DRIVE Labs“常学常新”系列「第七站」：为驾乘人员的安全保驾护航

 

DRIVE Labs 系列文章

第七站：为驾乘人员的安全保驾护航

 

始 发 站 | 自 动 驾 驶 基 础 功 能

第 二 站 | 基 本 路 况 感 知

第 三 站 | 读 懂 交 通 标 志 与 信 号 灯

第 四 站 | 监 控 车 外 的 风 吹 草 动

第 五 站 | 提 高 道 路 状 况 的 可 见 性

第 六 站 | 基 于 洞 察 的 智 能 规 划

第 七 站 | 为 驾 乘 人 员 的 安 全 保 驾 护 航

终 点 站 | 寻 找 车 位 与 自 动 泊 车

 

 

自动驾驶汽车在行驶中会穿过大街小巷、经历白天黑夜，途中可能会在十字路口与其他车辆“狭路相逢”，也有可能需要在城市街道避让行人，不同的道路设计和光线明暗都会影响自动驾驶汽车的道路判断与决策结果，从而影响行驶的安全性。DRIVE Labs“常学常新”系列是 NVIDIA DRIVE 团队推出的、以一辆自动驾驶汽车从出发到最终目的地为线索的系列文章，共分 8 期主题，将为大家详细解析自动驾驶汽车如何一路“过关斩将”，以及 NVIDIA 技术与产品在不同场景中提供的支持，以便读者能更好地了解自动驾驶。

 

本期是第七期“为驾乘人员的安全保驾护航”，将为大家介绍自动驾驶汽车如何利用 AI 软件、安全力场（Safety Force Field，SFF）并通过主动学习，保证行车安全，为驾乘人员保驾护航。

 

上期文章主要介绍了介绍用于评估汽车摄像头可见度和汽车远光灯控制的不同深度神经网络（DNN）以及 AI 赋能的汽车光源感知等内容，本期将为大家介绍可保护车辆不受碰撞的 SFF、可守护驾驶员专注前方道路以实现安全行驶的 AI 软件以及能够优化夜间行人检测的主动学习方法。话不多说，一起来看看吧！

 

汽车行驶过程中会经过很多情况复杂的路口，也会经过拥有不同照明条件的道路，在这些路况下，可能会有擦肩而过或迎面驶来的车辆，也会有来回穿梭的行人，如何在保证自动驾驶汽车本身安全性的同时，兼顾其他道路使用者的便利性及安全性也至关重要。

 

NVIDIA 安全力场助力安心驾驶

 

利用 Safety Force Field 避免碰撞

 

现实的交通状况变幻莫测。为实现真正的安全，车辆需要能监控周边环境并保护乘客远离潜在的危险和碰撞。NVIDIA 使用 SFF 防撞软件来单独监控车辆主规划和控制系统的操作，基于高性能的计算功能，来帮助车辆远离伤害，并确保其不会造成危险后果（如以上视频所示）。

 

SFF 专为避免碰撞而设计，是一种稳固可靠的驾驶策略，能够分析并预测车辆所处环境。它好比一个独立的监督员，可对车辆的主要规划和控制系统进行操作监督，既可以人为操作也可以自主运行。具体而言，SFF 会对主要系统的控制决策进行实时复核。如果 SFF 判定控制操作不安全，它将否决并纠正主要系统的决策。

 

SFF 性能已通过数学方式验证，即使用真实数据进行模拟的鲁棒性验证。如果道路上的所有车辆均遵循该框架行驶，并且感知和车辆控制都在预先设计的范围内运行，便不会出现危险情形或碰撞事故。SFF 在实现此性能的同时仍允许平日的正常驾驶，且不会进行过度防护。

 

此外，SFF 还遵循一种核心的防碰撞原理，而非大量规则与异常情形，因而能流畅地应对高速公路驾驶、复杂的城镇环境和能见度较低的情形。该策略能综合考虑刹车（纵向）与方向盘（横向）约束，从而使车辆执行大量动作。

 

汽车厂商在开发自动驾驶汽车的过程中，可以将 NVIDIA SFF 与自有的驾驶软件相结合，将此策略用作移动规划软件的安全保护层，从而监控并预防异常动作，以保证行车安全。

 

DRIVE IX 以 AI 赋能安全驾驶

 

NVIDIA DRIVE IX AI 算法执行直观的车内感知

 

自动驾驶技术持续发展带来了大量的自动驾驶功能来“解放”人类驾驶员的双手，但即使借助先进的驾驶员辅助系统将更多驾驶功能自动化，人类驾驶员依然需要保持注意力集中，逐步建立对 AI 系统的信任。

 

传统的驾驶员监控系统通常无法理解“微妙提示”，比如驾驶员的认知状态、行为和其他动作，这些细微的行为往往能够表明他们是否处于合格的驾驶状态。以上视频将为大家演示 NVIDIA DRIVE IX 如何感知驾驶员的注意力、活动、情感、行为、姿势、言语、手势和情绪，以便实现更加智能且安全的自动驾驶。

 

NVIDIA DRIVE IX 是一个开放、可扩展的座舱软件平台，可为自动驾驶汽车可视化和全方位的舱内感知提供智能体验软件，为驾乘人员提供 AI 驱动的丰富座舱体验，包括具有增强现实和虚拟现实的智能可视化、对话式 AI 和内部监测。

 

DRIVE IX 采用多种 DNN 来识别人脸并“解密”驾驶员表情：

 

• GazeNet DNN 用于追踪视线，通过检测驾驶员的视线并将其映射到道路上以确认他们是否看到前方障碍物；

 

• SleepNet DNN 用于监测睡意，识别驾驶员的眼睛是否睁开，并通过一个状态机确定其疲惫程度；

 

• ActivityNet DNN 用于追踪驾驶员行为，例如使用手机、手是否放在方向盘以及驾驶员对于路况的注意力；

 

除了监测驾驶员是否注意力集中外，DRIVE IX 还采用了单独的 DNN 来识别驾驶员的情绪，评估驾驶员是否能进行安全驾驶。

 

 

 

开发人员可通过将上述 DNN 与手势 DNN 和语音功能相结合，构建多模式、对话式 AI 产品，例如自动语音识别、自然语言处理和语音合成，并将其用于舱内个性化设置和虚拟助手应用程序。

 

此外，汽车制造商还可以借助 DRIVE IX 的驾驶员监测功能来开发基于 AI 的高级驾驶员理解功能，通过对汽车进行编程，在驾驶员注意力不集中时发出警告，或者在驾乘者紧张时让驾驶舱能够调节设置以安抚其情绪，以逐步建立驾乘者与 AI 系统之间的信任，创造更安全、更愉悦的智能汽车体验。

 

主动学习助力自动驾驶汽车

“看准”夜间行人

 

自动驾驶功能需应对各种不同的现实状况，需要通过不同来源的大量信息来进行全方位训练。负责自动驾驶功能的 DNN 也需要通过正确且全面的数据来开展详尽的训练。该训练需要包含各种情况，无论是在日常道路中可能遇到的情况，还是一些开发人员希望自动驾驶汽车在行驶中永远不会遇到的不寻常情况。

 

主动学习是一种用于机器学习的训练数据筛选方法，可以自动找到这些多样化的数据。相较于人工操作，它只需花费小部分时间即可构建更好的数据集。通过主动学习，自动驾驶系统可以在选择有价值的数据点时自动执行筛选过程。

 

 

通过主动学习，AI 可以自动选择正确的训练数据。具体而言，自动驾驶系统可利用一组专用的 DNN 遍阅一个图像帧池，标记出容易混淆的帧。然后对这些帧进行标记，并将其添加到训练数据集中。此过程可以改善 DNN 在高难度环境条件（例如夜间行人检测）下的感知能力。并且与手动选择的数据相比，使用主动学习数据进行训练时，行人检测的精度可提高 3 倍，对自行车检测的精度可提高 4.4 倍。

 

以上就是本期全部内容。希望大家喜欢本次的自动驾驶之旅，下期我们将带大家进入自动驾驶旅程的最后一段—停车与泊车，敬请期待！点击“阅读原文”，观看更多 NVIDIA DRIVE Labs & Dispatch 视频，了解 NVIDIA DRIVE 软件如何助力自动驾驶。

 

 

往期精彩回看

   

 

「入门篇」：自动驾驶基础功能

「第二站」：基本路况感知

「第三站」：读懂交通标志与信号灯

「第四站」：监控车外的风吹草动

「第五站」：提高道路状况的可见性

「第六站」：基于洞察的智能规划

 

     

 

扫描海报二维码，即可观看 NVIDIA 创始人兼首席执行官黄仁勋 GTC23 主题演讲重播！

 

 

---

原文标题：DRIVE Labs“常学常新”系列「第七站」：为驾乘人员的安全保驾护航

文章出处：【微信公众号：NVIDIA英伟达】欢迎添加关注！文章转载请注明出处。