一个更开放的英伟达，将如何实现自动驾驶?

HgauPlkY

朋友圈又扩大了

) B6 Y6 Y; U# L7 ~  v: E


自从 2016 年开始，GTC China 就成了 NVIDIA「皮衣教主」黄仁勋每年和中国市场沟通的重要平台。
/ _8 f# K+ a7 [7 |, p# U
& v, ?2 U1 G6 I  i3 I2 F
5 I, i* l5 s0 U$ c0 q% e( u. @8 z关注科技行业的人可能都知道，NVIDIA 是从显卡以及芯片起家。但在自动驾驶领域，NVIDIA 由于在软件开发平台、AI 技术、云计算以及芯片平台等等方面的技术领先，已经成为了一家很难绕开的头部企业。


特别是中国市场由于自身体量巨大、「中国特色」驾驶场景的高度复杂化等等原因，因此很多厂商都把能在中国应用自动驾驶技术，作为一个重要目标。


今年，依旧穿着皮衣的老黄，也带来了关于自动驾驶的一些新进展。
8 c5 u/ B% P$ X+ u9 b: @1 D
+ k$ T8 w$ {8 L0 v8 m( F3 C3 S3 V) C
根据老黄的介绍，参加 GTC China 的人数也从 3 年前的 2400 人增加到了今年的 6100 人。从这个角度也能看出，虽然自动驾驶的商业落地远没有前几年预期的那么顺利，但整个行业依然有着巨大的热情和动力来推进这件事。


直接说重点。

  a+ ]: [. W9 a6 C
2 X  ]# B3 j4 @新的硬件平台
自从几年前的 Drive PX 发布之后，NVIDIA DRIVE 自动驾驶平台的算力就一直在快速迭代。


2015 年发布 Drive PX，算力为 2Tops，可支持 L2 级别自动驾驶需求；


2016 年发布 Drive PX2，算力达到 8Tops，可支持 L3 级别自动驾驶需求；
. l- X. @$ A. s$ ^8 j' [
" W2 v* j: c( R! M
7 R7 {$ }/ `3 ?+ p" r2017 年发布 Drive Xavier，算力可达 30Tops，可支持 L4 级别自动驾驶需求。
- S! s; Q0 @  {( h$ g
1 w2 W  U* O* m) K/ A
而今年，老黄带来了最新一代的自动驾驶平台 NVIDIA DRIVE AGX Orin。
, |# f! u  q* }$ X- Z

NVIDIA DRIVE AGX Orin 内置了全新 Orin 系统级芯片，由 170 亿个晶体管组成，集成了 NVIDIA 新一代 GPU 架构和 Arm Hercules CPU 内核以及全新深度学习和计算机视觉加速器，每秒可运行 200 万亿次计算。根据老黄的介绍，Orin 的性能几乎达到了上一代 Xavier 芯片的 7 倍。
2 x9 g& e) H7 W  D6 m: a

: _' [9 [, t+ O, z, p
0 ~0 r* c) h# C6 t% e
( V  \/ v8 j* t! [! P5 WOrin 可处理在自动驾驶汽车和机器人中同时运行的大量应用和深度神经网络，并且达到了 ISO 26262 ASIL-D 等系统安全标准，预计在 2022 年实现 SOP。


作为一个软件定义平台，DRIVE AGX Orin 能够兼容从 L2 级到 L5 级完全自动驾驶汽车开发的架构平台，开发者任何复杂的需求都可以在这个平台上进行测试。


  w4 B5 k* c& A- W- @4 F另外，由于和 Xavier 采用了同样的架构，均可通过开放的 CUDA、TensorRT API 及各类库进行编程，因此之前使用 Xavier 平台进行的各种开发测试的结果，都能在 Orin 平台上实现延续，这对于开发的可持续性就有很好的保障。

* H: d; D  l. S- Z9 a0 W
对于自动驾驶汽车的开发来说，由于外界情况的复杂程度，因此除了对算力有很高要求之外，平台的扩展性、可编程和软件定义能力也至关重要。
# c4 Q5 |+ A6 Q6 n2 P

' U) X; O7 Z2 H, \( ~& [Orin 正是为了应对这样的需求而产生，在后续也有足够的能力通过软件迭代更多的功能。
) I6 M% [$ k" p
4 _( `/ T! e, t5 _* e; B6 x. K
: S4 y. r! x& b1 @1 m4 w. M1 C
. o& e  M( n3 H/ n3 X
NVIDIA 汽车事业部高级总监 Danny Shapiro 告诉 GeekCar，NVIDIA DRIVE AGX Orin 平台能够支持开发者从 L2～L5 自动驾驶级别中的任何需求，硬件也会进行相对应的调整。例如仅在 L2 这个级别，Orin 平台就可以提供从支持单个摄像头到四个摄像头的不同方案。

+ z/ }4 F" S. Z# C' h2 y$ v
事实上，即便是到了 Orin 平台 SOP 的 2022 年，L2 和 L2+级别依然会是自动驾驶商业化的主要场景。L3 以上的自动驾驶技术，在成本、政策以及应用场景等方面的限制，都注定不会有大批量的商用订单。因此，更高级别的 Orin 硬件平台，更多还是会应用于限定区域的自动驾驶应用或者研发测试等流程中。
6 n5 B5 W1 L7 k# c6 Q

3 M* c3 O/ U( B) H9 i; E因此，Orin 的架构灵活性，也能保证即便是在 L2 这个相对单一的领域，NVIDIA 也有足够的能力去满足主机厂和供应商不同的需求。毕竟在那个时间，国内外各种不同厂商的 L2 以及 L2+技术方案，肯定也都处在大规模量产阶段。也只有这样灵活的方案，才能让 Orin 保证足够的竞争力。
; X1 Z5 j0 t' D4 R* T! r/ R

滴滴加入朋友圈
除了新硬件之外，老黄还宣布了和滴滴的合作，滴滴将使用 NVIDIA GPU 和其他技术开发自动驾驶和云计算解决方案。


在自动驾驶层面，滴滴将在数据中心使用 NVIDIA GPU 训练机器学习算法，并采用 NVIDIA DRIVE 平台为其 L4 级自动驾驶汽车提供推理能力。

  O$ J. R, j9 R& e9 V& f
% D& i) n1 s9 s7 E& v0 w: a0 a

3 \( T4 U; e: H. r1 J0 \作为滴滴自动驾驶 AI 处理的一部分，NVIDIA DRIVE 借助多个深度神经网络融合来自各类传感器（摄像头、激光雷达、雷达等）的数据，从而实现对汽车周围环境 360 度全方位的理解，并规划出安全的行驶路径。为了训练这些深度神经网络，滴滴也将采用 NVIDIA GPU 数据中心服务器。
2 |" C: K2 \2 D: v5 V

事实上，在从现场展示的一页 PPT 来看，NVIDIA 自动驾驶业务的合作伙伴也更丰富了。在国内，除了新加入的滴滴之外，包括小鹏汽车、德赛西威、文远知行、图森未来、智加科技、小马智行、美团、菜鸟、京东、四维图新、高德地图、百度地图等等，都已经在自动驾驶领域加入了 NVIDIA 的朋友圈。
+ A& j4 P+ f  v6 C8 N

. W0 G7 f: e. x2 I& H6 q6 d1 E
& {4 g% {* ]- l9 T6 F' [2 l
开源自动驾驶汽车深度神经网络
5 k1 ^! b: N, M4 q为了提高自动驾驶模型的训练的效率，NVIDIA 也在现场宣布了在 NVIDIA GPU Cloud (NGC) 容器注册上，向交通运输行业开源 NVIDIA DRIVE 自动驾驶汽车深度神经网络。

' w) n1 b: j% V2 d
) q% W! u- [- a/ m- R
+ a& ~4 a# }" m+ `
简单说说关于 NVIDIA DRIVE 深度神经网络对于自动驾驶开发的意义。
5 \3 q5 z6 U8 F4 T7 R
: Q* w; W+ j7 ]$ g; j
深度神经网络能够将原始传感器数据转换成对世界的深度理解，实现交通信号灯和交通标识检测、目标检测（车辆、行人、自行车）、路径感知以及车载眼球追踪和手势识别等任务。


' r1 o* `& I% G- M/ `对于自动驾驶的感知、决策、控制等环节，AI 作为最关键的部分，核心就是由数十个深度神经网络组成的，它们可以处理冗余和不同任务，以确保精确的感知、定位和路径规划。
8 |5 v* O# ^' s) H$ ]  T# Z+ S) y
0 u' N7 I* x8 r. R3 D. t
事实上，由于开发者数量巨大，NVIDIA DRIVE 在某种程度上已经成为了汽车、卡车制造商、Robotaxi 公司、软件公司和大学所广泛采用的自动驾驶汽车开发的行业标准。

. N# F5 @5 C) `; e  N
6 ?! T7 ^* Q, r) R% S因此，预训练 AI 模型和训练代码的开源，就能让所有的开发者通过一套 NVIDIA AI 工具，自由扩展和自定义模型，从而提高其自动驾驶系统的稳健性与能力。 

1 Z+ H) [  L: B2 P( W
对此，老黄也表示：「AI 自动驾驶汽车是软件定义的汽车，它必须基于大量数据集才能在全球范围行驶。我们向自动驾驶汽车开发者开源我们的深度神经网络，并为他们提供先进学习工具，使他们能够根据不同的数据集对这些网络进行优化。通过这一方式，我们正在实现跨企业和国家/地区的共享学习，并保护数据所有权和隐私，最终加快全球自动驾驶汽车的落地。」

  q/ [9 H! {( T% s; e& s; |( X
用于 AI 开发的先进学习工具
! K% ^2 K3 ^. p* u8 [2 t除了开源深度神经网络之外，NVIDIA 还发布了一套工具，能够让开发者使用自己的数据集和目标特征集自定义并增强 NVIDIA 的深度神经网络。这套工具使用主动学习、联邦学习和迁移学习来训练深度神经网络。


2 {6 @% D) g) }3 U主动学习借助 AI 而不是人工管理实现自动数据选择，进而提高模型精度，降低数据采集成本。


联邦学习使企业能够与其他企业一起使用分布在不同国家的多个数据集，同时保护数据隐私和企业的知识产权。
" q" [1 b9 m* d4 d! i. t

借助 NVIDIA 在自动驾驶汽车开发领域的大力投入，迁移学习使 NVIDIA DRIVE 客户能够加快开发其感知软件，然后基于他们自己的应用和目标能力进一步开发这些网络。
( v9 P& w* V: F  J
% ^. w2 J4 ^5 B( `; F8 x
7 Q3 i! L! W3 P1 R/ M  @, p

7 Z7 d7 d' w1 T2 }& c以上就是今年 GTC China 中和自动驾驶有关的信息，最后说说我的感受。


& u+ V* \/ N7 |. ]无论是硬件的升级，还是更多合作伙伴、开源深度神经网络以及先进的学习工具，背后都透露出同样的信息：NVIDIA 对于自动驾驶商用的理解正在逐渐加深。
) _! ^) n* A! u# r8 P6 c! q8 S+ @
* g! u+ X2 t0 D; s! [( L' t
" I* m6 B! _& W4 q6 A2 v1 H自动驾驶对技术要求非常高，同时也需要高度的协作。因此要实现商业化，就需要有更开放的心态来迎接不同的合作伙伴。
) q: R9 U' i+ `. S% O
- y" k0 Q- x0 z6 H: N  U; B+ a
所以我们也见到包括传统主机厂、供应商、新造车企业、地图供应商、自动驾驶方案商、Robotaxi 企业以及货运及物流行业在内，几乎所有可能应用自动驾驶技术的场景，背后都有 NVIDIA 的身影。


% O; R( q" A+ n3 ENVIDIA 能有这样的成果，除了产品足够优秀之外，也需要在技术、产品形态上做到更开放，有非常强的扩展性和兼容性，这样才能有更多合作伙伴不断加入进来，反向推动 NVIDIA 的技术、产品进步。从过去几年的成果来看，NVIDIA 的策略毫无疑问是成功的。


5 P2 h; ^) s9 a# X在今年的 keynote 以及媒体群访中，老黄有一句话重复了好多遍：「The more you buy, the more you save.」对于 NVIDIA 来说，这句话或许是「The more you open, the more you gain.」

! \5 n+ i5 @& ]! S+ t

作者：大白

% E. V3 L" l: a长按扫码勾搭本文作者
  ？
9 T# ~) J& p* C作者问答
' w4 g. H: m3 I0 ~问：你如何看待 NVIDIA 的自动驾驶战略？
- }0 y" d. z; U6 |

8 ~) F0 G- D# Z) \  S* }; b每篇 GeekCar 原创文章的作者会向大家提出一个相关的问题，GeekCar 也很想知道大家的想法，和大家一起聊一聊，欢迎大家踊跃回答！

4 d6 y- _2 r% t
: x$ Y8 }$ M2 c; ~5 H* Y" X, U3 O* K( q
( X2 v, D( \- A* N8 D来源：http://mp.weixin.qq.com/s?src=11&timestamp=1576803604&ver=2045&signature=5TBpOCMNqErLqU-UoH8vC90eTUvGlDUbMoDsB7EdpEmE6cjBnBbBbavZl*JYOEmGAT68PKdN2adGYWGcxagJiKKqPQPVtcWEWW2XbJYYr8VdfpL*97qbOdmLHcyFJ45D&new=1
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！