近年来，自动驾驶技术一直是研究的热点。特斯拉已经开发出一种系统，可以在车辆较少的道路上实现自动驾驶，据说该系统将在大约两年后投入使用。在过去的9个月中，Nvidia工程团队使用了摄像头，Drive-PX嵌入式计算机和72个小时的培训数据来开发自动驾驶汽车。在康奈尔研究图书馆拥有的arXiv.org（世界上最大的预印本系统）上，Nvidia以学术预印本的形式发布了DAVE2研究的结果，标题为“端到端”。学习自动驾驶汽车。” Nvidia的项目称为DAVE2。为什么这样命名？因为美国国防部高级研究计划局（Defense Advanced Research Projects Agency）拥有一个名为DARPA自动驾驶汽车（DAVE）的项目。尽管神经网络和自动驾驶汽车似乎是新发明的技术，但实际上，谷歌的Geoffrey Hinton，Facebook的Yann Lecune和蒙特利尔大学的Yoshua Bengio一直在过去20年进行合作研究。这些技术是AI驱动的。分店。 DARPA DAVE项目应用于研究神经网络自动驾驶汽车。它的前身是由卡内基·梅隆（Carnegie Mellon）于1989年提出的ALVINN项目。事情发生了变化：由于GPU的发展，研究在经济上变得可行。神经网络和图像识别应用程序（例如自动驾驶汽车）最近发生了巨大的爆炸。主要有两个原因。第一个是用于在手机上渲染图像的GPU已经非常强大且便宜。在板级超级计算机上大规模加载GPU可以很好地解决巨大的并行神经网络问题，而且其价格也足够便宜。每个AI研究人员和软件开发人员都能负担得起。其次，已经有一个大型的，带有标签的图像数据集，我们可以使用它来训练大型的并行神经网络。这些神经网络由GPU执行，可以看到和感知相机捕获的对象。绘制人类驾驶模式Nvidia团队训练了一个卷积神经网络，该网络可以绘制由单个前置摄像头捕获的原始像素，该摄像头直接与驾驶命令相连。英伟达技术的突破在于，无人驾驶汽车可以通过观看人类驾驶来自我学习。尽管操作系统使用摄像头和Drive-PX嵌入式计算机，但培训系统使用三台摄像头和两台计算机，它们可以捕获3D视频图像和转向角（来自人为驾驶的汽车），该信息可以训练系统学习“看到”和“驾驶”能力。 Nvidia将监视转向角的变化，将其用作训练信号，然后将人的驾驶模式映射到相机记录的位图图像。该系统使用卷积神经网络来定义用于驱动处理步骤的内部表示，例如检测有用的道路特征。线，汽车和道路轮廓。自动驾驶汽车将感知道路状况，其他汽车和障碍物。开源机器学习系统Torch 7将对处理过程进行深入学习，然后使用它来操纵测试车。实际训练是以每秒10帧的速度进行的，因为即使速度达到30帧，差异也不会很大，学习的价值也不会增加。测试车辆包括2016年的林肯MKZ和2013年的福特福克斯。机器学习处理的核心是使用Torch 7构建的卷积神经网络来模拟操纵。由人类驾驶的汽车将拍摄10fps的图像，而卷积神经网络将发出操纵命令以模拟对10fps图像的响应。研究人员需要将模拟响应与人类转向角进行比较。一个是人的转向角，另一个是由卷积神经网络模拟的操纵命令。它可以教导系统“看到”消息的能力。和“操纵”。研究人员需要比较两者并分析差异。汽车将在测试路线上行驶3个小时，总里程相当于100英里，行程将被记录为视频，并且模拟中使用的测试数据来自视频。道路测试当卷积神经网络很好地模拟驾驶时，可以对测试车辆进行进一步的机器学习并在高速公路上进行测试。公路测试可以改善系统。驾驶员需要在整个过程中对无人驾驶汽车进行监督，并在系统出现故障时及时进行干预。每次进行校正时，结果都将输入到机器学习系统中，以提高操纵过程的准确性。在新泽西州Turnpike驾车期间，第一个1