分享到微信
分享到微博
全新NVIDIA DRIVE Labs视频系列详细介绍了自动驾驶的构建模块，带您一探究竟NVIDIA DRIVE软件的“庐山真面目”。
Editor’s note
目前还没有任何一个开发商或公司成功创造出全自动驾驶的汽车。但我们距离这个目标越来越近了。通过全新的DRIVE Labs博客系列，我们将以工程技术为重点的视角针对每一个开放的挑战进行观察，从路径感知到交叉路口处理，我们将介绍NVIDIA DRIVE AV软件团队如何应对问题并创建安全可靠的自动驾驶软件。
任务：通过多样性和冗余建立路径感知可靠性
方法：路径感知集成
在行驶期间，相信自动驾驶汽车能够利用数据感知并选择正确的行驶路径至关重要。我们将此种信任称之为路径感知可靠性。
对于L2+级自动驾驶系统来说，例如NVIDIA DRIVE AP2X平台，实时评估路径感知可靠性意味着评估该系统是否知道何时进行安全的自主操作，以及何时应该将操作权移交给人类驾驶员。
为了验证路径感知的可靠性，我们在硅谷全长50英里的高速公路环路上完成了一次零干预的全自动驾驶。这意味着自动驾驶系统可以自主处理高速公路交叉路况，车道变化，避免驶入错误出口，甚至在曲率较大的路面以及车道标记有限的情况下也能让汽车保持在正确的车道内行驶。所有这些操作都应当以让人类驾驶员感到平稳舒适的方式进行。
测试的实时性是挑战的关键所在。在离线测试中，比如分析预先录制好的镜头，我们始终可以将路径感知信号与理想的参数进行对比。然而，当信号在行驶的汽车中实况运行时，我们无法从地面实况数据中获益。
因此，在实况测试中，如果汽车仅在一种路径感知信号下行驶，则无法保证置信度的实时正确性。此外，如果唯一的路径感知输入失败，自动驾驶功能也许会失灵；就算功能不失灵，也可能导致操作的舒适度和平稳度有所降低。
从独立网络到路径感知集成
为了建立实时的置信度，我们在路径感知软件中引入了多样性和冗余。
我们将几种不同的路径感知信号进行组合，包括三种不同的深度神经网络输出，以及作为选择之一的高清地图。事实上，不同类型的信号带来了多样性；同时，它们又都在感知可行驶的路径，于是就创造了冗余。
由各种深度神经网络（DNN）产生的路径感知信号在很大程度上是相互独立的。 这是因为各种DNN在训练数据，编码，模型架构和训练输出方面都是完全不同的。
高置信度路径感知集成示例（包括左车道，汽车所在车道以及右车道的中心路径）。高置信度的结果在可视化中呈现出粗的绿色中心路径线条。实心的白色线代表车道预测线，也是由集成计算得出。
通过训练，各种不同的DNN可以针对不同情况进行预测。例如，我们的LaneNet DNN可以预测车道线路。无论是否存在车道线路，PathNet DNN都可以预测能够定义可行驶路径的范围。PilotNet DNN能够根据人类驾驶员的驾驶轨迹预测驾驶中心路径。
我们通过集成技术将不同路径感知的输出结合在一起。它是一种机器学习方法，该方法结合了几种基本模型并创建了一个最佳预测模型。
通过对不同路径感知信号的一致及不一致情况的分析，我们建立并测量了汽车在实况驾驶中的路径感知可靠性，获得了更高质量的整体结果。
该分析通过可视化的方式进行呈现。当信号分量非常一致时，表示指定中心路径预测的粗线将会呈现出绿色；而当它们不一致时，则会变成红色。
由于我们的方法基于多样性，因此出现系统级故障的可能性较小。从安全角度来看，这是非常有益的。
可靠驾驶
利用多样性和冗余创建的路径感知可靠性能够使我们对所有潜在路径进行评估，包括车辆所处车道以及车辆左右车道的中心路径及车道线预测，变道、分道及并道，以及遇到障碍物时的车道分配。
在驾驶期间，多个路径感知DNN与障碍物感知和追踪功能一起在车内运行。 为了同时运行这些任务以保证自动驾驶车辆的安全，高性能计算显得尤为重要。
路径感知集合软件功能将在NVIDIA DRIVE Software 9.0中发布。
