Nvidia stellt Entwicklern ML-Modelle für autonomes Fahren zur Verfügung
Über die NVIDIA GPU Cloud erhalten Entwickler Zugriff auf 20 vortrainierte Modelle – unter anderem für die Erkennung von Verkehrsteilnehmern und Schildern.
Nvidia-CEO Jensen Huang
(Bild: Nvidia)
- Matthias Parbel
Nvidia hat auf einer Technologiekonferenz im chinesischen Suzhou nicht nur seine neue System-on-a-Chip-(SoC)-Serie Drive AGX Orin für KI-Anwendungen im Automobilsektor vorgestellt, sondern macht Entwicklern auch einige Deep Neural Networks (DNNs) für autonomes Fahren auf der NVIDIA GPU Cloud (NGC) zugänglich. In der Drive-Plattform bündelt Nvidia sämtliche Hard- und Software-Angebote, die auf KI-basierte Unterstützung für Automobile und deren Fahrer ausgelegt sind.
Vortrainierte ML-Modelle in der NVIDIA GPU Cloud
Der Software-Stack von Drive umfasst wichtige Funktionen, die für autonomes Fahren benötigt werden, von der Erfassung über die Beurteilung sämtlicher Umgebungs- und Fahrtparameter bis hin zur Routenplanung. Dabei kommen Machine-Learning-Modelle zum Einsatz, die maßgeschneidert sind für die Erkennung von Ampeln und Verkehrsschildern sowie zum Orten anderer Fahrzeuge und Verkehrsteilnehmer. Einige der ML-Modelle übernehmen auch solch spezielle Aufgaben wie die Gesichter- und Gestenerkennung oder auch die Nachverfolgung des zurückzulegenden Weges.
Die künftig als Container in der NGC zugänglichen ML-Modelle sind bereits seit rund fünf Jahren in der Entwicklung und auch im produktiven Einsatz bei Automobilherstellern, Softwareentwicklern und Universitäten. Nvidia will die Modelle aber einer noch breiter aufgestellten Community zugutekommen lassen. "Indem wir Entwicklern von [autonomen Fahrzeugen] Zugang zu unseren Modellen und den passenden Lernwerkzeugen bieten, mit denen diese sich für unterschiedliche Datensätze optimieren lassen, unterstützen wir gemeinsames Lernen über Unternehmens- und Ländergrenzen hinweg", kommentiert Nvidias CEO Jensen Huang.
(Bild: Nvidia)
Active, Federated oder Transfer Learning
Die ML-Modelle lassen sich auf individuelle Anwendungsszenarien anpassen und mit den von Nvidia bereitgestellten Werkzeugen durch unterschiedliche Lernverfahren weiter optimieren. So lässt sich beispielsweise die Genauigkeit der Modelle durch Active Learning steigern und darüber hinaus der Aufwand bei der Data Collection durch KI-basierte automatisierte Auswahlmethoden reduzieren. Weitere Verfahren wie Federated und Transfer Learning helfen bei der organisations- beziehungsweise unternehmensübergreifenden Nutzung von Datensätzen – unter Einhaltung des Datenschutzes – sowie beim Feinjustieren von ML-Modellen. (map)
