多樣的，從閱讀道路標識，識別交叉路口到檢測行駛路徑，它們涵蓋了所有功能。同時這些網絡也是冗余的，因為它們的功能有所重疊，所以能夠最大限度地降低出現故障的可能性。

自動駕駛對于所需DNN的數量沒有固定標準。新功能層出不窮，DNN的列表也隨之不斷增長變化。

在實況駕駛中，必須實時處理獨立DNN所生成的信號。為了實現這一目標，一個集中且高性能的計算平臺不可或缺，例如NVIDIA DRIVE AGX。

以下是NVIDIA用于自動駕駛汽車感知的一些核心DNN。

拓路者

幫助汽車確定行駛區域并規劃前方安全路徑的DNN：

• OpenRoadNet能夠識別汽車周圍所有可行駛的空間，無論是汽車所在車道還是鄰近車道。
• PathNet即使在沒有車道標記的情況下，也能突出標記車輛前方的可行駛路徑。
• LaneNet能夠檢測車道線和其他規定汽車行駛路徑的標記。
• MapNet也可以識別車道和地標，并用于創建和更新高清地圖。

具有路徑尋找功能的DNN協同工作為自動駕駛汽車制定安全的行駛路線。

道路物體檢測與分類

能夠檢測潛在路障、交通信號燈及標識的DNN：

• DriveNet能夠感知道路上的其他車輛、行人、交通燈和標識，但無法識別燈光的顏色以及標識的類型。
• LightNet能夠對交通燈的顏色狀態進行分類 – 紅色、黃色或綠色。
• SignNet能夠識別標志的類型 – 停止，讓行，單行道等。
• WaitNet能夠檢測必須停車等待的情況，例如十字路口。

其他功能

能夠檢測汽車及駕駛艙零部件狀態，以及使操作更加便捷（如停車）的DNN：

• ClearSightNet能夠監測汽車攝像頭傳感器的可見度，檢測限制可見度的狀況，如雨，霧和陽光直射。
• ParkNet能夠識別可用的停車位。

以上這些只是構成冗余和多樣化DRIVE軟件感知層的深度神經網絡示例。

編輯：hfy