侵权投诉
当前位置:

OFweek传感器网

速度传感

正文

英伟达CEO黄仁勋:深度学习能够降低传感器成本

导读: 其实在CES上,老黄卖了个关子:在3月份德国柏林举办的BoschConnectedWorld上,他将登台发布进一步的合作成果。事实证明,老黄没有食言,在BCW上,博世联合英伟达发布了基于Xavier平台的车载人工智能电脑。

其实在CES上,老黄卖了个关子:在3月份德国柏林举办的BoschConnectedWorld上,他将登台发布进一步的合作成果。事实证明,老黄没有食言,在BCW上,博世联合英伟达发布了基于Xavier平台的车载人工智能电脑。

关于Xavier平台的运算能力,在CES的文章中已经有所阐述,在这里就不再具体展开。在BCW的发布会之后,记者有幸与老黄面对面聊了聊,本文将重点结合老黄的发布会与专访,解析他眼中的自动驾驶。

老黄在BCW上都讲了什么?

除了发布车载人工智能电脑,老黄在演讲中还介绍了英伟达在自动驾驶领域的3个布局:

1、DeepLearning:GPU在深度学习领域的应用成就了今天的英伟达。在老黄看来,深度学习驱动下的人工智能,也将成为自动驾驶决策的主要算法结构。

2、HDMap:在高精度地图领域,深度学习也将起到重要的作用。它能够帮助机器更高效的通过传感器收集地图数据,例如识别道路特征、提取建筑轮廓、识别道路图形标牌等。

英伟达CEO黄仁勋:深度学习能够降低传感器成本

3、AI Supercomputing SOC:这个是英伟达本就十分擅长的硬件芯片。博世将NVIDIA人工智能平台纳入到自己的零部件供应商中已经是对其硬件实力的最好证明,这也意味着英伟达的人工智能芯片将开始正式向量产平台进军。此外,这次老黄还发布了将与卡车制造商PACCAR合作,基于DrivePX平台发展卡车领域的高级别自动驾驶。

在此之上,老黄又进一步聊了实现L3级别自动驾驶所需要的几个环节:Detection(感知)、Localization(定位)、OccupancyGrid(占用空间)、PathPlaning(路径规划)、VehicleDynamic(车辆运动)、OTA(在线升级)。

可以看到,除去OTA之外,老黄的理解与我们之前一再提到的感知、地图、决策、控制有一些类似。但是,这两者之间最大的不同点是在于对「决策」的理解。做图像处理发家的老黄,将驾驶决策巧妙的分成了两个偏向图形分析的环节:

OccupancyGrid(占用空间):这个环节指的是,机器对于周围环境中各元素所处位置与所占空间做出的判断。这个判断既包括当前环境,也包括未来环境。而元素可以是车辆、行人、建筑物等等。

PathPlaning(路径规划):在判断了周围元素之后,机器将根据这个空间环境,规划出可驾驶的路线。

这样的划分,无疑能够更好的体现GPU在图像处理方面的优势。在老黄看来,目前市面上还没有任何一个量产的计算平台能够同时整合上述五个环节,而这正是NVIDIA希望在汽车领域攻克的难关。

最关键的部分来了:综合上面的分析,老黄提出,DeepLearning在高精度地图以及图像识别方面的应用不仅能够优化自动驾驶的决策,更能够帮助降低车辆上所需传感器的成本。

我们之前提到过,除了特斯拉之外,大部分主机厂和Tier1都认为,每一辆实现L3级别的自动驾驶车辆需要配备激光雷达。而老黄认为,在DeepLearning的驱动下,现有量产级别传感器以及高精度地图技术的潜力将被进一步挖掘,从而在一定程度上打破L3级别自动驾驶对激光雷达的依赖。由于目前激光雷达的成本和量产时间是实现L3自动驾驶的主要瓶颈之一,老黄相信,我们有可能在今年年底到2018年间就实现L3级别的自动驾驶,在2018年底到2019年实现L4。

在德国当着无数汽车行业的人给出这样的观点,老黄就这样把他的「黄氏定律」带到了汽车圈。

带着女儿来专访

演讲之后,在BCW场地旁边的一个酒店会议室中,我又再一次见到了老黄。专访的一开始,老黄就给了在座的媒体一个惊喜:「今天我的女儿也跟我一起来了,有我女儿看着,你们要对我好一点哦。」这样的画风也让整个专访氛围一下子变成了科技公司的轻松范儿。

在向大家介绍完了自己的女儿之并复盘了一下自己的演讲之后,老黄开始回答起了大家的问题。

1  2  下一页>  
声明: 本文由入驻OFweek公众平台的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

我来说两句

(共0条评论,0人参与)

请输入评论

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号