从在道路上跑的测试车我们可以看出，自动驾驶技术的发展已经进入了新的阶段。但其实，自动驾驶技术开发的主要机制还是在数据中心进行跟踪。

训练、测试和验证自动驾驶技术需要大量数据，而这些数据必须由强大的硬件和软件基础架构进行管理。世界各地的公司都在寻求高性能、高能效的GPU技术，以构建自动驾驶深度神经网络（DNN）所需的AI基础架构。

在下个月于圣何塞举办的NVIDIA GTC大会上，汽车制造商、供应商、初创企业和安全专家将与参会者探讨他们如何构建自动驾驶汽车开发的基础架构。

参会者可以通过参加特色主题会议，如DNN训练、数据创建和虚拟仿真验证等，以学习在数据中心构建自动驾驶汽车的端到端流程。

掌握学习曲线

在没有人类驾驶员的情况下，自动驾驶汽车主要依赖能够感知周围环境的各种DNN。为了识别行人、路标以及交通信号灯等道路上出现的目标，这些DNN需要基于大量的驾驶数据进行训练。

特斯拉（Tesla）在全球范围内交付了近50万辆具有AI驾驶辅助功能的汽车。这些车辆在收集数据的同时，还能够通过无线更新不断接收最新模型。

在GTC上，特斯拉机器学习基础架构工程经理Tim Zaman将与参会者分享特斯拉如何构建和维护低成本、高效迅捷且用户友好的机器学习基础架构。基于该架构，工程师们将进行Tesla Autopilot的开发。

随着越来越多配备传感器的测试车在道路上行驶，训练数据池将会以TB级增长。

小马智行（Pony.ai）的软件工程师将探讨自动驾驶初创公司如何构建以GPU为中心的基础架构，从而更高效地处理日益繁重的传感器数据。此外，该架构还能随着GPU算力未来的发展而扩展，且可以与其他各类计算平台进行整合。

针对自动驾驶汽车的研发，NVIDIA构建了一个用于训练自动驾驶DNN的可扩展架构。NVIDIA AI基础架构副总裁Clement Farabet将为参会者介绍Project MagLev，这是一个内部用于开发NVIDIA DRIVE软件的端到端的AI平台。

在该主题会议上，Farabet将详细介绍MagLev如何助力自主AI设计人员，在数千个GPU系统上迭代训练新的DNN设计，并通过多种PB级数据集验证这些设计的表现。

虚拟测试轨道

在自动驾驶汽车大规模上路之前，他们必须通过安全验证以确保汽车在可能遇见的所有情况下（包括罕见和危险场景）都能够安全行驶。

在数据中心进行仿真模拟为这项此前难以攻克的任务提供了强大解决方案。借助虚拟世界，开发者能够在不离开办公室的情况下，以安全准确的方式测试和验证自动驾驶软件和硬件。

NVIDIA自动驾驶行业总监Zvi Greenstein将概述NVIDIA DRIVE Constellation VR仿真平台，该平台是基于云的解决方案，可在数据中心进行硬件在环测试和大规模部署。在该主题会议中， Greenstein将介绍如何借助NVIDIA DRIVE Constellation来验证安全的自动驾驶，以及各个公司能够如何与NVIDIA合作并加入DRIVE Constellation生态系统。

处理与现实世界中一样多样且随机的数据对于验证来说也是一个重大挑战。福特公司研究工程师Nikita Jaipuria和Rohan Bhasin将在会上探讨如何通过生成对抗网络（GAN）生成逼真的合成数据。这些生成的模拟图像可用于代表多种驾驶情况，以进行全面的自动驾驶汽车测试。

监管机构和第三方安全机构也正在使用仿真模拟技术来评估自动驾驶汽车。来自TÜV SÜD的Stefan Merkl将为参会者概述该机构的通用框架如何为评估自动驾驶汽车提供统一的方法。

除了这些主题会议之外，GTC参会者还将了解到NVIDIA的最新资讯，并能亲自体验演示以及参加培训，从而全方位了解构建未来汽车所需的基础架构。