Quando un'auto a guida autonoma percorre una strada, anche l'ambiente più semplice genera enormi quantità di dati ogni minuto, poiché sensori e telecamere acquisiscono continuamente una vista a 360 gradi dell'ambiente circostante l'auto.
Veicolo Torc in viaggio attraverso Seattle.
Gli "occhi" della nostra auto sono composti da radar, LiDAR e telecamere. Lavorano insieme per raccogliere informazioni sulla strada in tempo reale, inclusi oggetti, segnali, linee di corsia e semafori. Il passo successivo è dare un senso a tutti quei dati. Le nostre auto a guida autonoma utilizzano un componente informatico chiave che ha origine dalla tecnologia dei videogiochi:l'unità di elaborazione grafica (GPU).
La GPU è nota per le applicazioni nella grafica dei videogiochi, dove la sua capacità di elaborare grandi quantità di dati contemporaneamente viene utilizzata per generare i pixel e le forme che compongono il gioco. Man mano che le GPU sono diventate più potenti, sono emerse altre applicazioni per questa tecnologia, comprese quelle nell'intelligenza artificiale e nelle auto a guida autonoma.
Abbiamo utilizzato le GPU NVIDIA Pascal Architecture per eseguire l'addestramento e l'inferenza per il nostro sistema autonomo dall'inizio del nostro attuale programma di auto a guida autonoma. Vengono utilizzati nei server all'esterno del veicolo per addestrare e perfezionare i nostri algoritmi, nonché nell'auto per rilevare e classificare i dati dei sensori.
Ben Hastings, Chief Technology Officer di Torc, afferma:"Le GPU NVIDIA ci consentono di addestrare e distribuire rapidamente reti neurali e altri algoritmi estremamente paralleli che consentono ai nostri veicoli di dare un senso al mondo che li circonda".
Per creare un sistema in grado di prendere decisioni intelligenti sulla strada, utilizziamo reti neurali profonde, progettate per apprendere in modo simile al cervello umano. I nostri algoritmi vengono addestrati utilizzando server di GPU che simulano scenari on the road. Attraverso il deep learning, possiamo migliorare rapidamente la classificazione del sistema e il processo decisionale senza dover guidare fisicamente l'auto autonoma attraverso ogni possibile scenario. Ad esempio, possiamo addestrare il sistema a riconoscere i segnali di limite di velocità fornendo alla rete i dati su una varietà di segnali. Una volta sulla strada, è in grado di riconoscere in tempo reale un nuovo segnale di limite di velocità superato sulla strada, senza la necessità di preprogrammare in anticipo le informazioni su ogni segnale di velocità.
Le applicazioni si estendono anche al rendering di oggetti e alle sovrapposizioni sui nostri display di video della strada in tempo reale. Mentre i sensori e le telecamere inviano informazioni al sistema, le GPU traducono i dati grezzi in immagini che mostrano ciò che l'auto "vede" in un modo che imita più da vicino ciò che vedrebbe un essere umano.
Aziende come NVIDIA stanno continuando ad evolvere il design e le prestazioni delle loro GPU da apparecchiature di uso più generale a unità progettate specificamente per i sistemi di auto a guida autonoma. Ad esempio, GPU potenti ma efficienti dal punto di vista energetico sono essenziali per la produzione di massa di auto a guida autonoma, specialmente se utilizzate su veicoli elettrici. Ogni giorno vengono apportate nuove innovazioni e ogni miglioramento è un altro passo per rendere il trasporto autonomo accessibile a tutti.
