全新NVIDIA DRIVE Labs視頻系列詳細(xì)介紹了自動(dòng)駕駛的構(gòu)建模塊，帶您一探究竟NVIDIA DRIVE軟件的“廬山真面目”。

Editor’s note

目前還沒(méi)有任何一個(gè)開(kāi)發(fā)商或公司成功創(chuàng)造出全自動(dòng)駕駛的汽車。但我們距離這個(gè)目標(biāo)越來(lái)越近了。通過(guò)全新的DRIVE Labs博客系列，我們將以工程技術(shù)為重點(diǎn)的視角針對(duì)每一個(gè)開(kāi)放的挑戰(zhàn)進(jìn)行觀察，從路徑感知到交叉路口處理，我們將介紹NVIDIA DRIVE AV軟件團(tuán)隊(duì)如何應(yīng)對(duì)問(wèn)題并創(chuàng)建安全可靠的自動(dòng)駕駛軟件。

DRIVE Labs系列視頻第一集：

我們?nèi)绾螢樽詣?dòng)駕駛汽車構(gòu)建路徑感知

任務(wù)：通過(guò)多樣性和冗余建立路徑感知可靠性

方法：路徑感知集成

在行駛期間，相信自動(dòng)駕駛汽車能夠利用數(shù)據(jù)感知并選擇正確的行駛路徑至關(guān)重要。我們將此種信任稱之為路徑感知可靠性。

對(duì)于L2+級(jí)自動(dòng)駕駛系統(tǒng)來(lái)說(shuō)，例如NVIDIA DRIVE AP2X平臺(tái)，實(shí)時(shí)評(píng)估路徑感知可靠性意味著評(píng)估該系統(tǒng)是否知道何時(shí)進(jìn)行安全的自主操作，以及何時(shí)應(yīng)該將操作權(quán)移交給人類駕駛員。

為了驗(yàn)證路徑感知的可靠性，我們?cè)诠韫热L(zhǎng)50英里的高速公路環(huán)路上完成了一次零干預(yù)的全自動(dòng)駕駛。這意味著自動(dòng)駕駛系統(tǒng)可以自主處理高速公路交叉路況，車道變化，避免駛?cè)脲e(cuò)誤出口，甚至在曲率較大的路面以及車道標(biāo)記有限的情況下也能讓汽車保持在正確的車道內(nèi)行駛。所有這些操作都應(yīng)當(dāng)以讓人類駕駛員感到平穩(wěn)舒適的方式進(jìn)行。

測(cè)試的實(shí)時(shí)性是挑戰(zhàn)的關(guān)鍵所在。在離線測(cè)試中，比如分析預(yù)先錄制好的鏡頭，我們始終可以將路徑感知信號(hào)與理想的參數(shù)進(jìn)行對(duì)比。然而，當(dāng)信號(hào)在行駛的汽車中實(shí)況運(yùn)行時(shí)，我們無(wú)法從地面實(shí)況數(shù)據(jù)中獲益。

因此，在實(shí)況測(cè)試中，如果汽車僅在一種路徑感知信號(hào)下行駛，則無(wú)法保證置信度的實(shí)時(shí)正確性。此外，如果唯一的路徑感知輸入失敗，自動(dòng)駕駛功能也許會(huì)失靈；就算功能不失靈，也可能導(dǎo)致操作的舒適度和平穩(wěn)度有所降低。

從獨(dú)立網(wǎng)絡(luò)到路徑感知集成

為了建立實(shí)時(shí)的置信度，我們?cè)诼窂礁兄浖幸肓硕鄻有院腿哂唷?/p>

我們將幾種不同的路徑感知信號(hào)進(jìn)行組合，包括三種不同的深度神經(jīng)網(wǎng)絡(luò)輸出，以及作為選擇之一的高清地圖。事實(shí)上，不同類型的信號(hào)帶來(lái)了多樣性；同時(shí)，它們又都在感知可行駛的路徑，于是就創(chuàng)造了冗余。

由各種深度神經(jīng)網(wǎng)絡(luò)（DNN）產(chǎn)生的路徑感知信號(hào)在很大程度上是相互獨(dú)立的。 這是因?yàn)楦鞣NDNN在訓(xùn)練數(shù)據(jù)，編碼，模型架構(gòu)和訓(xùn)練輸出方面都是完全不同的。

高置信度路徑感知集成示例（包括左車道，汽車所在車道以及右車道的中心路徑）。高置信度的結(jié)果在可視化中呈現(xiàn)出粗的綠色中心路徑線條。實(shí)心的白色線代表車道預(yù)測(cè)線，也是由集成計(jì)算得出。

通過(guò)訓(xùn)練，各種不同的DNN可以針對(duì)不同情況進(jìn)行預(yù)測(cè)。例如，我們的LaneNet DNN可以預(yù)測(cè)車道線路。無(wú)論是否存在車道線路，PathNet DNN都可以預(yù)測(cè)能夠定義可行駛路徑的范圍。PilotNet DNN能夠根據(jù)人類駕駛員的駕駛軌跡預(yù)測(cè)駕駛中心路徑。

我們通過(guò)集成技術(shù)將不同路徑感知的輸出結(jié)合在一起。它是一種機(jī)器學(xué)習(xí)方法，該方法結(jié)合了幾種基本模型并創(chuàng)建了一個(gè)最佳預(yù)測(cè)模型。

通過(guò)對(duì)不同路徑感知信號(hào)的一致及不一致情況的分析，我們建立并測(cè)量了汽車在實(shí)況駕駛中的路徑感知可靠性，獲得了更高質(zhì)量的整體結(jié)果。

該分析通過(guò)可視化的方式進(jìn)行呈現(xiàn)。當(dāng)信號(hào)分量非常一致時(shí)，表示指定中心路徑預(yù)測(cè)的粗線將會(huì)呈現(xiàn)出綠色；而當(dāng)它們不一致時(shí)，則會(huì)變成紅色。

由于我們的方法基于多樣性，因此出現(xiàn)系統(tǒng)級(jí)故障的可能性較小。從安全角度來(lái)看，這是非常有益的。

可靠駕駛

利用多樣性和冗余創(chuàng)建的路徑感知可靠性能夠使我們對(duì)所有潛在路徑進(jìn)行評(píng)估，包括車輛所處車道以及車輛左右車道的中心路徑及車道線預(yù)測(cè)，變道、分道及并道，以及遇到障礙物時(shí)的車道分配。

在駕駛期間，多個(gè)路徑感知DNN與障礙物感知和追蹤功能一起在車內(nèi)運(yùn)行。 為了同時(shí)運(yùn)行這些任務(wù)以保證自動(dòng)駕駛車輛的安全，高性能計(jì)算顯得尤為重要。

路徑感知集合軟件功能將在NVIDIA DRIVE Software 9.0中發(fā)布。