Automóviles autónomos con Continental | Supercomputadora nvidia
- Detalles
- Golpea: 5278
El tiempo de desarrollo para coches autoconducidos acortar. Para hacer eso, construye Continental y Nvidia un clúster de computadoras de alto rendimiento basado en el sistema DGX AI. generación de datos virtuales, Inteligencia artificial y la simulación de vehículos autónomos son las futuras tareas centrales de los más poderosos Supercomputadores la Industria del automóvil.
Contenido del artículo técnico
- Aumento de 14 veces en experimentos simultáneos
- Desarrollando coches autónomos con supercomputadoras escalables
- Superior al método controlado por humanos
Para ello, Continental tiene su propio Nvidia Infiniband conectado Supercomputadoras DGX invertido. Eso para inteligencia artificial El sistema de gama alta orientado a (AI) se ha operado en un centro de datos en Frankfurt am Main desde principios de 2020 y proporciona a los desarrolladores capacidad de computación global y espacio de almacenamiento. La inteligencia artificial no solo acelera el desarrollo de automóviles autónomos, sino que también mejora los sistemas de asistencia al conductor y hace que la movilidad sea más inteligente.
Aumento de 14 veces en experimentos simultáneos
"La supercomputadora es una inversión en nuestro futuro", dice cristian schumacher, Jefe de Sistemas de Gestión de Programas en la unidad de negocios de Sistemas de Asistencia al Conductor de Continental. "El sistema de última generación reduce el tiempo necesario para entrenar redes neuronales, ya que se pueden realizar al menos 14 veces más experimentos simultáneamente". Con el clúster DGX para el vehículo autónomo Simulación, El aprendizaje profundo y la generación de datos virtuales se pueden implementar mucho más rápido.
Aproveche al máximo Autosar con el entorno de desarrollo E / E
"Cuando buscamos un socio, prestamos atención a dos cosas: calidad y rapidez", dice Christian Schumacher. “El proyecto surgió con una programa ambicioso establecido e implementado en menos de un año. Después de pruebas intensivas y la búsqueda de empresas adecuadas, nos decidimos por Nvidia, que equipa muchas de las supercomputadoras más rápidas del mundo ".
“Los sistemas Nvidia DGX ofrecen innovadores como Supercomputación de IA continental en una solución rentable para toda la empresa que es fácil de implementar ”, dijo Manuvir Das, director de informática empresarial de Nvidia. “Al utilizar el DGX POD conectado a Infiniband para Formación de vehículos autónomos Continental desarrolla los vehículos más inteligentes del mañana, así como la infraestructura de TI que se utiliza para diseñarlos ".
Uno de los mayores desafíos en el camino hacia la movilidad autónoma es dominar situaciones de conducción complejas.
Desarrolle automóviles autónomos con supercomputadoras escalables
La supercomputadora consta de más de 50 DGXSistemas que están conectados a la red Mellanox Infiniband. El sistema de gama alta, según la actual Lista de TOP500-Las supercomputadoras toman la primera posición en la industria automotriz a nivel mundial.
Para poder reaccionar a la capacidad y el espacio de almacenamiento requeridos a través de soluciones en la nube en el futuro, los desarrolladores tienen una enfoque híbrido elegido. “La supercomputadora es una obra maestra de la tecnología de infraestructura de TI”, dice Christian Schumacher. "El equipo planeó cuidadosamente cada detalle para garantizar el rendimiento y la funcionalidad completos hoy, con escalabilidad para futuras expansiones".
El aprendizaje profundo expande los límites del software tradicional
Sobre la base de la inteligencia artificial, los sistemas avanzados de asistencia al conductor toman decisiones y ayudan a los conductores para que, en última instancia, puedan conducir de forma autónoma en las carreteras sin accidentes. sensores para el medio ambiente como Cámara y radar entregar los datos brutos. Estos sensores procesan sistemas inteligentes en tiempo real, crean un modelo integral del entorno del vehículo en el tráfico a partir de este y desarrollan una estrategia de interacción con el entorno.
Debido a que los sistemas se vuelven cada vez más complejos, los métodos tradicionales de aprendizaje automático y desarrollo de software están llegando a sus límites. Que llama Aprendizaje profundo y Simulación en el plan. Ambas tecnologías se han convertido en métodos básicos para desarrollar soluciones basadas en inteligencia artificial.
Entrene redes neuronales en horas en lugar de semanas
El aprendizaje profundo significa que uno Red neuronal artificial la máquina es capaz de procesar experiencias, aprender a partir de ellas y combinar los nuevos conocimientos con los conocimientos existentes. Esto simula el proceso de aprendizaje del cerebro humano.
Sin embargo, reconoce por ejemplo un niño un automóvil después de que mamá o papá le mostraran algunas docenas de fotos de diferentes automóviles. El aprendizaje profundo, por otro lado, requiere varios miles de horas de entrenamiento con millones de imágenes. Para hacer esto, la computadora tiene que procesar enormes cantidades de datos para entrenar una red neuronal. Esta es la única forma en que más adelante puede ayudar a un conductor o incluso controlar un vehículo de forma autónoma.
El DGX POD reduce el tiempo involucrado en este complejo proceso. "Suponemos que el tiempo necesario para el entrenamiento completo de una red neuronal es cortar de semanas a horas se convierte ”, dice Balázs Lóránd. El director del centro de competencia de IA de Continental en Budapest, Hungría, está trabajando con sus equipos en el desarrollo de la infraestructura para innovaciones basadas en IA.
Microcontrolador incorporado certificado para conducción automatizada
“Nuestro equipo de desarrollo ha crecido en número durante los últimos años y ha ganado experiencia. Con la supercomputadora, ahora estamos en condiciones de escalar aún mejor la potencia informática de acuerdo con nuestras necesidades y de explotar todo el potencial de nuestros desarrolladores ”, describe Balazs Lorand el nivel de desarrollo.
Datos para vehículos autónomos
Hasta la fecha, los datos para entrenar estas redes neuronales provienen en gran parte de la flota de vehículos de prueba de Conti. Estos corren todos los días 15.000 kilómetros de prueba y recoger alrededor 100 terabytes de datos. Hoy en día, estos datos ya se están utilizando para entrenar nuevos sistemas reproduciéndolos y simulando pruebas de manejo físicas. Ahora, estos datos se pueden generar de forma sintética con la supercomputadora. Con esta aplicación extremadamente intensiva en computación, los sistemas pueden aprender conduciendo virtualmente a través de un entorno simulado.
La interfaz especial entrega potencia, datos + señal al automóvil
Son concebibles varias ventajas en el proceso de desarrollo:
- Simulaciones puede reemplazar el registro, almacenamiento y evaluación de datos generados físicamente a largo plazo, porque los escenarios de entrenamiento se crean inmediatamente en el propio sistema.
- El Geschwindigkeit aumenta porque los autores de vehículos autónomos virtuales cubren la misma cantidad de kilómetros de prueba en solo unas pocas horas que un vehículo autónomo real necesita varias semanas.
- Generado sintético Datos Permitir que los sistemas procesen y reaccionen ante situaciones cambiantes e impredecibles. Los vehículos autónomos se pueden conducir de forma segura en condiciones climáticas extremas y cambiantes. Se pueden realizar previsiones fiables sobre el movimiento de peatones. Esto aumenta el grado de automatización.
Superior al método controlado por humanos
Una de las principales razones por las que se seleccionó y diseñó el DGX POD fue su escalabilidad. Las máquinas pueden aprender más rápido, mejor y de manera más completa que con cualquier método controlado por humanos. El rendimiento potencial crece exponencialmente con cada paso evolutivo.
La ubicación de la supercomputadora en una Centro de datos de Frankfurt fue elegido por su proximidad a los proveedores de la nube y su entorno habilitado para IA. La inteligencia artificial requiere sistemas de refrigeración especiales, conectividad y suministro de energía. La supercomputadora funciona con electricidad ecológica certificada. Clúster de GPU (GPU = Unidad de procesamiento de gráficos) son mucho más eficientes energéticamente en términos de diseño que los clústeres basados en unidades centrales de procesamiento (CPU = Unidad Central de Procesamiento).