Nvidia現在不只賣GPU卡，甚至最近也揭露了耗費9個月所完成的自駕車的新成果。其中，Nvidia借助了深度學習神經網路CNN與機器學習框架Torch7作訓練，因而讓無人汽車在短時間內就具有跟其他自動車同樣的行駛功能。

Nvidia現在不只靠GPU搶攻深度學習、AI與VR/AR市場，近來也積極投入無人汽車的研究，最近Nvidia更首度揭露了耗費9個月所完成的自動駕駛車的最新成果。Nvidia借助了深度學習神經網路CNN與機器學習框架Torch7作訓練，因而讓無人汽車在短時間內就具備有跟其他自駕車一樣的自駕功能，這項成果最近也公開在美國康乃爾大學的電腦科學類研究網站上發(fā)表。

Nvidia自駕車專案展示有新成果

Nvidia在去年發(fā)起的一項Dave-2自駕車專案中，分別使用了來自2016年出產的Lincoln MKZ與2013年系列的Ford Focus共兩款車輛進行自動駕駛的模擬與道路實測。Nvidia在這2輛車內都分別裝有3組相機鏡頭，還有一個可儲存資料用的SSD硬碟，并都使用 Nvidia Drive PX做為車載電腦系統(tǒng)的核心。

而從Nvidia自駕車研究小組所共同撰寫發(fā)表的論文內容來看，截至今年3月底，Nvidia僅用了將近72個小時搜集的環(huán)境數據資料，持續(xù)做為汽車的機器學習訓練后，已成功能讓汽車自動安全行駛在高速公路或一般道路。而之所以能用較少的資料作訓練，就可讓汽車自動開上路，甚至不需要人為介入操控，Nvidia解釋，背后的關鍵正是利用了卷積神經網路(Convolutional Neural Network，CNN)，來建立一套可用于無人汽車訓練的深度學習神經網路模型。

CNN是一種前饋式神經網路(Feed-Forward Neural Network)，其特色是可以直接輸入原始來源的圖像，而避免對圖形進行復雜的前處理過程，例如特征提取和資料重建等。CNN因為采用局部連接 (Sparse Connectivity)的神經網路形式，并透過權值共享(Shared Weights)的方式來減少神經元的連接數量，因而比起傳統(tǒng)全連接的神經網路，可以用較少的參數，更快速的完成學習訓練過程。CNN過去在圖像處理一直獲得很好的發(fā)揮效果，也常使用于語音分析和圖像識別的相關研究，現在也被運用于無人汽車的學習訓練用途。

Nvidia自駕車研發(fā)團隊這次一共建構了深度多達9層的CNN神經網路架構，并連結了將近2,700萬條神經元，以及使用了25萬個參數，才打造出可用于自動駕駛車訓練的深度學習預測模型。

當以無人汽車進行深度學習訓練時，會先透過將相機捕捉到的道路環(huán)境影像直接輸入至CNN神經網路模型內，并經過模擬計算后，再將產生出的運算結果，拿來和實際人類駕駛的操控行為，例如方向盤轉動角度等，進行兩相比較后，再重新不斷修正演算法模型，來提高CNN預測的準確度。而至今，這些用來做為 CNN模擬訓練而使用的環(huán)境影像資訊，如果換算成距離的話，累積已有100英哩。

除此之外，Nvidia還借助了另一個開源機器學習框架Torch7，來提高汽車行駛判斷的能力，以便能將從相機搜集到的周圍道路資訊，包括來往車輛、交通號志，以及各式障礙物等，經過機器學習演算法計算后，來決定接下來的行駛策略，是要變更行駛路線，抑或是調整車速快慢等。

根據Nvidia的說明，這輛自駕車經過道路實測后，初期已能在美國紐澤西高速公路上完成9成以上的自動化駕駛，甚至少數路段更達到全程自動化行駛，即使是在不同氣候環(huán)境條件下，如雨天等，汽車也能正常行駛。

除了成立無人汽車研究團隊來開發(fā)自駕車外，Nvidia最近也宣布將參與協(xié)助打造首輛賽車用的無人汽車計畫，該賽車完成后將參加Formula E電動方程式即將在2016至2017年賽季首度舉辦的Roborace自動駕駛汽車大賽，并挑戰(zhàn)要在1小時內連續(xù)跑完數十圈以上的賽道。

而從Nvidia目前所公布關于這輛賽車的架構設計圖，也顯示出這輛無人賽車之后也將采用Nvidia新一代自動駕駛平臺Drive PX2，做為汽車電腦系統(tǒng)核心。這場專業(yè)無人車賽的最后決勝關鍵，將決定于哪只隊伍可以運用機器學習，甚至借助深度學習的類神經演算法，以發(fā)揮出更準確的駕駛判斷能力。