Nvidia Уявіть, що ви водій чотиридверного сімейного седана, який наближається до знака зупинки. Дійшовши до знака зупинки, ви помічаєте велосипедиста, який намагається перетнути дорогу. Завдяки зоровому контакту, виразу обличчя та підказкам мови тіла велосипедист домовляється з вами про їх перевагу. Як результат, ви вирішили дозволити велосипедисту перейти дорогу першим, перш ніж обережно виїжджати на перехрестя.
Сьогодні у світі автономного водіння не можна було б "позначити" або класифікувати подібну подію, сказав генеральний директор Cognata Денні Атсмон. Сучасні методи дозволяють візуально ідентифікувати велосипедиста, але навчальні системи для розпізнавання та розуміння складних переговорів на дорозі залишаються проблемою для галузі автономного водіння на 10,3 трлн доларів.
Насправді автономне водіння являє собою "найскладнішу обчислювальну проблему, з якою коли-небудь стикався світ", як зізнався генеральний директор NVIDIA Дженсен Хуанг, коли презентував деякі з найпотужніших графічних процесорів у світі під час програми GTC 2018 у Сан-Хосе, штат Каліфорнія.
Поєднання реального та віртуального
"Світ проїжджає 10 трильйонів миль на рік", - сказав Хуанг у виступаючій презентації, - але Атсмон зазначив, що самохідні машини минулого року подолали лише три мільйони миль доріг. Щоб самохідні транспортні засоби могли їздити краще, вони повинні дізнатися більше, і це принципово найбільший виклик, з яким стикається галузь. Щоб навчити систему автономного водіння, щоб вона мала компетенцію водія-людини, комп'ютери повинні проїхати приблизно 11 мільярдів миль, сказав нам Атсмон.
Це найскладніша обчислювальна проблема, з якою коли-небудь стикався світ.
Ця цифра розраховується на основі 1,09 загиблих на 100 мільйонів миль, проїханих у 2015 році. "Отже, щоб сказати, що машина могла мати настільки ж безпечну роботу, як і людина, що має 95 відсотків впевненості, вам потрібно буде перевірити 11 мільярдів миль - сказав Атсмон.
Окрім часу, необхідного для досягнення цієї мети, є також витрати, які слід врахувати. Зараз вартість милі за експлуатацію автономного автомобіля становить сотні доларів - з урахуванням інженерного часу, збору та розмітки даних, страхових витрат та часу водія, щоб сісти в кабіну автомобіля. Помножте це на орієнтир на 11 мільярдів миль, і стає зрозумілим величезна дорога, пов'язана з навчанням автономних автомобілів.
Валідація є ключовою, і нещодавні аварії з автономними транспортними засобами показують, що неповні випробування даних та сценарії навчання можуть стати фатальними. В одному менш екстремальному прикладі самохідний човник у Лас-Вегасі рухався зі швидкістю близько 0,6 милі на годину, але врізався у вантажівку (Джефф Цуршмайде, співробітник фрілансера Digital Trends, був там, коли це сталося). Ніхто не постраждав, але дивовижний сценарій стався тому, що вантажівка виїжджала вперед, а потім відступала, намагаючись припаркуватися. Причиною катастрофи, за словами Атсмона, є те, що човник не був перевірений для ситуації такого типу, і він не знав, що робити - тому він повільно рухався вперед і розбився.
Краще моделювання для глибшого навчання
Сучасне рішення галузі для подолання розриву в 11 мільярдів миль для автономних систем для досягнення компетентності керування людьми полягає в розробці симуляцій, що дозволяють автомобілям швидше вчитися, поєднуючи глибоке навчання з віртуальним середовищем.
"Моделювання - це шлях до мільярдів миль", - сказав Хуан в GTC. Наприкінці минулого року компанія Waymo, що належить Alphabet, представила Carcraft - свій підхід до навчання шляхом моделювання.
Cognata використовує найновіші досягнення в графіці та апаратному забезпеченні датчиків, щоб створити більш реальні та реалістичні моделі світу для автономних автомобілів, на яких можна вчитися. Для обчислювального мозку самокерованого автомобіля це все одно, що увійти у відеоігру за зразком реального світу, і це може призвести до більш реалістичних сценаріїв водіння для перевірки та перевірки даних про водіння автомобіля. Нещодавно компанія намітила окремі міста, такі як Сан-Франциско, використовуючи дані з ГІС - камер високої роздільної здатності та складних комп'ютерних алгоритмів, які переносять зображення супутника та перегляду вулиць, в результаті чого виходить фотореалістична сцена.
Моделювання - це шлях до мільярдів миль.
Для подальшого вдосконалення моделювання Nvidia та деякі її партнери використовують дані від датчиків автономних транспортних засобів для створення карт більш високої чіткості. Коли автономні транспортні засоби виїжджають на дорогу, ці машини не лише покладаються на дані, доступні під час тренувань, але також сприяють збору даних, обмінюючись даними, які вони захопили зі своїх масивів LIDAR, IR, радарів та камер.
Якщо ці нещодавно отримані дані поєднати через глибоке навчання з існуючими низькоякісними наборами даних, це зробить вулиці та дороги більш фотореалістичними. Cognata стверджує, що її алгоритми можуть обробляти дані таким чином, щоб виводити деталі в тіні та світлі місця, подібно до HDR-фотографії з камери вашого смартфона, щоб створити високоякісну сцену.
Хоча моделювання є чудовим інструментом, Атсмон зазначив, що воно має свої недоліки. Це занадто просто, і щоб автономне водіння було реалістичним, йому слід вчитися на крайових випадках. Cognata стверджує, що потрібно лише кілька клацань, щоб запрограмувати в крайньому випадку перевірку автономних транспортних засобів для більш незвичних сценаріїв водіння. Компаніям, що створюють автономні транспортні засоби, доведеться старанно шукати крайні кейси, які можуть обдурити самокеровані машини, та творчо підходити до розробки рішень для них.
Коли самокерування не вдається
Безпека настільки важлива для автономних автомобілів, що Nvidia вважає її найважливішою річчю для галузі. Коли щось не вдається, смертельні випадки можуть і трапляються, як нещодавно було доведено, коли автономний Uber збив та вбив пішохода в Арізоні.
"Я можу запевнити вас, що [Uber] однаково розчавлений тим, що сталося".
Під час допиту на прес-зустрічі щодо катастрофи Uber - Uber є партнером Nvidia - Хуан відправився в компанію, що надає послуги з проїзду, для коментарів, сказавши, що «ми повинні дати Uber шанс зрозуміти, що сталося, і пояснити, що сталося. "
"Я можу запевнити вас, що [Uber] однаково розчавлений тим, що сталося", - додав Хуан.
Оскільки Nvidia розробляє наскрізне рішення для автономного водіння, різні партнери - від Uber до Toyota і Mercedes Benz - можуть використовувати всі або деякі частини системи. "У світі є близько 370 компаній, які якимось чином використовують наші технології". На виставці Nvidia також анонсувала Orin, комп'ютер наступного покоління своєї платформи DRIVE.
Nvidia Люди як резервна копія
Хоча самокеровані машини з часом стають розумнішими, Хуан все ще вважає, що завжди повинна бути підтримка людини, навіть у випадках, коли автомобіль спроектований без водійського місця. Для цього Nvidia продемонструвала свій Holodeck під час цьогорічного виступу GTC, дозволивши віддаленому водієві керувати фізичним автомобілем у реальному часі за допомогою віртуальної реальності.
"Це телепортація", - сказав Хуан, підкресливши, що це можливо завдяки раннім інвестиціям Nvidia у віртуальну реальність.
Під час демонстрації водій Тім знаходився у віддаленому місці. Коли він одягне пару окулярів для віртуальної реальності, він відчує, що перебуває у фізичному автомобілі, що дозволяє йому відчути машину та побачити елементи керування та панель приладів автомобіля. З цього віддаленого місця і за допомогою гарнітури VR він міг взяти під контроль автономний транспортний засіб, дозволяючи йому керувати автомобілем і паркувати його.
Це подібно до того, що військові робили деякий час - дозволяючи операторам безпілотних літальних апаратів здійснювати польоти безпілотних безпілотників з віддаленого місця. Але у випадку Nvidia, з потужністю VR, водій відчуватиме, що він фізично присутній у кабіні. Компанія вважає, що моделювання, засноване на її графічних процесорах, з часом зробить автономні машини майже безпомилковими, але до тих пір, поки Holodeck може допомогти людям стежити за автопарками.
