Auto a guida autonoma con Continental | Supercomputer Nvidia
- Dettagli
- Hits: 5315
Il tempo di sviluppo per auto a guida autonoma accorciare. Per farlo, costruisci Continentale , Nvidia un cluster di computer ad alte prestazioni basato sul sistema DGX AI. generazione di dati virtuali, Intelligenza artificiale e la simulazione di veicoli autonomi sono i futuri compiti principali dei più potenti supercomputer il Industria automobilistica.
Contenuto dell'articolo tecnico
- Aumento di 14 volte negli esperimenti simultanei
- Sviluppo di auto a guida autonoma con supercomputer scalabili
- Superiore al metodo controllato dall'uomo
A tal fine, Continental ha il suo Nvidia Infiniband collegato Supercomputer DGX investito. Quello per intelligenza artificiale Il sistema di fascia alta orientato (AI) è stato utilizzato in un data center a Francoforte sul Meno dall'inizio del 2020 e fornisce agli sviluppatori potenza di calcolo e spazio di archiviazione globali. L'intelligenza artificiale non solo accelera lo sviluppo delle auto a guida autonoma, ma migliora anche i sistemi di assistenza alla guida e rende la mobilità più intelligente.
Aumento di 14 volte negli esperimenti simultanei
"Il supercomputer è un investimento nel nostro futuro", afferma Cristiano Schumacher, Responsabile dei sistemi di gestione dei programmi nella business unit Sistemi di assistenza alla guida presso Continental. "Il sistema all'avanguardia riduce il tempo necessario per addestrare le reti neurali, poiché è possibile eseguire almeno 14 volte più esperimenti contemporaneamente". Con il quadro DGX per il veicolo autonomo Simulazione, Il deep learning e la generazione di dati virtuali possono essere implementati molto più velocemente.
Utilizzate ora Autosar con l'ambiente di sviluppo E / E
"Quando cerchiamo un partner, prestiamo attenzione a due cose: qualità e velocità", afferma Christian Schumacher. “Il progetto è nato con un programma ambizioso istituito e implementato in meno di un anno. Dopo test intensivi e la ricerca di aziende adatte, abbiamo deciso di utilizzare Nvidia, che equipaggia molti dei supercomputer più veloci al mondo ".
“I sistemi Nvidia DGX offrono innovatori come Supercomputer IA continentale in una soluzione conveniente, a livello aziendale e facile da implementare ", ha affermato Manuvir Das, Director of Enterprise Computing di Nvidia. “Utilizzando il DGX POD collegato a Infiniband per Formazione di veicoli autonomi Continental sviluppa i veicoli più intelligenti di domani, nonché l'infrastruttura IT utilizzata per progettarli ".
Una delle maggiori sfide sulla strada per la mobilità autonoma è padroneggiare situazioni di guida complesse.
Sviluppa auto a guida autonoma con supercomputer scalabili
Il supercomputer è composto da più di 50 DGXSistemi collegati alla rete Mellanox Infiniband. Il sistema di fascia alta, secondo la corrente Elenco dei TOP500-I supercomputer assumono un ruolo guida nel settore automobilistico in tutto il mondo.
Per essere in grado di reagire in futuro alla capacità e allo spazio di archiviazione richiesti tramite soluzioni cloud, gli sviluppatori ne hanno una approccio ibrido eletto. "Il supercomputer è un capolavoro della tecnologia dell'infrastruttura IT", afferma Christian Schumacher. "Ogni dettaglio è stato attentamente pianificato dal team, per garantire prestazioni e funzionalità complete oggi, con scalabilità per espansioni future".
Il deep learning supera i confini del software tradizionale
Sulla base dell'intelligenza artificiale, i sistemi avanzati di assistenza alla guida prendono decisioni e supportano i conducenti in modo che possano infine guidare autonomamente sulle strade senza incidenti. sensori per l'ambiente piace Fotocamera e radar fornire i dati grezzi. Questi sensori elaborano sistemi intelligenti in tempo reale, creano un modello completo dell'ambiente del veicolo nel traffico basato su questo e sviluppano una strategia per l'interazione con l'ambiente.
Ma poiché i sistemi stanno diventando sempre più complessi, i metodi tradizionali di apprendimento automatico e sviluppo software stanno raggiungendo i loro limiti. Quello chiama Deep Learning , Simulazione sul piano. Entrambe le tecnologie sono diventate i metodi di base per lo sviluppo di soluzioni basate sull'intelligenza artificiale.
Addestra le reti neurali in poche ore anziché in settimane
Apprendimento profondo significa quello rete neurale artificiale la macchina è in grado di elaborare esperienze, di apprendere sulla base di esse e di combinare la nuova conoscenza con quella esistente. In questo modo viene simulato il processo di apprendimento del cervello umano.
Tuttavia, riconosce per esempio un bambino una macchina dopo che mamma o papà gli hanno mostrato alcune dozzine di foto di macchine diverse. Il deep learning, d'altra parte, richiede diverse migliaia di ore di formazione con milioni di immagini. Per fare ciò, il computer deve elaborare enormi quantità di dati per addestrare una rete neurale. Solo in questo modo può successivamente assistere un conducente o persino controllare un veicolo in modo autonomo.
Il DGX POD riduce il tempo impiegato in questo complesso processo. "Partiamo dal presupposto che il tempo necessario per l'addestramento completo di una rete neurale è tagliare da settimane a ore diventa ", afferma Balázs Lóránd. Il capo del centro di competenza AI di Continental a Budapest, in Ungheria, sta lavorando con i suoi team allo sviluppo dell'infrastruttura per le innovazioni basate sull'IA.
Microcontrollore incorporato certificato per guida automatizzata
“Il nostro team di sviluppo è cresciuto in numero negli ultimi anni e ha acquisito esperienza. Con il supercomputer, ora siamo in grado di scalare ulteriormente la potenza di calcolo in base alle nostre esigenze e di sfruttare appieno il potenziale dei nostri sviluppatori ", descrive Balázs Lórand il livello di sviluppo.
Dati per auto a guida autonoma
Ad oggi, i dati per l'addestramento di queste reti neurali provengono in gran parte dalla flotta di veicoli di prova Conti. Questi corrono ogni giorno Chilometri di prova 15.000 e raccogliere in giro 100 terabyte di dati. Oggi, questi dati vengono già utilizzati per addestrare nuovi sistemi riproducendoli e simulando test drive fisici. Tali dati possono ora essere generati sinteticamente con il supercomputer. Con questa applicazione estremamente intensiva dal punto di vista computazionale, i sistemi possono apprendere guidando virtualmente attraverso un ambiente simulato.
L'interfaccia speciale fornisce potenza, dati + segnale all'auto
Sono ipotizzabili diversi vantaggi nel processo di sviluppo:
- simulazioni può sostituire la registrazione, l'archiviazione e la valutazione dei dati generati fisicamente nel lungo periodo, perché gli scenari di addestramento vengono creati immediatamente sul sistema stesso.
- * Geschwindigkeit è aumentato perché gli autori di guida autonoma virtuale percorrono in poche ore lo stesso numero di chilometri di prova per cui un vero veicolo autonomo necessita di diverse settimane.
- Generato sintetico Dati consentire ai sistemi di elaborare e reagire a situazioni mutevoli e imprevedibili. Le auto a guida autonoma possono essere guidate in sicurezza in condizioni meteorologiche mutevoli ed estreme. Si possono fare previsioni affidabili sul movimento dei pedoni. Ciò aumenta il grado di automazione.
Superiore al metodo controllato dall'uomo
Uno dei motivi principali per cui ha scelto e progettato il DGX POD è stato il suo scalabilità. Le macchine possono apprendere più velocemente, meglio e in modo più completo rispetto a qualsiasi metodo controllato dall'uomo. Le prestazioni potenziali crescono in modo esponenziale con ogni passaggio evolutivo.
La posizione del supercomputer in uno Data center di Francoforte è stato scelto per la sua vicinanza ai fornitori di servizi cloud e al suo ambiente abilitato all'IA. L'intelligenza artificiale richiede sistemi di raffreddamento, connettività e alimentazione speciali. Il supercomputer funziona con elettricità verde certificata. Cluster GPU (GPU = Graphics Processing Unit) sono molto più efficienti dal punto di vista energetico in termini di design rispetto ai cluster basati su unità di elaborazione centrale (CPU = Unità centrale di elaborazione).