热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

英伟达挑战「跨级赛道」,L4级自动驾驶进入“车规级低成本”时代

自动驾驶商业化服务的“春天”即将来临。昨天,英伟达宣布包括元戎启行、文远知行、云骥智行在内的一批中国自动驾驶初创公司将加入DRIVEHyperion生态࿰

自动驾驶商业化服务的“春天”即将来临。

昨天,英伟达宣布包括元戎启行、文远知行、云骥智行在内的一批中国自动驾驶初创公司将加入DRIVE Hyperion生态,搭载按需定制的DRIVE Hyperion™ 8可编程平台架构,基于端到端解决方案来加速自动驾驶开发。

而在今年初,另一家中国自动驾驶初创公司小马智行也宣布,基于英伟达车规级DRIVE Orin™ ,实现核心计算单元从工业级到车规级的里程碑式突破。

在此之前,英伟达已经先后拿下奔驰、沃尔沃、捷豹路虎、蔚来、理想、小鹏、比亚迪等多家车企的下一代计算平台前装订单。

“车规级”三个字,对于L4级自动驾驶来说,重要性有多大?

按照小马智行的官方披露,下一代自动驾驶软硬件系统的车规量产,意味着加速L4自动驾驶技术的规模化部署。在此之前,大部分L4级自动驾驶公司基于工业级或者没有在前装规模化量产的计算平台开发系统,主要目的是用于系统的原型验证和测试。

而元戎启行也认为,将DRIVE Hyperion集成到其L4级自动驾驶系统中,意味着完整的汽车级平台将是公司向市场投放可量产L4级自动驾驶计划的关键。

当然,类似的前装计算平台方案,英伟达并非唯一。比如,基于地平线最新一代高算力车规级AI芯片——征程5打造的整车计算平台Matrix5,它全面适配地平线领先的算法软件模块,硬件配置可定制,开放灵活易用又可自主创新。


一、

DRIVE Hyperion™,是什么?

这是英伟达在去年底推出的一款端到端的模块化开发平台和参考架构,可以用于L4级自动驾驶。包括NVIDIA DRIVE AGX Orin™、DRIVE AGX Pegasus和DRIVE Hyperion™开发工具包,并且基于即将量产的NVIDIA DRIVE Orin计算平台。

这个可扩展的平台包括基础的NVIDIA DRIVE®SDK-DRIVE OS和driveworks,以及在自动驾驶开发中提供最高级别安全性和效率的传感器。

这其中,NVIDIA DRIVE Hyperion™7.1是L2+级自动辅助驾驶解决方案的参考架构,包括完整的传感器套件和AI计算平台,以及用于自动驾驶、驾驶员监控和可视化的完整软件堆栈。

而NVIDIA DRIVE Hyperion™8.1则适用于L4级自动驾驶平台开发,整套工具包可以集成到测试车上,开发人员能够快速实现开发、评估和验证技术。同时,基于NVIDIA DRIVE OTA更新工具和服务,实现软件更新。

这一套基于大算力车规级Orin的AI计算、完整的传感器集和完整的软件堆栈。同时,这套方案提供传感器校准、时间同步、数据压缩、虚拟仿真(NVIDIA DRIVE Sim™)等等服务。

其中,Orin采用了六种不同类型的处理器,包括 CPU、GPU、深度学习加速器 (DLA)、可编程视觉加速器 (PVA)、图像信号处理器 (ISP) 和立体/光流加速器,并采用了冗余与多样化策略,以确保自动驾驶系统的安全运行。

此外,英伟达通过与索尼(摄像头)、大陆集团(4D毫米波雷达、长距雷达)、海拉(短距毫米波雷达)、法雷奥(超声波传感器)、Luminar(激光雷达)、U-Blox(GPS)、禾赛科技(真值系统)等多家厂商合作,提供参考设计。

和DRIVE AGX Orin开发套件(Tier1仍然起到比较关键的作用)相比,DRIVE Hyperion™实际上更强调英伟达希望给到下游应用合作伙伴更完整的自动驾驶开发能力。

而在此之前,L4级自动驾驶公司大多数都是通过零散的外部开发工具、定制化的非车规级传感器以及部分自研的能力,比如仿真测试、真值系统等等。

除此之外,英伟达通过去年收购的高精度地图公司DeepMap,正式发布了Drive Map,这是一款多模态地图引擎,并计划到2024年在北美、欧洲和亚洲进行50万公里的数据采集,为L3/L4级自动驾驶提供嵌入式的厘米级精度导航功能。

至此,Orin/Atlan计算平台、Drive Map地图引擎再加上Hyperion开发平台,意味着英伟达不再只是一家传统的汽车芯片提供商,而是一个横跨硬件和软件生态系统的全栈方案商。

此外,昨天英伟达还宣布了基于下一代Atlan计算平台的新一代DRIVE Hyperion架构,将于2026年开始进入量产周期,支持14个摄像头、9个毫米波雷达、3个激光雷达和20个超声波传感器,以及舱内的3个摄像头和一个毫米波雷达。

同时,Drive Hyperion可实现跨代兼容:可以从Orin无缝迁移到Atlan或未来的更高版本。这对于终端用户来说,意味着只要选择了英伟达平台,就不用担心后续的硬件更新可能带来的额外软件开发成本。

这也是行业的大势所趋。

比如,地平线征程系列芯片持续迭代,第三代车规级AI芯片征程5兼具大算力和高性能,是目前业内唯一经过前装量产验证的国产自动驾驶芯片,在自动驾驶关键任务下,算效表现优于Orin。在大算力自动驾驶芯片市场上,地平线征程5也是英伟达Orin在中国市场上强有力的竞争对手。


二、

性能、成本、灵活和开放性、可迁移以及面向消费级和出行服务的规模化成本均摊,使得在当下行业可选计算平台上,英伟达等芯片厂商都在构建自己的“护城河”。

按照目前已经公开的信息,部分自动驾驶初创公司已经把NVIDIA DRIVE Hyperion™平台的量产时间设定在2023年第一季度。考虑到英伟达Orin将从今年开始进入面向私人用户的前装乘用车市场,这意味着,计算平台的成本将有机会实现快速下降。

英伟达此次给出的订单数据显示,截至目前,该公司已经拿到的Orin、DRIVE Hyperion™等一系列软硬件方案的订单合同总计110亿美元,将在未来六年进行交付。这意味着,对于L4级自动驾驶公司来说,是一个可见的成本下降空间。

“这一进展标志着我们的L4级解决方案在商业化方面又迈出了重要一步。”在元戎启行首席执行官周光看来,通过将自研的推理引擎和算法快速集成到DRIVE Hyperion™,将大幅降低车辆设计和验证成本。

按照计划,元戎启行推出的DeepRoute-Driver 2.0平台,将配备两颗DRIVE Orin(算力达到508TOPS),同时应对感知、决策以及深度神经网络算法。

在传感器端,这套成本不到1万美元的系统将搭载三颗来自一径科技的ML-30s近程(大角度MEMS)激光雷达、速腾聚创第二代智能固态激光雷达RS-LiDAR-M1和8个高清摄像头。

而在产品规划上,2022年到2023年,元戎启行将拓展与主机厂的深度技术合作,研发出车规级前装量产方案,预计到2024年,搭载L4级自动驾驶系统的汽车将开始量产并大规模进入市场。

这些都得益于消费级与出行/物流自动驾驶服务两个赛道的协同。

比如,在Mobileye公司看来,Robotaxi和消费级别的自动驾驶之间的关系不是相互冲突的,而是相互协同的,建立这一关系非常重要。

“我们现在之所以能够负担得起消费级别的自动驾驶功能,是因为在我们的Robotaxi解决方案中,对系统的成本采取了非常严格的设计限制。”Mobileye产品及战略执行副总裁Erez Dagan表示。

实际上,不管是小马智行,还是元戎启行,这些自动驾驶初创公司也在加紧与车企进行深度合作。比如,小马智行面向L4车规级的量产方案正在丰田定制版的Sienna上进行验证测试,后者是丰田第一个从现有生产线开始交付的量产自动驾驶车型。

反过来,消费级市场的快速规模化优势,又驱动车规级软硬件的成本下降。而这些成本仍然是目前L4级自动驾驶,尤其是Robotaxi规模化部署的瓶颈之一。

比如,地平线去年宣布与上汽集团、长城汽车、江汽集团、长安汽车、比亚迪、哪吒汽车、岚图汽车众多汽车厂商达成征程5芯片首发量产合作意向,并与理想汽车达成基于征程5的预研合作,加快推动高等级自动驾驶功能的普及上车,并获得多家车企的量产定点。目前,地平线是国内唯一、全球唯三实现车规级人工智能芯片前装量产的企业。

“消费级自动驾驶是行业的终局游戏。”在Mobileye首席执行官Amnon Shashua看来,通过开发整个自动驾驶解决方案(从硬件和软件,从地图到端到端模型),能够实现性能和成本的最大程度的优化。

实际上,摆在消费级和出行/物流等商用服务的分岔路,最终还是殊途同归。而对于当下的汽车芯片厂商来说,能力上限将决定未来市场份额的位次。


推荐阅读
  • 通过使用CIFAR-10数据集,本文详细介绍了如何快速掌握Mixup数据增强技术,并展示了该方法在图像分类任务中的显著效果。实验结果表明,Mixup能够有效提高模型的泛化能力和分类精度,为图像识别领域的研究提供了有价值的参考。 ... [详细]
  • 能够感知你情绪状态的智能机器人即将问世 | 科技前沿观察
    本周科技前沿报道了多项重要进展,包括美国多所高校在机器人技术和自动驾驶领域的最新研究成果,以及硅谷大型企业在智能硬件和深度学习技术上的突破性进展。特别值得一提的是,一款能够感知用户情绪状态的智能机器人即将问世,为未来的人机交互带来了全新的可能性。 ... [详细]
  • 从2019年AI顶级会议最佳论文,探索深度学习的理论根基与前沿进展 ... [详细]
  • 独家解析:深度学习泛化理论的破解之道与应用前景
    本文深入探讨了深度学习泛化理论的关键问题,通过分析现有研究和实践经验,揭示了泛化性能背后的核心机制。文章详细解析了泛化能力的影响因素,并提出了改进模型泛化性能的有效策略。此外,还展望了这些理论在实际应用中的广阔前景,为未来的研究和开发提供了宝贵的参考。 ... [详细]
  • TypeScript 实战分享:Google 工程师深度解析 TypeScript 开发经验与心得
    TypeScript 实战分享:Google 工程师深度解析 TypeScript 开发经验与心得 ... [详细]
  • 视觉图像的生成机制与英文术语解析
    近期,Google Brain、牛津大学和清华大学等多家研究机构相继发布了关于多层感知机(MLP)在视觉图像分类中的应用成果。这些研究深入探讨了MLP在视觉任务中的工作机制,并解析了相关技术术语,为理解视觉图像生成提供了新的视角和方法。 ... [详细]
  • 图像分割技术在人工智能领域中扮演着关键角色,其中语义分割、实例分割和全景分割是三种主要的方法。本文对这三种分割技术进行了详细的对比分析,探讨了它们在不同应用场景中的优缺点和适用范围,为研究人员和从业者提供了有价值的参考。 ... [详细]
  • 深度森林算法解析:特征选择与确定能力分析
    本文深入探讨了深度森林算法在特征选择与确定方面的能力。提出了一种名为EncoderForest(简称eForest)的创新方法,作为首个基于决策树的编码器模型,它在处理高维数据时展现出卓越的性能,为特征选择提供了新的视角和工具。 ... [详细]
  • NVIDIA最新推出的Ampere架构标志着显卡技术的一次重大突破,不仅在性能上实现了显著提升,还在能效比方面进行了深度优化。该架构融合了创新设计与技术改进,为用户带来更加流畅的图形处理体验,同时降低了功耗,提升了计算效率。 ... [详细]
  • 在序章二中,我们了解到Bingo是一位重度强迫症患者,对细节有着极致的追求。他不仅能在深夜专注编程,还能在假期留校进行项目布局,甚至会在凌晨骑行上山观赏日出,与朋友一同畅游钱塘江。他的性格豪爽大方,乐于与他人分享自己的经验和心得,撰写了一本名为《从零开始》的著作。 ... [详细]
  • Java并发机制详解及其在数据安全性保障中的应用方案 ... [详细]
  • 初探性能优化:入门指南与实践技巧
    在编程领域,常有“尚未精通编码便急于优化”的声音。为了从性能优化的角度提升代码质量,本文将带领读者初步探索性能优化的基本概念与实践技巧。即使程序看似运行良好,数据处理效率仍有待提高,通过系统学习性能优化,能够帮助开发者编写更加高效、稳定的代码。文章不仅介绍了性能优化的基础知识,还提供了实用的调优方法和工具,帮助读者在实际项目中应用这些技术。 ... [详细]
  • 【图像分类实战】利用DenseNet在PyTorch中实现秃头识别
    本文详细介绍了如何使用DenseNet模型在PyTorch框架下实现秃头识别。首先,文章概述了项目所需的库和全局参数设置。接着,对图像进行预处理并读取数据集。随后,构建并配置DenseNet模型,设置训练和验证流程。最后,通过测试阶段验证模型性能,并提供了完整的代码实现。本文不仅涵盖了技术细节,还提供了实用的操作指南,适合初学者和有经验的研究人员参考。 ... [详细]
  • 浅层神经网络解析:本文详细探讨了两层神经网络(即一个输入层、一个隐藏层和一个输出层)的结构与工作原理。通过吴恩达教授的课程,读者将深入了解浅层神经网络的基本概念、参数初始化方法以及前向传播和反向传播的具体实现步骤。此外,文章还介绍了如何利用这些基础知识解决实际问题,并提供了丰富的实例和代码示例。 ... [详细]
  • 超分辨率技术的全球研究进展与应用现状综述
    本文综述了图像超分辨率(Super-Resolution, SR)技术在全球范围内的最新研究进展及其应用现状。超分辨率技术旨在从单幅或多幅低分辨率(Low-Resolution, LR)图像中恢复出高质量的高分辨率(High-Resolution, HR)图像。该技术在遥感、医疗成像、视频处理等多个领域展现出广泛的应用前景。文章详细分析了当前主流的超分辨率算法,包括基于传统方法和深度学习的方法,并探讨了其在实际应用中的优缺点及未来发展方向。 ... [详细]
author-avatar
万梅同芳正当时
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有