在过去的九个月,英伟达工程团队建立了无人驾驶汽车有一个相机,一个Drive-PX嵌入式计算机,只有72小时的训练数据。英伟达发表学术预印本的结果DAVE2项目资格端到端学习自动驾驶汽车在arXiv.org上由康奈尔大学研究图书馆。
Nvidia项目叫做DAVE2命名一个10岁的国防高级研究计划局(DARPA)项目被称为DARPA自主车辆(DAVE)。尽管神经网络和自动车辆似乎just-invented-now技术,研究人员如谷歌的杰弗里•辛顿Facebook的Yann Lecune和蒙特利尔大学的Yoshua Bengio有协作研究人工智能的分支二十多年。和美国国防部高级研究计划局戴夫项目应用神经网络的自动车辆之前是ALVINN项目1989年卡内基梅隆大学开发的。是什么改变了gpu在他们的研究上取得了建筑经济可行。
神经网络和图像识别应用,如无人驾驶汽车爆炸最近有两个原因。首先,图形处理单元(GPU)用于呈现图形在手机成为强大和便宜。gpu密集在董事会层面的超级计算机非常善于解决大规模并行神经网络问题和足够便宜的人工智能研究人员和软件开发人员购买。第二,大,标签图像数据集已经成为可用的训练gpu上实现大规模并行神经网络看到和感知世界的对象被相机。
映射人类驾驶模式
Nvidia团队训练一个卷积神经网络(CNN)生从一个前置摄像头像素映射直接指导命令。Nvidia的突破是自主车辆自动教本身通过观察一个人开车,处理步骤的内部表示看到前方的道路和转向自主车辆没有明确培训检测特性,比如道路和通道。
虽然在操作系统使用一个相机和一个Drive-PX嵌入式计算机,使用的培训体系三个摄像机和两台电脑获取三维视频图像和转向的车辆由人类天使被用来训练系统和驱动。
英伟达
Nvidia监控转向角的变化绘制了人类驾驶模式的训练信号成位图图像被摄像机记录下来。系统学习了利用CNN创建的内部表示驾驶的处理步骤,如检测有用的道路功能,如车道,汽车和道路轮廓。
开源的机器学习系统火炬7被用来渲染学习自主感知的处理步骤,其他车辆引导测试车辆和障碍。实际训练发生在10帧每秒(fps)因为没有足够的差异化在相邻帧30 fps使学习有价值的。测试车辆2016年林肯MKZ和2013年的福特福克斯。
机器学习的核心过程的模拟转向CNN使用火炬7。指导命令执行的CNN在模拟反应10帧图像从一辆汽车由人类比较人类的转向角度。人类之间的差异的分析转向角和CNN-simulated指导命令教系统和引导。模拟中使用的测试数据是基于三个小时开车的视频录制测试路线,占总距离为100英里。
行车测试
当CNN驾驶模拟表现良好,进一步加大机器学习和测试测试车辆在路上。与人类司机行车测试提高了系统、监督自主车和自治系统错误时进行干预。每个校正是美联储机器学习系统改善转向过程的准确性。前10英里的行驶在新泽西收费高速公路,车辆自主经营的100%。在早期测试中,总体上自主车辆的98%。
Nvidia证明cnn可以学习整个任务的车道检测和道路没有手动和显式分解和分类后道路或车道标记,语义抽象,路径规划和控制。这是学会了使用火炬7呈现不到100小时的训练数据来创建内部流程操作自主车辆在不同天气和照明条件下,在高速公路和道路。Nvidia发布了一个视频的论文显示系统自动操舵试验车辆的例子:
Nvidia的团队表明,系统还没有准备好生产在其论文陈述:
“需要更多的工作来提高网络的健壮性,找到方法来验证鲁棒性,并改善可视化网络内部的处理步骤”。
基于视频,很肯定,公司工程团队在每一个建筑或规划建立一个自主车辆现在阅读本文并讨论结果。建立自主车辆原型可以把英伟达的位置是一个大规模并行图形系统的领先供应商的所有独立的汽车制造商。