在今年COMPUTEX上發表的論文詳細介紹了綜合深度神經網絡的開發過程。

全新自動駕駛技術將能夠“獨當一面”。

麻省理工學院的研究人員正在開發一個一體化深度神經網絡（DNN）為自動駕駛汽車提供支持，并取代由多個網絡組成的系統。在今年COMPUTEX上發表的這項研究使用了NVIDIA DRIVE AGX Pegasus在車輛中運行網絡，能夠高效、實時地處理堆積成山的激光雷達數據。

自動駕駛汽車傳感器會產生大量數據——如果一個由50輛車組成的車隊每天行駛6小時，那么每天就會產生約1.6PB的傳感器數據。若把所有這些數據都存儲在1GB U盤上，這些U盤將能覆蓋100多座足球場。

自動駕駛汽車必須即時處理這些數據才能感知周圍環境并安全行駛。但由于數據量巨大，一個DNN很難完成這種處理，因此大多數方法都會使用多個網絡和高清晰度地圖。

在他們的論文中，麻省理工學院團隊詳細介紹了如何使用一個一體化DNN嘗試新的自動駕駛策略，首先就是要完成實時激光雷達傳感器數據處理任務。

通過運用高性能、高能效的NVIDIA DRIVE AGX Pegasus，該團隊進一步加快激光雷達的計算速度以實現甚至超越這一目標，其運行速度比目前最先進的系統還要快15倍。

提高數據處理效率

如今，許多開發中的自動駕駛系統除了使用高清地圖之外，還使用一系列DNN來處理傳感器數據。這一組合能夠使自動駕駛汽車快速確定自己在空間的位置并探測其他道路使用者、交通標志和其他物體。

雖然這種方法為安全自動駕駛提供了必要的冗余和多樣性，但它很難在尚未進行測繪的地區實施。

此外，使用激光雷達傳感器的自動駕駛系統需要每秒處理周圍環境中的200多萬個點。不同于2D圖像數據，激光雷達點在3D空間中極為稀疏。由于沒有針對此類數據的定制化架構，因此這對于現代計算硬件而言是一個巨大的挑戰。

為了實現比基本架構更高的速度和能效，麻省理工學院團隊開發出新的改進措施。

麻省理工學院的DNN能夠執行整個自動駕駛系統的功能。這套完整的功能是通過使用大量人類駕駛數據來訓練網絡而實現的，這些數據教會了它能夠像人類駕駛者那樣將駕駛視為一個整體，而不是把駕駛分解成多個具體的任務。

雖然這種方法仍在開發中，但它具有很大的潛在優勢。

在車輛中運行一個一體化DNN明顯比運行多個專用網絡更高效，這為其他功能開辟了計算空間。而且由于DNN依靠訓練而不是地圖來實現在未測繪道路上的導航，因此它具有更高的靈活性。隨著效率的提高，車輛還能實時處理更多的豐富感知數據。

使用NVIDIA DRIVE大幅提高性能

當與高性能的中央計算系統相結合時，麻省理工學院發現其DNN的使用更加得心應手。

NVIDIA DRIVE AGX Pegasus是一款專為L4級和L5級自動駕駛系統設計的AI超級計算平臺。它結合了兩個NVIDIA Xavier SoC和兩個NVIDIA Turing架構GPU的性能，實現了前所未有的每秒320萬億次運算性能。

麻省理工學院的研究人員已著手在某個計算系統上開發DNN。該系統不僅功能強大，而且在目前正在開發的自動駕駛系統中也很常見。

共同領導該項目的麻省理工學院博士生Alexander Amini表示：“我們希望有一個高度靈活的模塊化AV系統，而NVIDIA正是這個領域的領導者。Pegasus能夠處理來自各種傳感器的輸入流，讓開發人員很容易實現他們的DNN。”

DNN的激光雷達感知能力只是麻省理工學院研究人員最初的自動駕駛開發目標。Amini表示，團隊正在設法解決組合傳感器流、與其他車輛之間更復雜的交互以及惡劣天氣條件等問題——而這些問題的解決都用到了NVIDIA DRIVE解決方案。

編輯：jq