هنگامی که انجمن مهندسین خودرو چارچوب استقلال خودرو خود را در سال 2014 ایجاد کرد، نقشه راه استاندارد صنعت را برای فناوری خودران ایجاد کرد.
سطوح اتوماسیون از سطح 1 (کمک راننده) به سطح 2 (اتوماسیون جزئی)، سطح 3 (اتوماسیون شرطی)، سطح 4 (اتوماسیون بالا) و سطح 5 (اتوماسیون کامل) می رسد.
پیش‌بینی زمان رسیدن هر سطح چالش‌برانگیزتر از تعریف آنها بود. این عدم قطعیت باعث ایجاد پیش بینی در سراسر صنعت شد، زیرا به نظر می رسید پیشرفت ها دقیقاً در گوشه و کنار هستند.
این دینامیک در سال های اخیر به طرز چشمگیری تغییر کرده است، با پیشرفت بیشتر در رانندگی خودران در سه تا چهار سال گذشته نسبت به مجموع دهه قبل. در زیر می توانید در مورد پیشرفت های اخیر که این پیشرفت سریع را ممکن ساخته است بیشتر بخوانید.
رانندگی خودکار در سطح 4 چیست؟
رانندگی خودکار سطح 4 به وسایل نقلیه اجازه می دهد تا تمام وظایف رانندگی را در مناطق عملیاتی خاص – مانند شهرها یا مسیرهای خاص – بدون دخالت انسان انجام دهند. این سطح بالای اتوماسیون از پیشرفت‌های هوش مصنوعی از جمله مدل‌های پایه، معماری‌های سرتاسر و مدل‌های استدلالی برای هدایت سناریوهای پیچیده استفاده می‌کند.
امروزه، سطح 4 “اتوماسیون بالا” چشم انداز رانندگی خودران را به واقعیتی مقیاس پذیر و تجاری قابل دوام نزدیک تر می کند.
شش پیشرفت هوش مصنوعی در حال پیشرفت وسایل نقلیه خودران
شش پیشرفت بزرگ هوش مصنوعی برای تسریع استقلال سطح 4 همگرا می شوند:
1. مدل های فونداسیون
مدل‌های پایه می‌توانند از دانش در مقیاس اینترنت، نه فقط داده‌های اختصاصی ناوگان استفاده کنند.
به عنوان مثال، اگر مردم در 18 سالگی رانندگی را یاد بگیرند، 18 سال تجربه جهانی را با خود به همراه می آورند. به همین ترتیب، مدل‌های پایه طیف وسیعی از دانش را به ارمغان می‌آورند: آنها سناریوهای غیرعادی را درک می‌کنند و نتایج را بر اساس دانش عمومی جهان پیش‌بینی می‌کنند.
با مدل‌های پایه، وسیله نقلیه‌ای که با تشک در جاده یا توپی که در خیابان غلت می‌زند، مواجه می‌شود، می‌تواند بر اساس اطلاعات مجموعه داده‌های آموزشی عظیم، سناریوهایی را که قبلاً ندیده است، طی کند.
2. معماری های انتها به انتها
سیستم‌های رانندگی خودمختار سنتی از ماژول‌های جداگانه برای درک، برنامه‌ریزی و کنترل استفاده می‌کردند که با هر انتقال اطلاعات از دست می‌رفت.
معماری‌های خودمختار انتها به انتها پتانسیل تغییر آن را دارند. با معماری‌های انتها به انتها، یک شبکه واحد ورودی‌های حسگر را مستقیماً در تصمیم‌گیری‌ها پردازش می‌کند و زمینه را در کل حفظ می‌کند. در حالی که مفهوم معماری‌های انتها به انتها جدید نیست، پیشرفت‌های معماری و روش‌های آموزشی بهبودیافته در نهایت این پارادایم را قابل اجرا می‌سازد، که منجر به تصمیم‌گیری مستقل بهتر با پیچیدگی فنی کمتر می‌شود.
3. مدل های استدلال
مدل‌های عمل زبان بینایی (VLA) ورودی‌های ادراکی متنوع، درک زبان و تولید کنش را با استدلال گام به گام یکپارچه می‌کنند. این به آنها اجازه می‌دهد تا موقعیت‌های پیچیده را حل کنند، چندین پیامد ممکن را ارزیابی کنند و بهترین اقدام را انتخاب کنند – درست مانند انسان‌ها.
سیستم‌هایی که با مدل‌های استدلالی طراحی می‌شوند، قابلیت اطمینان و عملکرد بسیار بیشتری را با تصمیم‌گیری گام به گام و قابل توضیح ارائه می‌کنند. برای وسایل نقلیه خودران، این به معنای توانایی پرچم گذاری الگوهای تصمیم گیری غیرعادی برای نظارت بر ایمنی در زمان واقعی، و همچنین اشکال زدایی پس از حادثه است تا نشان دهد چرا یک وسیله نقلیه اقدام خاصی انجام داده است. این عملکرد خودروهای خودران را بهبود می بخشد و در عین حال اعتماد کاربر را افزایش می دهد.
4. شبیه سازی
با استفاده از تست های فیزیکی به تنهایی، آزمایش یک خط مشی رانندگی در هر سناریو رانندگی ممکن، اگر ممکن بود، چندین دهه طول می کشد. وارد شبیه سازی شوید
فناوری هایی مانند بازسازی عصبی می توانند برای ایجاد شبیه سازی های تعاملی از داده های حسگرهای دنیای واقعی استفاده شوند، در حالی که مدل های جهانی مانند NVIDIA Cosmos Predict و Transfer موقعیت های نامحدود جدیدی را برای آموزش و آزمایش وسایل نقلیه خودران ایجاد می کنند.
با استفاده از این فناوری‌ها، توسعه‌دهندگان می‌توانند از پیام‌های متنی برای ایجاد شرایط آب‌وهوا و جاده جدید یا تغییر نور و معرفی موانع برای شبیه‌سازی سناریوهای جدید و آزمایش سیاست‌های رانندگی در شرایط جدید استفاده کنند.
5. قدرت محاسباتی
هیچ یک از این پیشرفت ها بدون قدرت محاسباتی کافی امکان پذیر نخواهد بود. پلتفرم‌های NVIDIA DRIVE AGX و NVIDIA DGX طی چندین نسل تکامل یافته‌اند که هر کدام برای بارهای کاری هوش مصنوعی امروزی و موارد مورد انتظار سال‌ها بعد طراحی شده‌اند.
بهینه سازی مشترک مهم است. فناوری باید با در نظر گرفتن نیازهای محاسباتی سیستم های هوش مصنوعی نسل بعدی طراحی شود.
6. ایمنی هوش مصنوعی
ایمنی برای استقلال سطح 4 اساسی است، با قابلیت اطمینان مشخصه تعیین کننده ای است که آن را از سطوح پایین تر استقلال متمایز می کند. پیشرفت‌های اخیر در ایمنی فیزیکی هوش مصنوعی، استقرار قابل اعتماد پشته‌های مستقل مبتنی بر هوش مصنوعی را با معرفی پادمان‌های ایمنی در مراحل طراحی، اجرا و اعتبارسنجی امکان‌پذیر می‌سازد.
به عنوان مثال، معماری امنیتی NVIDIA از مدل رانندگی سرتاسر با کنترل‌هایی که توسط یک پشته ماژولار پشتیبانی می‌شوند محافظت می‌کند و اعتبارسنجی با آخرین پیشرفت‌ها در بازسازی عصبی بسیار تسریع می‌شود.
این نرده‌ها و سایر نرده‌های محافظ بخشی از NVIDIA Halos هستند، یک سیستم ایمنی جامع که معماری NVIDIA DRIVE، سیستم عامل NVIDIA DriveOS دارای گواهینامه ایمنی و مدل‌های هوش مصنوعی، سخت‌افزار، نرم‌افزار، ابزارها و خدمات را برای کمک به توسعه ایمن و استقرار وسایل نقلیه خودران از ابر تا ماشین، متحد می‌کند. شرکای NVIDIA بسته به نیاز خود می توانند از اجزای جداگانه یا کل پشته استفاده کنند.
چرا مهم است: نجات جان و منابع
مخاطرات بسیار فراتر از دستاوردهای فناوری است. بهبود ایمنی خودرو می تواند به نجات جان انسان ها و صرفه جویی در مقادیر قابل توجهی پول و منابع کمک کند. سطح 4 خودمختاری به طور سیستماتیک خطای انسانی را که عامل اکثریت قریب به اتفاق تصادفات است، حذف می کند.
NVIDIA به‌عنوان یک شرکت خودروهای خودمختار تمام‌پشته – از ابر تا ماشین، اکوسیستم خودرویی گسترده‌تر را قادر می‌سازد تا به سطح 4 خودمختاری دست یابد، که بر پایه پشته سطح 2+ خود که در حال حاضر در حال تولید است، بنا شده است. قابل ذکر است، NVIDIA تنها شرکتی است که یک پشته محاسباتی سرتاسر برای رانندگی خودکار ارائه می‌کند.
سه پلتفرم محاسباتی هوش مصنوعی که برای استقلال بسیار مهم هستند عبارتند از:
این پلتفرم‌ها با هم یک حلقه بازخورد برای یادگیری، آزمایش و استقرار تشکیل می‌دهند که چرخه نوآوری را محکم می‌کند و در عین حال ایمنی را در اولویت قرار می‌دهد.
NVIDIA GTC واشنگتن دی سی.، از 27 تا 29 اکتبر، طیف گسترده ای از جلسات در مورد وسایل نقلیه خودران و ایمنیکه در صورت درخواست نیز در دسترس خواهد بود.
