快速发展的传感器技术以及软件处理技术已经使卡车实现了自动驾驶，通过减少停机时间、降低人员成本、减少碰撞事故以及伤亡人数，改进了车队运行效率。据Fortune Business Insights所说，到2027年，全球自动驾驶卡车市场市值预计可达201.334亿美元，年复合增长率达12.6%。

基于该蓬勃发展的业务，英伟达为交通运输行业的软件定义自动驾驶汽车（AV）打造了端到端解决方案，能够通过无线升级不断改进和部署自动驾驶系统。此外，还提供了大规模部署自动驾驶汽车所需的一切。

MIT论文中图片（图片来源：MIT）

据外媒报道，在英伟达技术的基础上，麻省理工学院（MIT）的研究人员最近为自动驾驶汽车研发了一种单一深度神经网络（DNN）。他们采用了英伟达DRIVE AGX Pegasus帮助运行自动驾驶汽车的网络，而且有助于实时处理大量的激光雷达数据。

通常情况下，在6个小时内，由50辆自动驾驶汽车组成的车队中，一辆自动驾驶汽车的传感器会产生多达1.6千万亿字节的数据。为了实现安全驾驶，自动驾驶汽车需要实时理解此类数据。不过，由于采用单一DNN处理如此庞大的数据量而面临挑战，大多数技术都采用多个网络以及高精度地图。此种组合能够让自动驾驶汽车快速确定自己在空间中的位置，并识别出其他道路使用者和交通信号灯。然而，虽然此种方法确保了安全自动驾驶所需的冗余性和多样性，但在未绘制地图的地方部署自动驾驶汽车仍然具有挑战性。此外，依靠激光雷达感知的自动驾驶系统在环境中必须每秒处理超200万个点。与二维图像数据不同，激光雷达点在三维环境中分布特别稀疏，这对现代计算机造成了相当大的阻碍，因为现代计算机没有针对此类数据进行优化。

在麻省理工学院团队发布的论文中，该团队描述了如何利用单一DNN寻求新型自动驾驶技术，首先从实时处理激光雷达传感器数据的任务开始。除了基本架构，研究人员还创造了新型增强型功能，以大幅提升速度和能效。该DNN旨在执行自动驾驶系统的所有操作，此种综合能力通过在大量的人类驾驶数据进行广泛训练而得来，此类数据会全面地教会该网络像人类驾驶员一样驾驶，而不是分解成特定的功能。

虽然该种方法仍然处于起步阶段，但是有可能产生极大的好处。单一DNN比车辆中的多个专用网络高效得多，能够为其他功能腾出计算空间。此外，DNN的适应性更强，因为其利用训练而不是地图在未知道路上导航。最后，效率的提高能够实时处理大量丰富的感知数据。

MIT的研究人员采用英伟达DRIVE AGX Pegasus来提升计算性能、实现完全自动化。该款AI嵌入式超级计算机专为L4和L5自动驾驶系统而设计，以避免人类参与到驾驶中。通过耦合两个Xavier片上系统和两个图灵GPU，可以实现每秒320万亿次操作，从而能够快速处理激光雷达数据。为了打造DNN，麻省理工学院研究人员首先在一个不是很强大、但是已经用于很多其他自动驾驶系统的机器上进行研究。首先，在分析只使用激光雷达的车型时，研究小组检查了车辆在车道稳定性测试中的表现；然后，在分析具有导航功能的车型时，研究小组比较了车型的整体性能。

此外，当研究人员启用证据融合时，该车型的结果与只使用激光雷达车型的测试结果一样，遵循了地图上的方向，而且行驶轨迹与人类驾驶员的轨迹非常接近。研究人员在论文中基于激光雷达提出了一种高效且灵活的端到端导航框架，为了实现更快的激光雷达处理效果，他们打造了一个全新的3D神经架构，并且改进了稀疏的卷积神经核。

不久前，自动驾驶卡车初创公司NuPort Robotics也采用英伟达DRIVE打造了自动驾驶系统，以用于短途货运路线。该公司总部位于加拿大，正与安大略省政府和加拿大轮胎公司开展一个为期两年的试点项目，以加速实现英伟达DRIVE技术的商业化。看看初创公司与英伟达如何合作研发和实施麻省理工学院提出的新型单一DNN研究成果，想必也是一件很有趣的事情。