Nvidia Se for deg at du er sjåfør av en firedørs familie sedan som nærmer seg et stoppskilt. Når du kommer til stoppskiltet, merker du at en syklist prøver å krysse veien. Gjennom øyekontakt, ansiktsuttrykk og kroppsspråklige signaler forhandler syklisten sin forkjørsrett med deg. Som et resultat bestemmer du deg for å la syklisten krysse veien først, før du går forsiktig inn i krysset.
I den autonome kjøreverdenen i dag, ville det ikke være noen måte å "merke" eller kategorisere en slik hendelse, sa Cognata-sjef Danny Atsmon. Gjeldende metoder lar deg visuelt identifisere syklisten, men opplæringssystemer for å gjenkjenne og forstå komplekse forhandlinger på veien er fortsatt en utfordring for den autonome bilindustrien på $ 10,3 billioner.
Faktisk representerer autonom kjøring "det vanskeligste databehandlingsproblemet verden noensinne har møtt", som NVIDIA-sjef Jensen Huang innrømmet da han avduket noen av verdens mektigste grafikkprosessorer under GTC 2018-hovedtalen i San Jose, California.
Bridging the Real and the Virtual
"Verden kjører 10 billioner miles per år," sa Huang i en spiss presentasjon - men Atsmon påpekte at selvkjørende biler bare dekket tre millioner miles med veier i fjor. For at selvkjørende biler skal kunne kjøre bedre, må de lære mer, og det er i grunn den største utfordringen industrien står overfor. For å trene et autonomt kjøresystem for å ha kompetansen til en menneskelig sjåfør, måtte datamaskiner kjøre omtrent 11 milliarder miles, sa Atsmon til oss.
Det er det vanskeligste databehandlingsproblemet verden noensinne har opplevd.
Det tallet er beregnet basert på 1,09 drepte per 100 millioner miles kjørt i 2015. ”For å si at en maskin kan ha en like sikker ytelse som et menneske med 95 prosent tillit, må du validere 11 milliarder miles, ”Sa Atsmon.
Bortsett fra tiden som trengs for å nå dette målet, er det også utgiftene å vurdere. Akkurat nå er kostnaden per kilometer for å betjene en autonom bil i hundrevis av dollar - som står for ingeniørtid, datainnsamling og merking, forsikringskostnader og tiden for en sjåfør å sitte i cockpiten til en bil. Multipliser det med målestokken på 11 milliarder kilometer, og den enorme dyre forbundet med opplæring av autonome biler blir tydelig.
Validering er nøkkelen, og nylige ulykker med autonome kjøretøy viser at ufullstendige datatester og treningsscenarier kan vise seg å være dødelige. I et mindre ekstremt eksempel navigerte en selvkjørende skyttelbuss i Las Vegas rundt 1 mil i timen, men den krasjet inn i en lastebil (Jeff Zurschmeide, frilansende bidragsyter til Digital Trends, var der da det skjedde). Ingen ble skadet, men det underlige scenariet skjedde fordi lastebilen trakk seg frem og deretter rygget da den prøvde å parkere. Årsaken til krasj, ifølge Atsmon, er at skyttelbussen ikke ble validert for denne typen situasjoner, og den visste ikke hva den skulle gjøre - så den gikk sakte frem og krasjet.
Bedre simulering for dypere læring
Bransjens nåværende løsning for å bygge bro over gapet på 11 milliarder kilometer for autonome systemer for å nå menneskelig kjørekompetanse, er å utvikle simuleringer som lar biler lære raskere ved å kombinere dyp læring med et virtuelt miljø.
"Simulering er veien til milliarder miles," sa Huang i GTC. Sent i fjor presenterte alfabet-eide Waymo Carcraft, sin tilnærming til læring ved simulering.
Cognata bruker de siste fremskrittene innen grafikk og sensorhardware for å skape mer livlige og realistiske modeller for verden som autonome biler kan lære av. For databehjernen til en selvkjørende bil er det som å gå inn i et videospill som er modellert i den virkelige verden, og det kan føre til mer realistiske kjørescenarier for å teste og validere bilkjøringsdata. Selskapet har nylig kartlagt utvalgte byer, som San Francisco, ved hjelp av data fra GIS - HD-kameraer og sofistikerte datalgoritmer som går over satellitt- og gatevisningsbilder, noe som resulterer i en fotorealistisk scene.
Simulering er veien til milliarder miles.
For å forbedre simuleringene ytterligere bruker Nvidia, og noen av partnerne, data fra sensorene til autonome kjøretøyer for å bygge kart med høyere definisjon. Når autonome kjøretøyer treffer veien, vil disse maskinene ikke bare stole på dataene som er tilgjengelige gjennom opplæring, men også bidra til datainnsamling ved å dele dataene de har fanget fra sine LIDAR-, IR-, radar- og kameraarriser.
Når disse nylig fangede dataene kombineres gjennom dyp læring med eksisterende datasett av lav kvalitet, vil det få gater og veier til å se mer fotorealistiske ut. Cognata hevder at algoritmene kan behandle dataene på en måte for å få frem detaljer i skygger og høydepunkter, omtrent som et HDR-bilde fra smarttelefonens kamera, for å skape en scene av høy kvalitet.
Mens simulering er et utmerket verktøy, bemerket Atsmon at den har sine egne feil. Det er for enkelt, og for at autonom kjøring skal være realistisk, må den lære av kanttilfeller. Cognata hevder at det bare tar noen få klikk å programmere i et edge case for å validere autonome kjøretøyer for mer uvanlige kjørescenarier. Bedrifter som bygger autonome kjøretøyer, må være flittige i å søke etter kantsaker som kan lure selvkjørende biler, og være kreative i å lage løsninger for dem.
Når selvkjøring mislykkes
Sikkerhet er så viktig for autonome kjøretøyer at Nvidia anser det som det viktigste for industrien. Når ting mislykkes, kan og dreper dødsfall, som nylig ble bevist da en autonom Uber slo og drepte en fotgjenger i Arizona.
"Jeg kan forsikre deg om at [Uber er] like knust over det som skjedde."
På spørsmål i et pressemøte om Uber-ulykken - Uber er en partner av Nvidia - henviste Huang til tur-delingsselskapet for kommentarer og sa at ”vi burde gi Uber en sjanse til å forstå hva som har skjedd og å forklare hva som har skjedd. ”
"Jeg kan forsikre deg om at [Uber] er like knust over det som skjedde," la Huang til.
Fordi Nvidia utvikler en hel-til-ende-løsning for autonom kjøring, kan forskjellige partnere - fra Uber til Toyota og Mercedes Benz - bruke hele eller deler av systemet. "Det er rundt 370 selskaper over hele verden som bruker teknologiene våre på en eller annen måte." På utstillingen kunngjorde Nvidia også Orin, neste generasjons datamaskin til sin DRIVE-plattform.
Nvidia Mennesker som en sikkerhetskopi
Mens selvkjørende biler blir smartere over tid, mener Huang fortsatt at det alltid skal være en menneskelig backup, selv i tilfeller der en bil er designet uten førersete. For å oppnå dette, presenterte Nvidia Holodeck under årets GTC-keynote, slik at en ekstern driver kunne kontrollere en fysisk bil i sanntid gjennom virtual reality.
"Det er teleportering," sa Huang og understreket at dette er mulig gjennom Nvidias tidlige investeringer i virtual reality.
Under demonstrasjonen var Tim, sjåføren, lokalisert på et avsidesliggende sted. Når han tar på seg et par virtual reality-briller, vil han føle at han er i en fysisk bil, slik at han kan kjenne på bilen og se bilens kontroller og instrumentpanel. Fra dette avsidesliggende stedet og ved hjelp av VR-headsettet, kunne han ta kontroll over et autonomt kjøretøy, slik at han kunne kjøre kjøretøyet og parkere det.
Det er som det militæret har gjort en stund - slik at droneoperatører kan fly ubemannede droner fra ekstern plassering. Men i Nvidias tilfelle, med kraften fra VR, vil sjåføren føle at han er fysisk til stede i cockpiten. Selskapet mener at simulering drevet av GPU-ene sine til slutt vil gjøre autonome biler nær ufeilbarlige, men inntil dem kan Holodeck hjelpe mennesker med å overvåke selvkjørende flåter.
