改变模式而非硬件:汽车行业如何应对Robotaxi痛点

by Danny Shapiro

越来越多的企业采用端对端AI打造更安全、更高效的自动驾驶汽车。

很多人听到自动驾驶出租车Robotaxi的时候,会联想到一个“带窗户的巨型面包机”。但是,这些未来感十足的无人驾驶汽车远不止表面上看起来那么简单,它们或将成为下一代交通运输工具。

过去十年来,汽车制造商、供应商和初创企业一直致力于开发全自动驾驶汽车,不过还没有一家企业能够大规模地部署自动驾驶车队。

创建和部署Robotaxi与发布下一年的新车型有所不同,整个过程会比预期要长。而且Robotaxi相当于一台无人监督且复杂的带轮超级计算机,因此需要通过一个独特的端对端流程来开发、推出和不断增强。

这两种汽车之间的差异巨大。Robotaxi需要处理的传感器数据量是目前最先进汽车的100倍。此外,其软件的复杂性也成倍增加,而且需要同时运行集成软件堆栈中的一系列冗余和不同深度神经网络(DNN)。

这些自动驾驶汽车还必须能够不断升级以利用AI算法的最新开发成果。传统汽车往往在售出时便已达到最高能力水平。由于产品开发流程长达一年并且采用封闭的架构,这些车辆无法使用出厂后才出现的功能。

越变越强的汽车

采用开放式软件定义架构的Robotaxi在刚上路时处于最低能力水平。车载DNN的持续改进和更新将不断为自动驾驶汽车带来最先进的功能。

这些新功能都需要高性能的集中计算。为了实现出行模式的转变,需要对整个开发流程进行端对端重构,建立一个从训练、验证到实时处理的统一架构。

NVIDIA是唯一一家能够实现这一端对端开发的公司,这也是为什么几乎所有Robotaxi制造商和供应商都在使用NVIDIA GPU驱动的产品,包括美国的Zoox和Voyage,中国的滴滴出行以及俄罗斯的Yandex。

安装全新基础架构

如今,高级驾驶辅助系统的各项功能也将变得越来越强大,但它们也许无需依靠AI。自动驾驶汽车“诞生”于数据中心。为了在全球数千种环境下运行,就需要使用海量数据进行密集的DNN训练。而这些数据也会随着路上自动驾驶汽车数量的增加而成倍增长。

从这个角度来看,假如一支仅有50辆汽车的车队每天行驶6小时,那么每天就会产生约1.6PB的传感器数据。如果所有这些数据都被存储在标准的1GB闪存驱动器上,那么这些驱动器可以覆盖100多座足球场。之后,我们还必须对这些数据进行整理和标记以训练在车内运行的DNN,执行物体检测和定位等各种专用功能。

NVIDIA DRIVE基础架构提供使用海量数据训练自动驾驶DNN所需的统一架构

这个数据中心基础设施并不用于在车辆上路前对DNN进行测试和验证。NVIDIA DRIVE Sim软件和NVIDIA DRIVE Constellation自动驾驶汽车仿真提供一个可扩展、全面且多样化的测试环境。DRIVE Sim开放式平台具有用于生态系统合作伙伴第三方模型的插件,因此用户可以根据自己特有的用例进行定制。

整套开发基础设施对于Robotaxi的大规模部署至关重要,并且只能通过GPU技术提供的统一、开放式和高性能计算才能实现。

改变设计思路

训练、测试和验证Robotaxi所需的处理能力与车辆本身一样重要。

通过一个集中的AI计算架构,就可以同时运行替代人类驾驶员所需的冗余和多样的DNN。这个架构还必须是开放的,才能使用全新功能和DNN。

从功耗仅为5瓦却能提供10 TOPS性能的NVIDIA Orin产品,一直到采用新一代Orin SoC和NVIDIA Ampere架构且每秒能够进行数千次运算的全新DRIVE AGX Pegasus, DRIVE系列均建立在一个统一可扩展的架构上。

凭借统一可扩展的架构,Robotaxi制造商可以灵活地在NVIDIA DRIVE AGX上开发新型车辆

这一高性能对取代甚至超越人类驾驶员来说不可或缺。此外,该平台的开放性和模块化特性使Robotaxi公司能够对各项配置进行自定义,从而适应取代人类驾驶员(以及方向盘和踏板)的新设计。

由于能够按需采用尽可能多的处理器分析来自几十个车载传感器的数据,开发人员可以通过系统和算法的多样性和冗余性来确保安全。

想要达到这一性能的水平需要多年的投入和专业知识与技术的积累。通过使用统一可扩展架构,企业可以轻松过渡到最新的平台,而不会牺牲宝贵的软件开发时间。

不断改进

通过将数据中心和车载解决方案相结合,Robotaxi公司可以建立一个持续的端对端开发循环来实现不断改进。

DNN将在数据中心进行提升并学习新的能力,各种经过验证的算法将被无线传输至汽车的计算平台,不断为汽车添加最新、最先进的技术。

这一持续开发循环不但优化了驾乘体验,也为自动驾驶领域的企业开辟了革命性的全新业务模式。