Nvidia가 자율주행 자동차의 안전 시뮬레이션을 돕는 방법

당신이 정지 신호에 접근하는 4도어 가족 세단의 운전자라고 상상해 보십시오. 정지 신호에 도달했을 때 길을 건너려는 자전거 운전자를 발견했습니다. 눈맞춤, 얼굴 표정, 신체 언어 신호를 통해 자전거 운전자는 귀하와 통행권을 협상합니다. 결과적으로, 교차로에 조심스럽게 진입하기 전에 자전거 운전자가 먼저 도로를 건너도록 하기로 결정했습니다.

오늘날 자율주행 세계에서는 그러한 이벤트를 "태그"하거나 분류할 방법이 없다고 Cognata CEO Danny Atsmon이 말했습니다. 현재 방법을 사용하면 자전거 운전자를 시각적으로 식별할 수 있지만 훈련 시스템은 자전거 운전자를 인식하고 도로 위의 복잡한 협상이 10조 3천억 달러 규모의 자율 주행에 대한 과제로 남아 있음을 이해합니다. 산업.

실제로 자율 주행은 NVIDIA CEO Jensen이 말했듯이 "세계가 직면한 가장 어려운 컴퓨팅 문제"를 나타냅니다. Huang은 산호세에서 열린 GTC 2018 기조연설에서 세계에서 가장 강력한 그래픽 프로세서 중 일부를 공개하면서 다음과 같이 인정했습니다. 캘리포니아.

현실과 가상을 연결하다

Huang은 프레젠테이션에서 "세계는 연간 10조 마일을 주행합니다"라고 말했습니다. 그러나 Atsmon은 지난해 자율주행차가 주행한 도로는 300만 마일에 불과했다고 지적했습니다. 자율주행차가 더 잘 운전하려면 더 많이 배워야 하며, 이는 근본적으로 업계가 직면한 가장 큰 과제입니다. 인간 운전자의 능력을 갖추도록 자율 주행 시스템을 훈련시키려면 컴퓨터가 대략 110억 마일을 주행해야 한다고 Atsmon은 말했습니다.

이 수치는 2015년에 주행한 1억 마일당 1.09명의 사망자를 기준으로 계산되었습니다. Atsmon은 "따라서 기계가 95%의 신뢰도로 인간만큼 안전한 성능을 가질 수 있다고 말하면 110억 마일을 검증해야 합니다"라고 말했습니다.

목표를 달성하는 데 필요한 시간 외에도 고려해야 할 비용도 있습니다. 현재 자율주행차를 운행하는 데 드는 마일당 비용은 수백 달러에 달합니다. 엔지니어링 시간, 데이터 수집 및 태깅, 보험 비용, 운전자가 조종석에 앉아 있는 시간 차. 여기에 110억 마일의 벤치마크를 곱하면 자율주행차 훈련과 관련된 엄청난 비용이 분명해집니다.

검증이 핵심이며, 자율주행차와 관련된 최근 사고는 불완전한 데이터 테스트 및 교육 시나리오가 치명적일 수 있음을 보여줍니다. 덜 극단적인 예를 들자면, 라스베거스의 자율주행 셔틀은 시속 약 0.6마일의 속도로 운행하고 있었습니다. 하지만 트럭에 부딪혔어 (디지털 트렌드(Digital Trends)의 프리랜서 기고자인 Jeff Zurschmeide가 그 자리에 있었습니다.) 다친 사람은 없었지만, 트럭이 주차하려고 앞으로 전진했다가 후진하면서 당황스러운 상황이 발생했습니다. Atsmon에 따르면 충돌의 원인은 셔틀이 이러한 유형의 상황에 대해 검증되지 않았고 무엇을 해야할지 몰랐기 때문에 천천히 앞으로 나아가다가 충돌했다는 것입니다.

심층 학습을 위한 더 나은 시뮬레이션

자율 시스템이 인간 운전에 도달하기까지 110억 마일의 격차를 해소하기 위한 업계의 현재 솔루션 우리의 역량은 딥러닝과 가상 학습을 결합해 자동차가 더 빠르게 학습할 수 있는 시뮬레이션을 개발하는 것입니다. 환경.

Huang은 GTC에서 “시뮬레이션은 수십억 마일을 향한 길입니다.”라고 말했습니다. 작년 말, Alphabet 소유의 Waymo는 시뮬레이션을 통한 학습 접근 방식인 Carcraft를 공개했습니다.

Cognata는 그래픽 및 센서 하드웨어의 최신 발전을 사용하여 자율주행 자동차가 학습할 수 있는 보다 실물과 같고 사실적인 세계 모델을 만듭니다. 자율주행차의 컴퓨팅 두뇌는 실제 자동차를 모델로 한 비디오 게임에 들어가는 것과 같습니다. 이는 자동차 운전을 테스트하고 검증하기 위한 보다 현실적인 운전 시나리오로 이어질 수 있습니다. 데이터. 이 회사는 최근 GIS의 데이터를 사용하여 샌프란시스코와 같은 일부 도시의 지도를 작성했습니다. 위성 및 스트리트 뷰 이미지를 실행하는 정교한 컴퓨터 알고리즘을 통해 사진처럼 사실적인 장면을 만들어냅니다.

시뮬레이션을 더욱 개선하기 위해 Nvidia와 일부 파트너는 자율주행차 센서의 데이터를 사용하여 고해상도 지도를 구축하고 있습니다. 자율주행차가 도로에 나설 때 이러한 기계는 훈련을 통해 얻을 수 있는 데이터에 의존할 뿐만 아니라 뿐만 아니라 LIDAR, IR, 레이더, 카메라에서 캡처한 데이터를 공유하여 데이터 수집에 기여합니다. 배열.

이렇게 새로 수집된 데이터가 딥러닝을 통해 기존의 저품질 데이터 세트와 결합되면 거리와 도로가 더욱 실사처럼 보일 것입니다. Cognata는 자사의 알고리즘이 그림자와 하이라이트의 세부 사항을 표현하는 방식으로 데이터를 처리할 수 있다고 주장합니다. HDR 스마트폰 카메라로 촬영한 사진을 고품질의 장면으로 만들어보세요.

시뮬레이션은 훌륭한 도구이지만 Atsmon은 그 자체에도 결함이 있다고 지적했습니다. 너무 단순하고, 자율주행이 현실화되려면 극단적인 경우로부터 학습해야 합니다. Cognata는 보다 특이한 운전 시나리오에 대해 자율주행 차량을 검증하기 위해 엣지 케이스에서 프로그래밍하는 데 몇 번의 클릭만으로 충분하다고 주장합니다. 자율주행차를 제작하는 기업은 자율주행차를 속일 수 있는 극단적 사례를 부지런히 찾고, 이를 위한 솔루션을 창의적으로 제작해야 합니다.

자율주행이 실패할 때

안전은 자율주행차에 매우 중요하므로 Nvidia는 안전을 업계에서 가장 중요한 것으로 간주합니다. 일이 실패하면 사망자가 발생할 수 있고 실제로 발생할 수 있습니다. 최근 자율주행 Uber를 통해 입증된 바와 같습니다. 애리조나에서 보행자를 치고 사망.

Uber 충돌에 대한 기자회견에서 질문을 받았을 때 — Uber는 Nvidia의 파트너 — Huang은 차량 공유를 연기했습니다. “우리는 Uber에게 무슨 일이 일어났는지 이해하고 무슨 일이 일어났는지 설명할 기회를 주어야 합니다. 일어난."

황은 “이런 일로 인해 [우버도] 똑같이 충격을 받았다고 확신한다”고 덧붙였다.

Nvidia는 자율 주행을 위한 엔드투엔드 솔루션을 개발하기 때문에 Uber에서 Toyota, Mercedes Benz에 이르기까지 다양한 파트너가 시스템의 전부 또는 일부를 활용할 수 있습니다. "전 세계에는 어떤 방식으로든 우리 기술을 사용하는 약 370개 회사가 있습니다." 이번 쇼에서 Nvidia는 DRIVE 플랫폼의 차세대 컴퓨터인 Orin도 발표했습니다.

백업으로서의 인간

자율주행차는 시간이 지나면서 점점 더 똑똑해지고 있지만, 황은 운전석 없이 자동차를 설계하는 경우에도 항상 사람의 지원이 있어야 한다고 믿습니다. 이를 달성하기 위해 엔비디아는 올해 GTC 기조연설에서 원격 운전자가 가상 ​​현실을 통해 실제 차량을 실시간으로 제어할 수 있는 홀로덱(Holodeck)을 선보였습니다.

Huang은 “이것은 순간이동입니다.”라고 말하며 Nvidia의 가상 현실에 대한 초기 투자를 통해 이것이 가능함을 강조했습니다.

데모가 진행되는 동안 운전자인 Tim은 먼 곳에 있었습니다. 가상 현실 안경을 착용하면 실제 자동차에 있는 것처럼 느껴져 자동차를 느끼고 자동차의 제어 장치와 계기판을 볼 수 있습니다. 이 원격 위치에서 VR 헤드셋의 도움으로 그는 자율 차량을 제어하여 차량을 운전하고 주차할 수 있었습니다.

이는 군대가 한동안 해왔던 일과 같습니다. 드론 운영자가 원격지에서 무인 드론을 비행할 수 있도록 허용하는 것입니다. 하지만 Nvidia의 경우 VR의 힘으로 운전자는 조종석에 물리적으로 존재하는 것처럼 느낄 것입니다. 회사는 GPU로 구동되는 시뮬레이션이 궁극적으로 자율주행차를 거의 완벽하게 만들 것이라고 믿고 있지만, 그때까지 Holodeck은 인간이 자율주행차를 감시하는 데 도움을 줄 수 있습니다.

편집자의 추천

• 샌프란시스코 안개로 혼란스러운 자율주행차
• 포드·폭스바겐, 아르고 AI 자율주행차 사업부 폐쇄
• 전직 애플 직원, 애플카 기밀 빼돌린 혐의로 유죄 인정
• 비어 있는 자율주행차를 멈춰 세우며 혼란스러워하는 경찰관들
• 1986년 대형 파란색 밴이 자율주행차의 길을 닦은 방법