早在年初的美国消费电子展(CES)上,英伟达就发布了具备深度学习能力的Drive PX电脑。这项技术将在五月份成型,而著名汽车厂商奥迪已经承诺基于Drive PX研发无人驾驶汽车。
它如何识别物体?
Drive PX是如何学习识别前方物体的呢?英伟达提前在Drive PX的神经网络中植入了数以百万计的图像信息,这些信息都加有相应的标签。这套系统能够将这些图片拆散成小的元素,从而形成一个庞大的知识库。
当Drive PX电脑遇到一个从没见过的图像时,它会将这张图像用相似的方法分解,然后将图像中的元素和已知知识库进行比对。一旦发现有内容和数据库中已知元素重合,Drive PX就能够认出它面前的东西了。比如Drive PX电脑的摄像头可以通过侦测到人的头部或手臂来推断前方物体正是人类。它甚至能够分辨出对面驶过来的是辆SUV,还是三厢轿车。
这项研究已经进展50年了,英伟达在2012年借助自家处理器实现了在识别精确度上的飞跃。这套深层神经网络系统甚至在一些测试中展现了比人类更优异的图像识别精度。比如它不仅仅能够认出面前的小猫,甚至能够对这只猫的品种了如指掌。
显然这种识别模式对于无人驾驶技术意义深远,这将帮助汽车准确识别前方的物体。
更接近人类的反应
传统的驾驶辅助系统仅仅能够在探测到障碍物之后帮助驾驶员踩下刹车(比如沃尔沃汽车的前碰撞预警系统)。而英伟达芯片能做到的不只有这些,它除了能做到更准确的障碍物识别外,还能帮助无人驾驶汽车做出更接近人类的驾驶反应。
以Project Dave项目为例。在此项目中,研究人员远程控制汽车,帮助它实现无人驾驶。想象一下他们会怎么做?给无人驾驶汽车设定好路线,通过编程告诉它当传感器探测到行进过程中的障碍物具体该作何反应??当然不是。研究人员使用人类开车的视频来教无人驾驶吸取驾驶经验。Project Dave汽车能够从人类面对不同障碍物所做的反应来学习驾驶。接下来汽车在面对相似的情况时,就能做出和人类相似的反应了。
深度学习技术能够给予未来的无人驾驶汽车更灵活的随机应变能力。比如当无人驾驶汽车探测到前方道路上大的减速坎时,它会自动稍微放慢车速压过减速坎,以减少车上乘客的颠簸感。
这些具备深层学习能力的汽车当然也有难以回避的局限性,为了解决这些局限性,工程师会可以在系统中植入一些强制规则,比如“禁止碰撞前方固体障碍”。这让你想到了什么?没错,阿西莫夫机器人三定律。我们大可以在这些善于学习的汽车中编入下面这条指令:禁止碰撞人类。相信用不了多久,无人驾驶汽车就能真正进入我们的生活,并在城市通勤中扮演重要角色了。
- 基于ST1S31(SO-8封装)的3A/1.5MHz降压同步开关稳压器
- X-NUCLEO-IDS01A5,低于 1 GHz 的射频扩展板,基于用于 STM32 Nucleo 的 SPSGRF-915 模块
- 语音模拟键盘控制器
- MC78M08CDT 三端正电压稳压器典型应用电路
- LTC4162IUFD-FAD 9V 至 35V 2 节 3.2A 充电器的典型应用,具有 PowerPath 和 2A 输入限制
- 直流电机驱动(方案设计+芯片资料+原理图)
- TC962并联器件降低输出电阻的典型应用
- TS39103CP550 RO 1A、5V超低压差多功能稳压器典型应用电路
- 鸿蒙蓝牙键盘扩展模组
- RD001901,具有 ZAURA 控制的交流电源开关继电器参考设计