Quando a Society of Automotive Engineers estabeleceu seu framework para autonomia veicular em 2014, criou o roteiro padrão da indústria para tecnologia de direção autônoma.
Os níveis de automação avançam do nível 1 (assistência ao motorista) para o nível 2 (automação parcial), nível 3 (automação condicional), nível 4 (alta automação) e nível 5 (automação total).
Prever quando cada nível chegaria se mostrou mais desafiador do que os definir. Essa incerteza gerou expectativa em toda a indústria, já que avanços pareciam estar sempre à porta.
Essa dinâmica mudou significativamente nos últimos anos, com mais progresso na direção autônoma nos últimos três a quatro anos do que na década anterior combinada. Abaixo, saiba sobre os avanços recentes que tornaram um progresso tão rápido possível.
O Que É Direção Autônoma de Nível 4?
A direção autônoma de Nível 4 permite que os veículos realizem todas as tarefas de direção dentro de zonas específicas de operação, como certas cidades ou rotas, sem a necessidade de intervenção humana. Esse alto nível de automação utiliza avanços em IA incluindo modelos base, arquiteturas de ponta a ponta e modelos de raciocínio para navegar por cenários complexos.
Hoje, o nível 4 de “alta automação” está aproximando a visão da direção autônoma de uma realidade escalável e comercialmente viável.
Seis Avanços em IA Avançando Veículos Autônomos
Seis grandes avanços em IA estão convergindo para acelerar a autonomia do nível 4:
1. Modelos Base
Modelos base podem acessar conhecimento em escala de internet, não apenas dados proprietários de frotas de condução.
Quando os humanos aprendem a dirigir, digamos, aos 18 anos, eles trazem 18 anos de experiência mundial para o empreendimento. Da mesma forma, os modelos base trazem uma ampla variedade de conhecimento, entendendo cenários incomuns e prevendo resultados com base no conhecimento geral do mundo.
Com modelos base, um veículo que encontra um colchão na estrada ou uma bola rolando para a rua agora pode raciocinar por cenários que nunca viu antes, aproveitando informações aprendidas em vastos conjuntos de dados de treinamento.
2. Arquiteturas de Ponta a Ponta
Sistemas tradicionais de direção autônoma usavam módulos separados para percepção, planejamento e controle, perdendo informações a cada transferência.
Arquiteturas de autonomia de ponta a ponta têm o potencial de mudar isso. Com arquiteturas de ponta a ponta, uma única rede processa as entradas dos sensores diretamente nas decisões de orientação, mantendo o contexto durante todo o processo. Embora o conceito de arquiteturas de ponta a ponta não seja novo, avanços arquitetônicos e metodologias aprimoradas de treinamento finalmente tornam esse paradigma viável, resultando em uma tomada de decisão mais autônoma e menos complexidade de engenharia.
3. Modelos de Raciocínio
Modelos de raciocínio visual, linguagem e ação (VLA) integram diversas entradas perceptivas, compreensão da linguagem e geração de ações com raciocínio passo a passo. Isso permite que eles analisem situações complexas, avaliem múltiplos possíveis resultados e decidam o melhor curso de ação, assim como os humanos fazem.
Sistemas movidos por modelos de raciocínio oferecem confiabilidade e desempenho muito maiores, com decisões explicáveis passo a passo. Para veículos autônomos, isso significa a capacidade de sinalizar padrões de decisão incomuns para monitoramento de segurança em tempo real, bem como depuração pós-incidente para revelar por que um veículo tomou determinada ação. Isso melhora o desempenho dos veículos autônomos enquanto constrói a confiança dos usuários.
4. Simulação
Apenas com testes físicos, levaria décadas para testar uma apólice de direção em todos os cenários possíveis, se é que é possível. Entra a simulação.
Tecnologias como reconstrução neural podem ser usadas para criar simulações interativas a partir de dados reais de sensores, enquanto world models como o NVIDIA Cosmos Predict and Transfer produzem situações ilimitadas e novas para treinar e testar veículos autônomos.
Com essas tecnologias, os desenvolvedores podem usar prompts de texto para gerar novas condições climáticas e de estrada, ou mudar a iluminação e introduzir obstáculos para simular novos cenários e políticas de test drive em condições inéditas.
5. Poder de Computação
Nenhum desses avanços seria possível sem poder computacional suficiente. As plataformas NVIDIA DRIVE AGX e NVIDIA DGX evoluíram por várias gerações, cada uma projetada para as cargas de trabalho de IA atuais, bem como para os esperados anos no futuro.
Co-otimização importa. A tecnologia deve ser projetada antecipando as demandas computacionais dos sistemas de IA de próxima geração.
6. Segurança com IA
A segurança é fundamental para a autonomia nível 4, onde a confiabilidade é a característica definidora que a diferencia dos níveis de autonomia inferiores. Avanços recentes na segurança física da IA possibilitam a implantação confiável de stacks de autonomia baseadas em IA introduzindo guardas de segurança nas etapas de design, implantação e validação.
Por exemplo, a arquitetura de segurança da NVIDIA protege o modelo de condução de ponta a ponta com verificações apoiadas por um stack modular diversificado, e a validação é muito acelerada pelos avanços mais recentes em reconstrução neural.
Esses e outros limites fazem parte do NVIDIA Halos, um sistema de segurança abrangente que unifica a arquitetura NVIDIA DRIVE, o sistema operacional NVIDIA DriveOS certificado em segurança, além de modelos, hardware, softwares, ferramentas e serviços de IA para ajudar a garantir o desenvolvimento e a implantação seguros de veículos autônomos, desde a nuvem até o carro. Os parceiros NVIDIA podem adotar componentes individuais ou a stack completa, dependendo de suas necessidades.
Por Que Isso Importa: Salvando Vidas e Recursos
Os riscos vão muito além da conquista tecnológica. Melhorar a segurança dos veículos pode ajudar a salvar vidas e economizar quantias significativas de dinheiro e recursos. A autonomia de nível 4 remove sistematicamente o erro humano, a causa da grande maioria dos acidentes.
A NVIDIA, como empresa de veículos autônomos full-stack, da nuvem ao carro, está permitindo que o ecossistema automotivo mais amplo alcance autonomia nível 4, construindo sobre a base de sua pilha nível 2+ já em produção. Em particular, a NVIDIA é a única empresa que oferece um stack de computação de ponta a ponta para direção autônoma.
Suas três plataformas de computação de IA críticas para a autonomia são:
- NVIDIA DGX para treinamento de IA em data centers
- NVIDIA Omniverse e Cosmos para simular mundos e gerar dados sintéticos para testes e validação
- Computadores embarcados NVIDIA DRIVE AGX processam dados de sensores em tempo real
Juntas, essas plataformas formam um ciclo de feedback para aprendizado, teste e implantação que aperta o ciclo de inovação enquanto mantém a segurança em destaque.