コンチネンタルの自動運転車| NVIDIAスーパーコンピュータ
- 詳細
- ヒット数：5288
開発時間 自動運転車 短くする。 それを行うには、ビルドします コンチネンタル と Nvidia DGX AI システムに基づく高性能コンピューター クラスター。 仮想データ生成、 人工知能 自動運転車のシミュレーションは、最も強力な企業の将来のコア タスクです。 スーパーコンピュータ ザ 自動車産業.
技術記事の内容
この目的のために、コンチネンタルは独自の Nvidia インフィニバンド 接続された DGXスーパーコンピューター 投資した。 それのために 人工知能 （AI）指向のハイエンドシステムは、2020年の初めからフランクフルトアムマインのデータセンターで運用されており、開発者にグローバルなコンピューティングパワーとストレージスペースを提供しています。 人工知能は自動運転車の開発を加速するだけでなく、運転支援システムを改善し、モビリティをよりインテリジェントにします。
同時実験で14倍の増加
「スーパーコンピューターは私たちの未来への投資です」と言います クリスチャンシューマッハ、コンチネンタルのドライバーアシスタンスシステムビジネスユニットのプログラム管理システムの責任者。 「最先端のシステムは、少なくとも14倍以上の実験を同時に実行できるため、ニューラルネットワークのトレーニングにかかる時間を短縮します。」 自律型車両用のDGXクラスターを使用 、ディープラーニングと仮想データの生成は、はるかに速く実装できます。
E / E開発環境でAutosarを最大限に活用してください
「パートナーを探すときは、品質とスピードのXNUMXつに注意を払います」とクリスチャンシューマッハは言います。 「このプロジェクトは 野心的なスケジュール XNUMX年未満で設定および実装されます。 徹底的なテストと適切な企業の検索を行った結果、Nvidiaを決定しました。これは、世界で最も高速なスーパーコンピュータの多くを装備しています。」
「Nvidia DGXシステムは、 コンチネンタルAIスーパーコンピューティング Nvidiaのエンタープライズコンピューティングディレクター、Manuvir Das氏は、簡単に実装できる、費用対効果の高い、企業全体のソリューションであると語った。 「Infinibandに接続されたDGX PODを 自動運転車のトレーニング Continentalは、明日の最もインテリジェントな車両と、それらの設計に使用されるITインフラストラクチャを開発しています。」
自律移動への道における最大の課題のXNUMXつは、複雑な運転状況をマスターすることです。
スケーラブルなスーパーコンピューターで自動運転車を開発する
スーパーコンピューターは 50以上のDGXMellanox Infinibandネットワークに接続されたシステム。 現在によれば、ハイエンドシステム TOP500一覧-スーパーコンピューターは、世界中の自動車産業をリードしています。
将来的にクラウドソリューションを通じて必要な容量とストレージスペースに対応できるようにするために、開発者は ハイブリッドアプローチ 選出。 「スーパーコンピューターはITインフラストラクチャテクノロジーの傑作です」とクリスチャンシューマッハは言います。 「すべての詳細はチームによって慎重に計画されました-将来の拡張のためのスケーラビリティを備えた今日の完全なパフォーマンスと機能を確保するため。」
ディープラーニングは従来のソフトウェアの境界を押し広げます
高度なドライバーアシスタンスシステムは、人工知能に基づいて意思決定を行い、ドライバーが最終的に事故なしに道路を自律的に運転できるようにサポートします。 センサー のような環境のために カメラとレーダー 生データを配信します。 これらのセンサーはインテリジェントシステムをリアルタイムで処理し、これに基づいて交通における車両環境の包括的なモデルを作成し、環境との相互作用の戦略を開発します。
しかし、システムがますます複雑になっているため、従来の機械学習とソフトウェア開発の方法は限界に達しています。 それは呼びます 深層学習 と 計画に。 どちらのテクノロジーも、AIベースのソリューションを開発するための基本的な方法に花を咲かせました。
ニューラルネットワークを数週間ではなく数時間でトレーニングする
ディープラーニングとは、 人工ニューラルネットワーク 機械は経験を処理し、それに基づいて学習し、新しい知識を既存の知識と組み合わせることができます。 このようにして、人間の脳の学習プロセスがシミュレートされます。
ただし、認識 たとえば子供 お母さんまたはお父さんが別の車の数十枚の写真を見せた後の車。 一方、ディープラーニングでは、数百万の画像を使用した数千時間のトレーニングが必要です。 これを行うには、コンピューターはニューラルネットワークをトレーニングするために膨大な量のデータを処理する必要があります。 この方法でのみ、後でドライバーを支援したり、車両を自律的に制御することさえできます。
DGX PODは、この複雑なプロセスにかかる時間を短縮します。 「ニューラルネットワークの完全なトレーニングに必要な時間は、 数週間から数時間にカット となる」とBalázsLórándは言います。 ハンガリーのブダペストにあるコンチネンタルのAIコンピテンスセンターの責任者であるハンガリーは、AIベースのイノベーションのためのインフラストラクチャの開発にチームと協力しています。
「私たちの開発チームは過去数年間で数が増え、経験を積んでいます。 スーパーコンピューターを使用することで、私たちは現在、私たちのニーズに応じてコンピューティング能力をさらに向上させ、開発者の潜在能力を最大限に活用することができます。 バラズ・ロンド 開発のレベル。
自動運転車のデータ
今日まで、これらのニューラルネットワークをトレーニングするためのデータは、主にContiテスト車両の艦隊からのものです。 これらは毎日走ります 15.000テストキロメートル 集めて 100テラバイトのデータ。 現在、このデータは、新しいシステムを再生し、物理的なテストドライブをシミュレートすることにより、新しいシステムのトレーニングに既に使用されています。 このようなデータは、スーパーコンピューターで総合的に生成できるようになりました。 この非常に計算集約型のアプリケーションを使用すると、シミュレーション環境を仮想的にドライブすることで、システムを学習できます。
開発プロセスにはいくつかの利点が考えられます。
- シミュレーション トレーニングシナリオはシステム自体ですぐに作成されるため、物理的に生成されたデータの記録、保存、評価を長期的に置き換えることができます。
- 死 スピード 仮想自動運転の作成者は、実際の自動運転車が数週間必要とする数時間で同じ数のテストキロメートルをカバーするため、増加します。
- 合成された データ システムが変化し、予測できない状況を処理して対応できるようにします。 自動運転車は、変化する極端な気象条件でも安全にナビゲートできます。 歩行者の動きに関する信頼できる予測を行うことができます。 これにより、自動化の度合いが向上します。
人が制御する方法より優れている
彼がDGX PODを選択して設計した主な理由のXNUMXつは、 スケーラビリティ。 機械は、人間が制御する方法よりも速く、よりよく、より包括的に学習できます。 潜在的なパフォーマンスは、進化の各ステップで指数関数的に増加します。
スーパーコンピューターの場所を一台に フランクフルトのデータセンター クラウドプロバイダーとそのAI対応環境に近いために選択されました。 人工知能には、特別な冷却システム、接続、および電源が必要です。 スーパーコンピュータは、認定されたグリーン電力で稼働しています。 GPUクラスター（GPU =グラフィックスプロセッシングユニット）は、中央処理装置（CPU =中央処理装置）。