A série de vídeos NVIDIA DRIVE Labs oferece uma visão interna do desenvolvimento do software de direção autônoma. Um ano e 20 episódios depois, fica claro que o caminho a percorrer é praticamente infinito.
A série abrange tópicos como percepção de 360 graus, segmentação panóptica e, até mesmo, previsão do futuro. Os veículos autônomos são um dos grandes desafios de computação de nosso tempo, e estamos abordando o desenvolvimento de software, um elemento de cada vez.
A DRIVE Labs tem o propósito de informar e educar. Esteja você apenas começando a saber mais sobre essa tecnologia transformadora ou trabalhando nela há uma década, a série é uma janela para o que nós da NVIDIA consideramos os desafios mais importantes do desenvolvimento e como estamos lidando com eles para obter um transporte mais seguro e eficiente.
Veja o que abordamos nesse ano e como planejamos seguir em frente.
Uma Amostra das Redes de Percepção
Antes de um veículo planejar um caminho e executar uma decisão de direção, ele deve ser capaz de ver e compreender todo o ambiente ao redor.
A DRIVE Labs detalhou uma variedade de redes neurais profundas responsáveis pela percepção do veículo. Nossa abordagem é baseada em DNNs redundantes e diversificadas e nossos modelos abrangem vários recursos, como detectar cruzamentos, detectar semáforos e sinais de trânsito e entender a estrutura dos cruzamentos. Também são capazes de realizar várias tarefas, como encontrar espaços para estacionamento ou detectar se os sensores estão obstruídos.
Essas DNNs fazem mais do que desenhar caixas delimitadoras em torno de pedestres e sinais de trânsito. Elas dividem as imagens pixel a pixel para melhorar a precisão e até monitoram esses pixels ao longo do tempo para obter informações precisas de posicionamento.
Para a direção noturna, a AutoHighBeamNet permite o controle automatizado dos faróis do veículo, enquanto nossa abordagem de aprendizado ativo melhora a detecção de pedestres no escuro.
As DNNs também possibilitarão extrair distâncias 3D de imagens de câmera 2D para permitir um planejamento de movimentação preciso.
Nossos recursos de percepção operam ao redor de todo o veículo. Com o rastreamento de objetos e a fusão com radar da câmera surround, garantimos que não haja pontos cegos de percepção.
Prevendo a Estrada à Frente
Além de perceber o ambiente, os veículos autônomos devem ser capazes de entender o comportamento de outros agentes na estrada para planejar um caminho seguro.
Com redes neurais recorrentes, a DRIVE Labs mostrou como um carro autônomo pode usar percepções anteriores sobre o movimento de um objeto para computar previsões de movimentos futuros.
Nosso software de prevenção de colisão Safety Force Field acrescenta diversidade e redundância ao software de planejamento e controle. Ele é constantemente executado em segundo plano para fazer a verificação dos controles com o sistema principal e vetar qualquer ação que considere insegura.
Os componentes de DNNs e de software são apenas uma amostra do desenvolvimento que compõe um veículo autônomo. Esse desafio monumental exige treinamento e testes rigorosos, tanto no data center quanto no veículo. Como o transporte continua mudando, o software do veículo deve ser capaz de adaptar-se.
Vamos explorar esses tópicos e muito mais nos próximos episódios de DRIVE Labs. À medida que o desenvolvimento de software para carros autônomos avançar, compartilharemos mais informações com vocês.