全新NVIDIA DRIVE Labs視頻系列詳細介紹了自動駕駛的構建模塊，帶您一探究竟NVIDIA DRIVE軟件的“廬山真面目”。

Editor’s note

目前還沒有任何一個開發商或公司成功創造出全自動駕駛的汽車。但我們距離這個目標越來越近了。通過全新的DRIVE Labs博客系列，我們將以工程技術為重點的視角針對每一個開放的挑戰進行觀察，從路徑感知到交叉路口處理，我們將介紹NVIDIA DRIVE AV軟件團隊如何應對問題并創建安全可靠的自動駕駛軟件。

DRIVE Labs系列視頻第一集：

我們如何為自動駕駛汽車構建路徑感知

任務：通過多樣性和冗余建立路徑感知可靠性

方法：路徑感知集成

在行駛期間，相信自動駕駛汽車能夠利用數據感知并選擇正確的行駛路徑至關重要。我們將此種信任稱之為路徑感知可靠性。

對于L2+級自動駕駛系統來說，例如NVIDIA DRIVE AP2X平臺，實時評估路徑感知可靠性意味著評估該系統是否知道何時進行安全的自主操作，以及何時應該將操作權移交給人類駕駛員。

為了驗證路徑感知的可靠性，我們在硅谷全長50英里的高速公路環路上完成了一次零干預的全自動駕駛。這意味著自動駕駛系統可以自主處理高速公路交叉路況，車道變化，避免駛入錯誤出口，甚至在曲率較大的路面以及車道標記有限的情況下也能讓汽車保持在正確的車道內行駛。所有這些操作都應當以讓人類駕駛員感到平穩舒適的方式進行。

測試的實時性是挑戰的關鍵所在。在離線測試中，比如分析預先錄制好的鏡頭，我們始終可以將路徑感知信號與理想的參數進行對比。然而，當信號在行駛的汽車中實況運行時，我們無法從地面實況數據中獲益。

因此，在實況測試中，如果汽車僅在一種路徑感知信號下行駛，則無法保證置信度的實時正確性。此外，如果唯一的路徑感知輸入失敗，自動駕駛功能也許會失靈；就算功能不失靈，也可能導致操作的舒適度和平穩度有所降低。

從獨立網絡到路徑感知集成

為了建立實時的置信度，我們在路徑感知軟件中引入了多樣性和冗余。

我們將幾種不同的路徑感知信號進行組合，包括三種不同的深度神經網絡輸出，以及作為選擇之一的高清地圖。事實上，不同類型的信號帶來了多樣性；同時，它們又都在感知可行駛的路徑，于是就創造了冗余。

由各種深度神經網絡（DNN）產生的路徑感知信號在很大程度上是相互獨立的。 這是因為各種DNN在訓練數據，編碼，模型架構和訓練輸出方面都是完全不同的。

高置信度路徑感知集成示例（包括左車道，汽車所在車道以及右車道的中心路徑）。高置信度的結果在可視化中呈現出粗的綠色中心路徑線條。實心的白色線代表車道預測線，也是由集成計算得出。

通過訓練，各種不同的DNN可以針對不同情況進行預測。例如，我們的LaneNet DNN可以預測車道線路。無論是否存在車道線路，PathNet DNN都可以預測能夠定義可行駛路徑的范圍。PilotNet DNN能夠根據人類駕駛員的駕駛軌跡預測駕駛中心路徑。

我們通過集成技術將不同路徑感知的輸出結合在一起。它是一種機器學習方法，該方法結合了幾種基本模型并創建了一個最佳預測模型。

通過對不同路徑感知信號的一致及不一致情況的分析，我們建立并測量了汽車在實況駕駛中的路徑感知可靠性，獲得了更高質量的整體結果。

該分析通過可視化的方式進行呈現。當信號分量非常一致時，表示指定中心路徑預測的粗線將會呈現出綠色；而當它們不一致時，則會變成紅色。

由于我們的方法基于多樣性，因此出現系統級故障的可能性較小。從安全角度來看，這是非常有益的。

可靠駕駛

利用多樣性和冗余創建的路徑感知可靠性能夠使我們對所有潛在路徑進行評估，包括車輛所處車道以及車輛左右車道的中心路徑及車道線預測，變道、分道及并道，以及遇到障礙物時的車道分配。

在駕駛期間，多個路徑感知DNN與障礙物感知和追蹤功能一起在車內運行。 為了同時運行這些任務以保證自動駕駛車輛的安全，高性能計算顯得尤為重要。

路徑感知集合軟件功能將在NVIDIA DRIVE Software 9.0中發布。