Nvidia открыла доступ к своим глубоким нейросетям для создания автономного транспорта

20 декабрь, 2019 - 16:25

Nvidia открыла доступ к своим глубоким нейросетям для создания автономного транспорта

Компания Nvidia объявила об открытии доступа для транспортной индустрии к своим глубоким нейросетям Nvidia DRIVE (DNN), предназначенным для создания автономного транспорта, в репозитарии контейнеров Nvidia GPU Cloud (NGC).

Сообщается, что Nvidia открывает доступ разработчикам к своим обученным ИИ-моделям и обучающему коду. С помощью ИИ-инструментов NVIDIA разработчики могут кастомизировать и усложнять данные модели, чтобы увеличить надежность и возможности своих самоуправляемых систем.

«Автономный транспорт с ИИ — это программно-определяемый транспорт, который может работать в любой точке мира на базе широкого набора данных, — говорит Дженсен Хуанг (Jensen Huang), учредитель и генеральный директор Nvidia. — Предоставляя разработчикам доступ к нашим DNN и передовым обучающим инструментам для оптимизации их под разные наборы данных, мы обеспечиваем совместное обучение для разных стран и компаний без потери прав собственности и конфиденциальности данных. В конечном итоге, мы превращаем мир автономного транспорта в реальность».

ИИ является ключевым компонентом при разработке безопасных самоуправляемых автомобилей, позволяя им воспринимать и реагировать на окружение в реальном времени. В его основе лежат десятки DNN, работающих с избыточными разноплановыми задачами, обеспечивая точное восприятие окружения, определение местонахождения и планирование маршрута.

Nvidia уже много лет разрабатывает и обучает DNN, работающие на платформе Nvidia DRIVE AGX, превращая сырые данные с датчиков в глубокое понимание мира. Данные DNN работают с такими задачами, как распознавание светофоров и знаков, объектов (для транспорта, пешеходов, велосипедов) и дорожной разметки, а также отслеживание взгляда и распознавание жестов внутри автомобиля.

Помимо открытия доступа к DNN Nvidia объявила о доступности инструментов, позволяющих разработчикам изменять DNN Nvidia с помощью своих наборов данных и целевого набора характеристик. Эти инструменты позволяют обучать DNN с помощью активного обучения, объединенного обучения и переноса обучения:

• Активное обучение повышает точность модели и сокращает расходы на сбор данных за счет автоматизации подбора данных с помощью ИИ.

• Объединенное обучение позволяет компаниям использовать наборы данных в разных странах и компаниях при сохранении прав собственности и конфиденциальности данных.

• Перенос обучения позволяет пользователям DRIVE ускорять разработку своего ПО сбора данных благодаря большим инвестициям NVIDIA в автономный транспорт и дальше совершенствовать данные сети для своих приложений и целей.