Nvidia Forestil dig, at du er chauffør af en 4-dørs familie sedan, der nærmer sig et stopskilt. Når du når stopskiltet, bemærker du, at en cyklist prøver at krydse vejen. Gennem øjenkontakt, ansigtsudtryk og kropssprogsspor forhandler cyklisten deres ret til at gå med dig. Som et resultat beslutter du at lade cyklisten krydse vejen først, før du går forsigtigt ind i krydset.
I den autonome køreverden i dag ville der ikke være nogen måde at "tagge" eller kategorisere en sådan begivenhed, sagde Cognata-administrerende direktør Danny Atsmon. Nuværende metoder giver dig mulighed for visuelt at identificere cyklisten, men træningssystemer til at genkende og forstå komplekse forhandlinger på vejen er fortsat en udfordring for $ 10,3 billioner autonome køreindustri.
Faktisk repræsenterer autonom kørsel "det eneste hårdeste computerproblem, verden nogensinde har stødt på", som NVIDIAs administrerende direktør Jensen Huang indrømmede, da han afslørede nogle af verdens mest magtfulde grafikprocessorer under GTC 2018-hovedtesten i San Jose, Californien.
At bygge bro mellem det virkelige og det virtuelle
”Verden kører 10 billioner miles om året,” sagde Huang i en spids præsentation - men Atsmon påpegede, at selvkørende biler kun dækkede tre millioner miles af veje sidste år. For at selvkørende køretøjer skal køre bedre, skal de lære mere, og det er fundamentalt den største udfordring, som branchen står over for. For at træne et autonomt køresystem til at have en menneskelig chaufførs kompetence, skulle computere køre cirka 11 milliarder miles, fortalte Atsmon os.
Det er det eneste hårdeste computerproblem, verden nogensinde har stødt på.
Dette tal er beregnet på baggrund af 1,09 dødsfald pr. 100 millioner miles kørt i 2015. ”For at sige, at en maskine kunne have en så sikker præstation som et menneske med 95 procent tillid, skal du validere 11 milliarder miles, ”Sagde Atsmon.
Bortset fra den tid, der kræves for at nå dette mål, er der også en udgift at overveje. Lige nu er omkostningerne pr. Kilometer for at betjene en autonom bil i hundreder af dollars - tegner sig for ingeniørtid, dataindsamling og tagging, forsikringsomkostninger og tidspunktet for en chauffør til at sidde i cockpittet til en bil. Multiplicer det med benchmarket på 11 milliarder kilometer, og den enorme dyre, der er forbundet med at træne autonome biler, bliver tydelig.
Validering er nøglen, og nylige ulykker med autonome køretøjer viser, at ufuldstændige datatests og træningsscenarier kan vise sig at være fatale. I et mindre ekstremt eksempel navigerede en selvkørende shuttle i Las Vegas omkring 1 km i timen, men den styrtede ned i en lastbil (Jeff Zurschmeide, en freelancer-bidragyder til Digital Trends, var der, da det skete). Ingen blev såret, men det uforståelige scenarie skete, fordi lastbilen trak sig frem og derefter bakkede op, da den forsøgte at parkere. Årsagen til nedbruddet er ifølge Atsmon, at transporten ikke blev valideret til denne type situation, og den vidste ikke, hvad den skulle gøre - så den gik langsomt frem og styrtede ned.
Bedre simulering til dybere læring
Industriens nuværende løsning til at bygge bro over kløften på 11 milliarder kilometer for autonome systemer til at nå menneskelig kørekompetence er at udvikle simuleringer, der giver biler mulighed for at lære hurtigere ved at kombinere dyb læring med et virtuelt miljø.
”Simulation er vejen til milliarder af miles,” sagde Huang i GTC. Sent sidste år afslørede alfabet-ejede Waymo Carcraft, dets tilgang til læring ved simulation.
Cognata bruger de nyeste fremskridt inden for grafik og sensorhardware til at skabe mere livlignende og realistiske modeller i verden, som autonome biler kan lære af. For computerhjernen til en selvkørende bil er det som at komme ind i et videospil modelleret i den virkelige verden, og det kan føre til mere realistiske kørselsscenarier for at teste og validere bilkøredata. Virksomheden har for nylig kortlagt udvalgte byer som San Francisco ved hjælp af data fra GIS - high definition-kameraer og sofistikerede computeralgoritmer, der kører over satellit- og gadebilleder, hvilket resulterer i en fotorealistisk scene.
Simulation er vejen til milliarder miles.
For yderligere at forbedre simuleringer bruger Nvidia og nogle af dets partnere data fra sensorerne i autonome køretøjer til at oprette kort i højere opløsning. Når autonome køretøjer rammer vejen, vil disse maskiner ikke kun stole på de data, der er tilgængelige gennem træning, men bidrager også til dataindsamling ved at dele de data, som de har fanget fra sine LIDAR-, IR-, radar- og kameraarrays.
Når disse nyindfangede data kombineres gennem dyb læring med eksisterende datasæt af lav kvalitet, vil det få gader og veje til at se mere fotorealistiske ud. Cognata hævder, at dets algoritmer kan behandle dataene på en måde for at fremhæve detaljer i skygger og højdepunkter, ligesom et HDR-billede fra din smartphones kamera, for at skabe en scene af høj kvalitet.
Mens simulering er et fremragende værktøj, bemærkede Atsmon, at den har sine egne fejl. Det er for simpelt, og for at autonom kørsel kan være realistisk, skal det lære af kanttilfælde. Cognata hævder, at det kun tager et par klik at programmere i en edge case for at validere autonome køretøjer til mere usædvanlige kørselsscenarier. Virksomheder, der bygger autonome køretøjer, skal være flittige i deres søgen efter kantkasser, der kan narre selvkørende biler og være kreative i at skabe løsninger til dem.
Når selvkørsel mislykkes
Sikkerhed er så altafgørende for autonome køretøjer, at Nvidia betragter det som den vigtigste for industrien. Når tingene mislykkes, kan der forekomme dødsfald, som det for nylig blev bevist, da en autonom Uber ramte og dræbte en fodgænger i Arizona.
"Jeg kan forsikre dig om, at [Uber] er lige så knust over, hvad der skete."
Når han blev spurgt på et pressemøde om Uber-nedbruddet - Uber er en partner for Nvidia - udsatte Huang sig til ride-delingsfirmaet for kommentarer og sagde, at ”vi skulle give Uber en chance for at forstå, hvad der er sket, og forklare, hvad der er sket. ”
”Jeg kan forsikre dig om, at [Uber] er lige så knust over hvad der skete,” tilføjede Huang.
Fordi Nvidia udvikler en end-to-end-løsning til autonom kørsel, kan forskellige partnere - fra Uber til Toyota og Mercedes Benz - muligvis bruge hele eller nogle dele af systemet. "Der er omkring 370 virksomheder over hele verden, der bruger vores teknologier på en eller anden måde." På showet annoncerede Nvidia også Orin, den næste generations computer på sin DRIVE-platform.
Nvidia Mennesker som sikkerhedskopi
Mens selvkørende biler bliver smartere over tid, mener Huang stadig, at der altid skal være en menneskelig backup, selv i tilfælde hvor en bil er designet uden førersæde. For at opnå dette fremviste Nvidia sin Holodeck under årets GTC-keynote, så en fjernchauffør kunne styre en fysisk bil i realtid gennem virtual reality.
”Det er teleportering,” sagde Huang og understregede, at dette er muligt gennem Nvidias tidlige investeringer i virtual reality.
Under demonstrationen var driveren Tim placeret et fjerntliggende sted. Når han sætter et par virtual reality-briller på, vil han føle, at han er i en fysisk bil, så han kan mærke bilen og se bilens kontrol og instrumentpanel. Fra denne fjerntliggende placering og ved hjælp af sit VR-headset kunne han tage kontrol over et autonomt køretøj, så han kunne køre køretøjet og parkere det.
Det er som hvad militæret har gjort i et stykke tid - tillader droneoperatører at flyve ubemandede droner fra fjerntliggende sted. Men i Nvidias tilfælde, med kraften fra VR, vil føreren føle, at han er fysisk til stede i cockpittet. Virksomheden mener, at simulering drevet af sine GPU'er i sidste ende vil gøre autonome biler næsten ufejlbarlige, men indtil dem kan Holodeck hjælpe mennesker med at overvåge selvkørende flåder.
