Lorsqu'une voiture autonome parcourt une route, même l'environnement le plus simple génère d'énormes quantités de données chaque minute, car les capteurs et les caméras capturent en permanence une vue à 360 degrés de l'environnement de la voiture.
Véhicule Torc traversant Seattle.
Les « yeux » de notre voiture sont composés de radar, de LiDAR et de caméras. Ils travaillent ensemble pour collecter des informations sur la route en temps réel, notamment des objets, des panneaux, des lignes de voie et des feux de circulation. La prochaine étape consiste à donner un sens à toutes ces données. Nos voitures autonomes utilisent un composant informatique clé issu de la technologie des jeux vidéo :l'unité de traitement graphique (GPU).
Le GPU est connu pour ses applications dans les graphismes de jeux vidéo, où sa capacité à traiter de grandes quantités de données à la fois est utilisée pour générer les pixels et les formes qui composent le jeu. À mesure que les GPU sont devenus plus puissants, d'autres applications de cette technologie ont émergé, notamment celles de l'intelligence artificielle et des voitures autonomes.
Nous utilisons les GPU NVIDIA Pascal Architecture pour effectuer la formation et l'inférence pour notre système autonome depuis le début de notre programme actuel de voiture autonome. Ils sont utilisés dans des serveurs à l'extérieur du véhicule pour former et affiner nos algorithmes, ainsi que dans la voiture pour détecter et catégoriser les données des capteurs.
Ben Hastings, directeur de la technologie de Torc, déclare :"Les GPU NVIDIA nous permettent de former et de déployer rapidement des réseaux de neurones et d'autres algorithmes massivement parallèles qui permettent à nos véhicules de donner un sens au monde qui les entoure."
Pour créer un système capable de prendre des décisions intelligentes sur la route, nous utilisons des réseaux de neurones profonds, conçus pour apprendre de la même manière que le cerveau humain. Nos algorithmes sont formés à l'aide de serveurs de GPU qui simulent des scénarios sur la route. Grâce à l'apprentissage en profondeur, nous pouvons rapidement améliorer la classification et la prise de décision du système sans avoir à conduire physiquement la voiture autonome dans tous les scénarios possibles. Par exemple, nous pouvons entraîner le système à reconnaître les panneaux de limitation de vitesse en fournissant au réseau des données sur une variété de panneaux. Une fois sur la route, il peut reconnaître un nouveau panneau de limitation de vitesse passé sur la route en temps réel, sans avoir besoin de préprogrammer à l'avance les informations sur chaque panneau de vitesse.
Les applications s'étendent également au rendu d'objets et aux superpositions sur nos écrans de vidéo en temps réel de la route. Au fur et à mesure que les capteurs et les caméras transmettent des informations au système, les GPU traduisent les données brutes en images qui affichent ce que la voiture "voit" d'une manière qui imite plus fidèlement ce qu'un humain verrait.
Des entreprises comme NVIDIA continuent de faire évoluer la conception et les performances de leur GPU, passant d'équipements à usage plus général à des unités spécialement conçues pour les systèmes de voiture autonomes. Par exemple, des GPU puissants mais économes en énergie sont essentiels pour la production de masse de voitures autonomes, en particulier lorsqu'elles sont utilisées sur des véhicules électriques. De nouvelles innovations sont apportées chaque jour, et chaque amélioration est un pas de plus vers l'accessibilité du transport autonome à tous.
