Självkörande bilar med Continental | Nvidia superdator

Utvecklingstiden för självkörande bilar förkorta. För att göra det, bygg Continental och Nvidia ett högpresterande datorkluster baserat på DGX AI-systemet. virtuell datagenerering, Konstgjord intelligens och simulering av autonoma fordon är framtida kärnuppgifter för de mest kraftfulla super~~POS=TRUNC den Automotive Industry.

Innehållet i den tekniska artikeln

• 14-faldig ökning av samtidiga experiment
• Utveckla självkörande bilar med skalbara superdatorer 
  • Djupinlärning driver gränserna för traditionell programvara
  • Träna neurala nätverk i timmar istället för veckor
  • Självgående bildata
• Överlägsen den mänskliga kontrollerade metoden

För detta ändamål har Continental sin egen Nvidia Infiniband ansluten DGX superdatorer investerat. Det för artificiell intelligens (AI) -orienterat avancerat system har drivits i ett datacenter i Frankfurt am Main sedan början av 2020 och ger utvecklare global datorkraft och lagringsutrymme. Artificiell intelligens påskyndar inte bara utvecklingen av självkörande bilar utan förbättrar också förarassistanssystem och gör mobiliteten mer intelligent.

14-faldig ökning av samtidiga experiment

"Superdatorn är en investering i vår framtid", säger Christian Schumacher, Chef för programhanteringssystem vid affärsenheten Driver Assistance Systems på Continental. "Det toppmoderna systemet minskar den tid det tar att träna neurala nätverk, eftersom minst 14 gånger fler experiment kan genomföras samtidigt." Med DGX-klustret för det autonoma fordonet Simulering, Deep learning och generering av virtuell data kan implementeras mycket snabbare.

Dra full nytta av Autosar nu med E / E-utvecklingsmiljö

"När vi letar efter en partner är vi uppmärksamma på två saker: kvalitet och snabbhet", säger Christian Schumacher. ”Projektet kom till med en ambitiöst schema upp och implementeras inom mindre än ett år. Efter intensiva tester och sökandet efter lämpliga företag bestämde vi oss för Nvidia, som utrustar många av de snabbaste superdatorer i världen. "

”Nvidia DGX-system erbjuder innovatörer som Kontinental AI superdator i en kostnadseffektiv, företagsomfattande lösning som är enkel att implementera, säger Manuvir Das, chef för företagsdatorer på Nvidia. “Genom att använda den Infiniband-anslutna DGX POD för Utbildning av autonoma fordon Continental utvecklar morgondagens mest intelligenta fordon samt IT-infrastrukturen som används för att designa dem. "

En av de största utmaningarna på väg till autonom rörlighet är att bemästra komplexa körsituationer.

Utveckla självkörande bilar med skalbara superdatorer

Superdatorn består av mer än 50 DGXSystem anslutna till Mellanox Infiniband-nätverk. Det avancerade systemet, enligt strömmen Lista över TOP500-Superdatorer tar ledningen inom bilindustrin över hela världen.

För att kunna reagera på erforderlig kapacitet och lagringsutrymme genom molnlösningar i framtiden har utvecklarna en hybridstrategi vald. ”Superdatorn är ett mästerverk av IT-infrastrukturteknik”, säger Christian Schumacher. "Varje detalj planerades noggrant av teamet - för att säkerställa full prestanda och funktionalitet idag, med skalbarhet för framtida utvidgningar."

Djupinlärning driver gränserna för traditionell programvara

På grundval av artificiell intelligens tar avancerade förarassistanssystem beslut och stöder förare så att de i slutändan kan köra autonomt på vägarna utan olyckor. sensorer för miljön som Kamera och radar leverera rådata. Dessa sensorer bearbetar intelligenta system i realtid, skapar en omfattande modell av fordonsmiljön i trafiken baserat på detta och utvecklar en strategi för interaktion med miljön.

Men eftersom systemen blir mer och mer komplexa når traditionella metoder för maskininlärning och programvaruutveckling sina gränser. Det ringer Deep Learning och Simulering på planen. Båda teknologierna har utvecklats till de grundläggande metoderna för att utveckla AI-baserade lösningar.

Träna neurala nätverk i timmar istället för veckor

Djupt lärande betyder det artificiellt neuralt nätverk maskinen kan bearbeta upplevelser, lära sig utifrån den och kombinera den nya kunskapen med befintlig kunskap. På detta sätt simuleras inlärningsprocessen för den mänskliga hjärnan.

Men känner igen till exempel ett barn en bil efter att mamma eller pappa visade honom några dussin bilder på olika bilar. Djupinlärning kräver å andra sidan flera tusen timmars träning med miljontals bilder. För att göra detta måste datorn bearbeta enorma mängder data för att träna ett neuralt nätverk. Endast på detta sätt kan det senare hjälpa en förare eller till och med styra ett fordon autonomt.

DGX POD minskar tiden som är involverad i denna komplexa process. "Vi antar att den tid som krävs för en fullständig utbildning av ett neuralt nätverk är klippt från veckor till timmar kommer, säger Balázs Lóránd. Chefen för Continentals AI-kompetenscenter i Budapest, Ungern arbetar med sina team för att utveckla infrastrukturen för AI-baserade innovationer.

Inbyggd mikrokontroller certifierad för automatisk körning

”Vårt utvecklingsteam har vuxit i antal under de senaste åren och har fått erfarenhet. Med superdatorn är vi nu i stånd att skala datorkraften ännu bättre efter våra behov och att utnyttja utvecklarnas fulla potential ”, beskriver Balazs Lorand utvecklingsnivån.

Data för självkörande bilar

Hittills har uppgifterna för utbildning av dessa neurala nätverk i stor utsträckning kommit från flottan av Conti-testfordon. Dessa springer runt varje dag 15.000 XNUMX testkilometer och samla runt 100 terabyte data. Idag används dessa data redan för att träna nya system genom att spela upp dem och simulera fysiska testkörningar. Sådan data kan nu genereras syntetiskt med superdatorn. Med denna extremt beräkningsintensiva applikation kan system lära sig genom att praktiskt taget köra genom en simulerad miljö.

Specialgränssnittet levererar kraft, data + signal till bilen

Flera fördelar i utvecklingsprocessen är tänkbara:

1. Simuleringar kan ersätta inspelning, lagring och utvärdering av fysiskt genererade data på lång sikt, eftersom träningsscenarier omedelbart skapas på själva systemet.
2. den Geschwindigkeit ökar eftersom virtuella självkörande författare täcker samma antal testkilometer på bara några timmar som ett riktigt autonomt fordon behöver flera veckor.
3. Syntetiskt genererat uppgifter möjliggöra för system att bearbeta och reagera på förändrade och oförutsägbara situationer. Självkörande bilar kan navigeras säkert genom förändrade och extrema väderförhållanden. Tillförlitliga prognoser om fotgängares rörelse kan göras. Detta ökar graden av automatisering.

Överlägsen den mänskliga kontrollerade metoden

En av de främsta anledningarna till att han valde och designade DGX POD var hans skalbarhet. Maskiner kan lära sig snabbare, bättre och mer omfattande än med någon människokontrollerad metod. Den potentiella prestandan växer exponentiellt med varje evolutionärt steg.

Platsen för superdatorn i en Frankfurts datacenter valdes på grund av sin närhet till molnleverantörer och dess AI-aktiverade miljö. Artificiell intelligens kräver speciella kylsystem, anslutning och strömförsörjning. Superdatorn drivs med certifierad grön el. GPU-kluster (GPU = Graphics Processing Unit) är mycket mer energieffektiva när det gäller design än kluster baserade på centrala bearbetningsenheter (CPU = Central Processing Unit).