Voitures autonomes avec Continental | Superordinateur Nvidia

Le temps de développement pour voitures autonomes raccourcir. Pour ce faire, construisez continental ainsi que Nvidia un cluster informatique performant basé sur le système DGX AI. génération de données virtuelles, Intelligence artificielle et la simulation de véhicules autonomes sont les futures tâches centrales des plus puissants Supercalculateurs la Industrie automobile.

Contenu de l'article technique

• Augmentation de 14 fois des expériences en cours simultanément
• Développer des voitures autonomes avec des supercalculateurs évolutifs 
  • Le Deep Learning repousse les limites des logiciels traditionnels
  • Former les réseaux de neurones en quelques heures au lieu de semaines
  • Données de voiture autonome
• Supérieur à la méthode contrôlée par l'homme

À cette fin, Continental a son propre Nvidia Infiniband connecté Supercalculateur DGX investi. Que pour intelligence artificielle Le système haut de gamme orienté (IA) est exploité dans un centre de données à Francfort-sur-le-Main depuis le début de 2020 et offre aux développeurs une puissance de calcul et un espace de stockage mondiaux. L'intelligence artificielle accélère non seulement le développement des voitures autonomes, elle améliore également les systèmes d'aide à la conduite et rend la mobilité plus intelligente.

Augmentation de 14 fois des expériences en cours simultanément

«Le supercalculateur est un investissement dans notre avenir», déclare Christian Schumacher, Responsable des systèmes de gestion de programme dans la division des systèmes d'assistance à la conduite chez Continental. «Le système de pointe réduit le temps nécessaire à la formation des réseaux neuronaux, car au moins 14 fois plus d'expériences peuvent être réalisées en même temps. Avec le cluster DGX pour le véhicule autonome Simulation, L'apprentissage en profondeur et la génération de données virtuelles peuvent être mis en œuvre beaucoup plus rapidement.

Profitez pleinement d'Autosar maintenant avec l'environnement de développement E / E

«Lorsque nous recherchons un partenaire, nous prêtons attention à deux choses: la qualité et la rapidité», explique Christian Schumacher. «Le projet est né avec un calendrier ambitieux mis en place et mis en œuvre en moins d'un an. Après des tests intensifs et la recherche d'entreprises adaptées, nous avons opté pour Nvidia, qui équipe nombre des supercalculateurs les plus rapides au monde. "

«Les systèmes Nvidia DGX offrent des innovateurs comme Supercalcul de l'IA continentale dans une solution rentable à l'échelle de l'entreprise et facile à mettre en œuvre », a déclaré Manuvir Das, directeur de l'informatique d'entreprise chez Nvidia. «En utilisant le DGX POD connecté à Infiniband pour Formation de véhicules autonomes Continental développe les véhicules les plus intelligents de demain ainsi que l'infrastructure informatique qui sert à les concevoir. "

L'un des plus grands défis sur la voie de la mobilité autonome est la maîtrise de situations de conduite complexes.

Développez des voitures autonomes avec des supercalculateurs évolutifs

Le supercalculateur se compose de plus de 50 DGXSystèmes connectés au réseau Mellanox Infiniband. Le système haut de gamme, selon le courant Liste des TOP500-Les superordinateurs occupent la première place dans l'industrie automobile dans le monde.

Afin de pouvoir réagir à la capacité et à l'espace de stockage requis via des solutions cloud à l'avenir, les développeurs en ont un approche hybride élu. «Le supercalculateur est un chef-d'œuvre de la technologie de l'infrastructure informatique», déclare Christian Schumacher. "Chaque détail a été soigneusement planifié par l'équipe - pour garantir des performances et des fonctionnalités complètes aujourd'hui, avec une évolutivité pour les extensions futures."

Le Deep Learning repousse les limites des logiciels traditionnels

Sur la base de l'intelligence artificielle, les systèmes avancés d'assistance à la conduite prennent des décisions et aident les conducteurs afin qu'ils puissent finalement conduire de manière autonome sur les routes sans accident. capteurs pour l'environnement comme Caméra et radar livrer les données brutes. Ces capteurs traitent des systèmes intelligents en temps réel, créent un modèle complet de l'environnement du véhicule dans le trafic basé sur cela et développent une stratégie d'interaction avec l'environnement.

Mais comme les systèmes deviennent de plus en plus complexes, les méthodes traditionnelles d'apprentissage automatique et de développement de logiciels atteignent leurs limites. Qui appelle L'apprentissage en profondeur ainsi que Simulation sur le plan. Les deux technologies sont devenues les méthodes de base pour développer des solutions basées sur l'IA.

Former les réseaux de neurones en quelques heures au lieu de semaines

L'apprentissage profond signifie que réseau neuronal artificiel la machine est capable de traiter des expériences, d'apprendre à partir de celles-ci et de combiner les nouvelles connaissances avec les connaissances existantes. De cette manière, le processus d'apprentissage du cerveau humain est simulé.

Cependant, reconnaît par exemple un enfant une voiture après que maman ou papa lui ait montré quelques dizaines de photos de voitures différentes. L'apprentissage profond, en revanche, nécessite plusieurs milliers d'heures de formation avec des millions d'images. Pour ce faire, l'ordinateur doit traiter d'énormes quantités de données afin de former un réseau neuronal. Ce n'est qu'ainsi qu'il peut ultérieurement aider un conducteur ou même contrôler un véhicule de manière autonome.

Le DGX POD réduit le temps nécessaire à ce processus complexe. "Nous supposons que le temps nécessaire à la formation complète d'un réseau neuronal est coupé de semaines en heures sera », déclare Balázs Lóránd. Le chef du centre de compétences en IA de Continental à Budapest, en Hongrie, travaille avec ses équipes sur le développement de l'infrastructure pour les innovations basées sur l'IA.

Microcontrôleur intégré certifié pour la conduite automatisée

«Notre équipe de développement s'est développée en nombre au cours des dernières années et a acquis de l'expérience. Avec le supercalculateur, nous sommes désormais en mesure de faire évoluer encore mieux la puissance de calcul en fonction de nos besoins et d'exploiter tout le potentiel de nos développeurs », décrit Balázs Lorand le niveau de développement.

Données pour les voitures autonomes

À ce jour, les données d'entraînement de ces réseaux de neurones proviennent en grande partie du parc de véhicules d'essai Conti. Ceux-ci courent tous les jours Kilomètres d'essai 15.000 et collectionner 100 téraoctets de données. Aujourd'hui, ces données sont déjà utilisées pour entraîner de nouveaux systèmes en les lisant et en simulant des essais physiques. Ces données peuvent maintenant être générées de manière synthétique avec le supercalculateur. Avec cette application extrêmement gourmande en calculs, les systèmes peuvent apprendre en parcourant virtuellement un environnement simulé.

Une interface spéciale fournit puissance, données et signal à la voiture

Plusieurs avantages dans le processus de développement sont envisageables:

1. Des simulations peut remplacer l'enregistrement, le stockage et l'évaluation des données générées physiquement à long terme, car les scénarios de formation sont immédiatement créés sur le système lui-même.
2. J'ai noté la Vitesse est augmentée car les auteurs d'auto-conduite virtuelle parcourent en quelques heures le même nombre de kilomètres d'essai qu'un vrai véhicule autonome a besoin de plusieurs semaines.
3. Synthétique généré Données permettre aux systèmes de traiter et de réagir à des situations changeantes et imprévisibles. Les voitures autonomes peuvent être conduites en toute sécurité dans des conditions météorologiques changeantes et extrêmes. Des prévisions fiables sur le mouvement des piétons peuvent être faites. Cela augmente le degré d'automatisation.

Supérieur à la méthode contrôlée par l'homme

L'une des principales raisons pour lesquelles le DGX POD a été choisi et conçu était son évolutivité. Les machines peuvent apprendre plus rapidement, mieux et de manière plus complète qu'avec n'importe quelle méthode contrôlée par l'homme. La performance potentielle augmente de façon exponentielle à chaque étape évolutive.

L'emplacement du supercalculateur en un Centre de données de Francfort a été choisi en raison de sa proximité avec les fournisseurs de cloud et de son environnement compatible avec l'IA. L'intelligence artificielle nécessite des systèmes de refroidissement, une connectivité et une alimentation électrique spéciaux. Le supercalculateur fonctionne avec de l'électricité verte certifiée. Cluster GPU (GPU = Graphics Processing Unit) sont beaucoup plus écoénergétiques en termes de conception que les clusters basés sur des unités centrales de traitement (Processeur = Unité centrale de traitement).