DRIVE Labs系列视频第一集：我们如何为自动驾驶汽车构建路径感知

编者注：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。