Zelfrijdende auto's met Continental | Nvidia-supercomputer

De ontwikkeltijd voor zelfrijdende auto's verkorten. Om dat te doen, build continentaal en Nvidia een krachtig computercluster op basis van het DGX AI-systeem. virtuele gegevensgeneratie, Kunstmatige intelligentie en simulatie van autonome voertuigen zijn de toekomstige kerntaken van de machtigste supercomputers de Automotive Industry.

Inhoud van het technische artikel

• 14-voudige toename van gelijktijdige experimenten
• Zelfrijdende auto's ontwikkelen met schaalbare supercomputers 
  • Deep learning verlegt de grenzen van traditionele software
  • Train neurale netwerken in uren in plaats van weken
  • Gegevens over zelfrijdende auto's
• Superieur aan de door mensen gecontroleerde methode

Hiervoor heeft Continental zijn eigen Nvidia Infiniband verbonden DGX-supercomputers geïnvesteerd. Dat voor kunstmatige intelligentie (AI) -georiënteerd high-end systeem wordt sinds begin 2020 geëxploiteerd in een datacenter in Frankfurt am Main en biedt ontwikkelaars wereldwijde rekenkracht en opslagruimte. Kunstmatige intelligentie versnelt niet alleen de ontwikkeling van zelfrijdende auto's, maar verbetert ook rijhulpsystemen en maakt mobiliteit intelligenter.

14-voudige toename van gelijktijdige experimenten

"De supercomputer is een investering in onze toekomst", zegt Christian Schumacher, Hoofd Program Management Systems in de business unit Driver Assistance Systems bij Continental. "Het state-of-the-art systeem vermindert de tijd die nodig is om neurale netwerken te trainen, aangezien er minstens 14 keer meer experimenten tegelijkertijd kunnen worden uitgevoerd." Met het DGX-cluster voor de zelfrijdende auto Simulatie, Deep learning en het genereren van virtuele gegevens kunnen veel sneller worden geïmplementeerd.

Maak nu volledig gebruik van Autosar met een E / E-ontwikkelomgeving

"Bij het zoeken naar een partner letten we op twee dingen: kwaliteit en snelheid", zegt Christian Schumacher. “Het project kwam tot stand met een ambitieus schema opgezet en geïmplementeerd in minder dan een jaar. Na intensieve tests en het zoeken naar geschikte bedrijven, hebben we gekozen voor Nvidia, dat veel van de snelste supercomputers ter wereld uitrust. "

“Nvidia DGX-systemen bieden innovators zoals Continentale AI-supercomputing in een kosteneffectieve, bedrijfsbrede oplossing die eenvoudig te implementeren is ”, zegt Manuvir Das, directeur enterprise computing bij Nvidia. “Door de met Infiniband verbonden DGX POD te gebruiken voor de Opleiding van autonome voertuigen Continental ontwikkelt de meest intelligente voertuigen van morgen, evenals de IT-infrastructuur die wordt gebruikt om ze te ontwerpen. "

Een van de grootste uitdagingen op weg naar autonome mobiliteit is het beheersen van complexe rijsituaties.

Ontwikkel zelfrijdende auto's met schaalbare supercomputers

De supercomputer bestaat uit meer dan 50 DGXSystemen die zijn aangesloten op het Mellanox Infiniband-netwerk. Het high-end systeem, volgens de huidige Lijst met TOP500-Supercomputers nemen wereldwijd het voortouw in de auto-industrie.

Om in de toekomst met cloudoplossingen te kunnen reageren op de benodigde capaciteit en opslagruimte hebben de ontwikkelaars er een hybride benadering gekozen. "De supercomputer is een meesterwerk van IT-infrastructuurtechnologie", zegt Christian Schumacher. "Elk detail is zorgvuldig gepland door het team - om de volledige prestaties en functionaliteit van vandaag te garanderen, met schaalbaarheid voor toekomstige uitbreidingen."

Deep learning verlegt de grenzen van traditionele software

Op basis van kunstmatige intelligentie nemen geavanceerde rijhulpsystemen beslissingen en ondersteunen ze chauffeurs zodat ze uiteindelijk zonder ongevallen autonoom op de weg kunnen rijden. sensoren voor het milieu zoals Camera en radar leveren de ruwe data. Deze sensoren verwerken intelligente systemen in realtime, creëren op basis hiervan een uitgebreid model van de voertuigomgeving in het verkeer en ontwikkelen een strategie voor interactie met de omgeving.

Maar omdat de systemen steeds complexer worden, lopen traditionele methoden van machine learning en softwareontwikkeling tegen hun grenzen aan. Dat roept Diepe leren en Simulatie op het plan. Beide technologieën zijn uitgegroeid tot de basismethoden voor het ontwikkelen van op AI gebaseerde oplossingen.

Train neurale netwerken in uren in plaats van weken

Diep leren betekent dat kunstmatig neuraal netwerk de machine is in staat ervaringen te verwerken, daarop te leren en de nieuwe kennis te combineren met bestaande kennis. Op deze manier wordt het leerproces van het menselijk brein gesimuleerd.

Erkent echter bijvoorbeeld een kind een auto nadat mama of papa hem enkele tientallen foto's van verschillende auto's had laten zien. Aan de andere kant vereist diep leren enkele duizenden uren training met miljoenen afbeeldingen. Hiervoor moet de computer enorme hoeveelheden data verwerken om een ​​neuraal netwerk te trainen. Alleen op deze manier kan het later een bestuurder helpen of zelfs een voertuig autonoom besturen.

De DGX POD bespaart tijd bij dit complexe proces. "We gaan ervan uit dat de tijd die nodig is voor de volledige training van een neuraal netwerk knippen van weken naar uren wordt ”, zegt Balázs Lóránd. Het hoofd van het AI-competentiecentrum van Continental in Boedapest, Hongarije, werkt met zijn teams aan de ontwikkeling van de infrastructuur voor op AI-gebaseerde innovaties.

Ingebouwde microcontroller gecertificeerd voor automatisch rijden

“Ons ontwikkelteam is de afgelopen jaren in aantal gegroeid en heeft ervaring opgedaan. Met de supercomputer zijn we nu in staat om de rekenkracht nog beter af te stemmen op onze behoeften en om het volledige potentieel van onze ontwikkelaars te benutten ”, beschrijft Balazs Lorand het ontwikkelingsniveau.

Gegevens voor zelfrijdende auto's

Tot op heden zijn de gegevens voor het trainen van deze neurale netwerken grotendeels afkomstig uit de vloot van Conti-testvoertuigen. Deze lopen elke dag rond 15.000 testkilometers en verzamel rond 100 terabytes aan gegevens. Tegenwoordig worden deze gegevens al gebruikt om nieuwe systemen te trainen door ze af te spelen en fysieke testritten te simuleren. Dergelijke gegevens kunnen nu synthetisch worden gegenereerd met de supercomputer. Met deze uiterst rekenintensieve toepassing kunnen systemen leren door virtueel door een gesimuleerde omgeving te rijden.

Speciale interface levert vermogen, data + signaal aan de auto

Er zijn meerdere voordelen in het ontwikkelproces denkbaar:

1. Simulaties kan het vastleggen, opslaan en evalueren van fysiek gegenereerde data op lange termijn vervangen, omdat trainingsscenario's direct op het systeem zelf worden gecreëerd.
2. De Snelheid wordt vergroot doordat virtuele zelfrijdende auteurs in enkele uren evenveel testkilometers afleggen als waar een echt zelfrijdende auto meerdere weken voor nodig heeft.
3. Synthetisch gegenereerd gegevens systemen in staat stellen veranderende en onvoorspelbare situaties te verwerken en erop te reageren. Zelfrijdende auto's kunnen veilig worden genavigeerd door veranderende en extreme weersomstandigheden. Er kunnen betrouwbare prognoses worden gemaakt over de verplaatsing van voetgangers. Dit verhoogt de mate van automatisering.

Superieur aan de door mensen gecontroleerde methode

Een van de belangrijkste redenen waarom hij de DGX POD koos en ontwierp, was die van hem schaalbaarheid. Machines kunnen sneller, beter en uitgebreider leren dan met welke door mensen gecontroleerde methode dan ook. De potentiële prestatie groeit exponentieel met elke evolutionaire stap.

De locatie van de supercomputer in één Datacenter in Frankfurt werd gekozen vanwege de nabijheid van cloudproviders en de AI-omgeving. Kunstmatige intelligentie vereist speciale koelsystemen, connectiviteit en stroomvoorziening. De supercomputer draait op gecertificeerde groene stroom. GPU-cluster (GPU = Graphics Processing Unit) zijn qua ontwerp veel energiezuiniger dan clusters op basis van centrale verwerkingseenheden (CPU = Centrale verwerkingseenheid).