Hvordan Nvidia hjælper autonome biler med at simulere deres vej til sikkerhed

Forestil dig, at du er føreren af ​​en firedørs familiesedan, der nærmer dig et stopskilt. Når du når stopskiltet, bemærker du en cyklist, der forsøger at krydse vejen. Gennem øjenkontakt, ansigtsudtryk og kropssprog, forhandler cyklisten deres vej med dig. Som følge heraf beslutter du dig for først at lade cyklisten krydse vejen, før du forsigtigt går ind i krydset.

I den autonome kørselsverden i dag ville der ikke være nogen måde at "mærke" eller kategorisere en sådan begivenhed, sagde Cognata CEO Danny Atsmon. Nuværende metoder giver dig mulighed for visuelt at identificere cyklisten, men træningssystemer til at genkende og forstå komplekse forhandlinger på vejen forbliver en udfordring for den autonome kørsel på 10,3 billioner dollars industri.

Faktisk repræsenterer autonom kørsel "det hårdeste computerproblem, verden nogensinde er stødt på," som NVIDIAs administrerende direktør Jensen Huang indrømmede, da han afslørede nogle af verdens mest kraftfulde grafikprocessorer under GTC 2018 keynote i San Jose, Californien.

At bygge bro mellem det virkelige og det virtuelle

"Verden kører 10 billioner miles om året," sagde Huang i en spids præsentation - men Atsmon påpegede, at selvkørende biler kun dækkede tre millioner miles af veje sidste år. For at selvkørende køretøjer kan køre bedre, skal de lære mere, og det er grundlæggende den største udfordring, som industrien står over for. For at træne et autonomt køresystem til at have kompetencen som en menneskelig chauffør, ville computere skulle køre omkring 11 milliarder miles, fortalte Atsmon os.

Dette tal er beregnet ud fra de 1,09 dræbte pr. 100 millioner kørte miles i 2015. "Så for at sige, at en maskine kunne have lige så sikker ydeevne som et menneske med 95 procent af selvtillid, skal du validere for 11 milliarder miles," sagde Atsmon.

Bortset fra den tid, der er nødvendig for at nå dette mål, er der også omkostningerne at overveje. Lige nu er omkostningerne pr ingeniørtid, dataindsamling og tagging, forsikringsomkostninger og tidspunktet for en chauffør at sidde i cockpittet på en bil. Multiplicer det med benchmark på 11 milliarder mil, og det enorme dyre forbundet med træning af autonome biler bliver tydeligt.

Validering er nøglen, og nylige ulykker med selvkørende køretøjer viser, at ufuldstændige datatests og træningsscenarier kan vise sig dødelige. I et mindre ekstremt eksempel navigerede en selvkørende shuttle i Las Vegas med omkring 0,6 miles i timen, men den kørte ind i en lastbil (Jeff Zurschmeide, en freelancer bidragyder til Digital Trends, var der, da det skete). Ingen kom til skade, men det gådefulde scenarie skete, fordi lastbilen trak fremad og derefter bakkede, mens den forsøgte at parkere. Årsagen til styrtet er ifølge Atsmon, at rumfærgen ikke var valideret til denne type situation, og den vidste ikke, hvad den skulle gøre - så den fortsatte langsomt og styrtede ned.

Bedre simulering for dybere læring

Branchens nuværende løsning til at bygge bro over 11-milliard-mile kløften for autonome systemer for at nå menneskelig kørsel kompetence er at udvikle simuleringer for at give biler mulighed for at lære hurtigere ved at kombinere dyb læring med en virtuel miljø.

"Simulering er vejen til milliarder af miles," sagde Huang på GTC. I slutningen af ​​sidste år afslørede Alphabet-ejede Waymo Carcraft, dets tilgang til læring ved simulering.

Cognata bruger de seneste fremskridt inden for grafik og sensorhardware til at skabe mere naturtro og realistiske modeller af verden, som autonome biler kan lære af. For computerhjernerne i en selvkørende bil er det som at gå ind i et videospil, der er modelleret efter det virkelige verden, og det kunne føre til mere realistiske kørselsscenarier til at teste og validere bilkørsel data. Virksomheden har for nylig kortlagt udvalgte byer, som San Francisco, ved hjælp af data fra GIS — high definition-kameraer og sofistikerede computeralgoritmer, der kører over satellit- og gadebilleder, hvilket resulterer i en fotorealistisk scene.

For yderligere at forbedre simuleringer bruger Nvidia og nogle af dets partnere data fra sensorerne i autonome køretøjer til at bygge højere definition-kort. Når autonome køretøjer kører på vejen, vil disse maskiner ikke kun stole på de data, der er tilgængelige gennem træning, men bidrager også til dataindsamling ved at dele de data, som den har fanget fra sin LIDAR, IR, radar og kamera arrays.

Når disse nyopsamlede data kombineres gennem dyb læring med eksisterende datasæt af lav kvalitet, vil det få gader og veje til at se mere fotorealistiske ud. Cognata hævder, at dets algoritmer kan behandle dataene på en måde, så de fremkalder detaljer i skygger og højlys, ligesom en HDR foto fra din smartphones kamera for at skabe en scene i høj kvalitet.

Mens simulering er et fremragende værktøj, bemærkede Atsmon, at det har sine egne mangler. Det er for simpelt, og for at autonom kørsel skal være realistisk, skal den lære af kantsager. Cognata hævder, at det kun tager et par klik at programmere i en edge case for at validere autonome køretøjer til mere usædvanlige kørselsscenarier. Virksomheder, der bygger selvkørende køretøjer, bliver nødt til at være flittige i deres søgen efter kant-cases, der kan snyde selvkørende biler, og være kreative i at skabe løsninger til dem.

Når selvkørsel mislykkes

Sikkerhed er så altafgørende for selvkørende køretøjer, at Nvidia betragter det som det vigtigste for branchen. Når tingene fejler, kan og sker der dødsfald, som det for nylig blev bevist, da en autonom Uber slog og dræbte en fodgænger i Arizona.

Da han blev spurgt på et pressemøde om Uber-krakket - Uber er en partner af Nvidia - udskyde Huang kørselsdelingen selskabet for kommentarer og sagde, at "vi bør give Uber en chance for at forstå, hvad der er sket, og at forklare, hvad der er sket skete."

"Jeg kan forsikre dig om, at [Uber] er lige så knust over det, der skete," tilføjede Huang.

Fordi Nvidia udvikler en end-to-end-løsning til autonom kørsel, kan forskellige partnere – fra Uber til Toyota og Mercedes Benz – bruge hele eller nogle dele af systemet. "Der er omkring 370 virksomheder rundt om i verden, som bruger vores teknologier på en eller anden måde." På messen annoncerede Nvidia også Orin, den næste generations computer på sin DRIVE-platform.

Mennesker som backup

Mens selvkørende biler bliver smartere med tiden, mener Huang stadig, at der altid bør være en menneskelig backup, selv i tilfælde hvor en bil er designet uden førersæde. For at opnå dette fremviste Nvidia sit Holodeck under dette års GTC keynote, hvorved en fjernchauffør kunne styre en fysisk bil i realtid gennem virtual reality.

"Det er teleportering," sagde Huang og fremhævede, at dette er muligt gennem Nvidias tidlige investeringer i virtual reality.

Under demoen var Tim, chaufføren, placeret et fjerntliggende sted. Når han tager et par virtual reality-briller på, vil han føle, at han er i en fysisk bil, hvilket gør ham i stand til at mærke bilen og se bilens betjeningsknapper og instrumentpanel. Fra denne fjerntliggende placering og ved hjælp af sit VR-headset kunne han tage kontrol over et autonomt køretøj, så han kunne køre køretøjet og parkere det.

Det er ligesom, hvad militæret har gjort i et stykke tid - hvilket giver droneoperatører mulighed for at flyve ubemandede droner fra fjerntliggende steder. Men i Nvidias tilfælde vil føreren med kraften fra VR føle, at han er fysisk til stede i cockpittet. Virksomheden mener, at simulering drevet af dets GPU'er i sidste ende vil gøre autonome biler næsten ufejlbarlige, men indtil dem kan Holodeck hjælpe mennesker med at passe på selvkørende flåder.

Redaktørens anbefalinger

• Autonome biler forvirret af San Franciscos tåge
• Ford og VW lukker Argo AI autonom bilenhed
• Tidligere Apple-medarbejder erkender sig skyldig i at have fanget Apple Car-hemmeligheder
• Betjente forvirrede, da de stopper en tom selvkørende bil
• Hvordan en stor blå varebil fra 1986 banede vejen for selvkørende biler