作者：Lior Swissa
翻译：Gabrielle
原文：https://medium.com/@liorswissa/nvidia-and-the-gpu-contribution-to-the-ai-world-of-self-driving-cars-1f00e3212508
记得2005年第一次观看DAPRA无人驾驶汽车挑战赛时，我便深受触动，遂立志也投身于这项伟业。但让我不解的是，此后的无人驾驶市场竟毫无进展，沉寂许久。而且，其实早在上世纪60年代，人工神经网络也就是负责处理驾驶数据的核心算法就已诞生。
倏忽之间，又是怎样的际遇触发了无人驾驶汽车和人工智能行业的风云变幻？——那就是英伟达公司，或者说是GPU（图形处理器）芯片设计的横空出世。不过，当年英伟达取得创举之时，对自己的汗马功劳并不自知。
我们先略谈下英伟达GPU的发展历程。1999年，英伟达推出 “世界上第一个GPU或图形处理器” GeForce 256，从此GPU为世人熟知。英伟达表示，该款芯片是 “集成了转换，投影，三角形设定/裁剪及成像引擎的单芯片处理器。”英伟达还首先推出了能进行可编程着色的芯片GeForce 3，其中每个像素都由一个小“程序”处理，小程序中还可输入额外的图像纹理，每个几何顶点也同样先由一个小程序处理，而后再投射到屏幕上（来源：维基百科）。此外，GPU主要用于游戏等任务中的图形实现问题。
直至2013年，斯坦福大学的Andrew Ng带领的团队意识到，他们可以用GPU并行运行神经网络，不必像以往一样在CPU上串行处理，至此，从CPU到GPU的重大突破才得以形成。
GPU为何适用于人工智能和深度学习？
首先我们要先了解一下神经网络（NN）的工作原理。
神经网络是简单可训练数学单元的集合。这些单元可协同合作，学习复杂函数。输入数据充足时，NN可通过映射原始数据近似计算出复杂函数的输出结果。
结构上，神经网络是一个三层结构的代数单元即人工神经元：输入层，负责将数据传入网络；隐含层，对接收的所有数据进行计算；还有输出层，提供分类预测或输出决策。首先，要将数据前馈到神经网络中，然后比较预测结果和实际结果。如果预测不正确，就要改善模型，以降低错误率和提高性能表现。因此只有用大量数据训练神经网络，才能使该模型在处理所有数据时的平均表现都具备低错误率和高准确度。
神经网络各项操作分别为：卷积，池化，激活函数和反向传播，而这些恰恰是GPU所擅长的。
我在网上看到过一个很恰当的类比：假设你要选法拉利或大卡车搬家。法拉利虽快，但每趟载的东西少且耗油。卡车能以更低开销一次性把行李拉完，且行李全都在一辆车上，想要拿东西也更方便。
其实也就是说，GPU预测精度更高、运算更快、内存足迹更小，能耗和成本更低。CPU或许擅长某个简单计算，但对于人工智能所需的大规模重复计算，GPU可是甩了CPU几条街。
GPU已经成为人工智能技术的最核心组件，作为它的发明者，此时的英伟达可谓手握金矿。那么，英伟达将如何进一步改善GPU在神经网络或其他解决方案中的性能？
首先，英伟达有一点可谓深谋远虑。英伟达为深度学习应用打造了全栈式的解决方案结构，数据科学家和工程师们可利用这些技术更快捷地部署程序。
从一开始的GPU制造商，到设计出如此全面的生态系统，英伟达着实值得赞叹。为提升GPU处理神经网络的表现，英伟达还特意调整了软件端，使其更适应在GPU运行。
深入地讲，英伟达的CUDA（Compute Unified Device Architecture，统一计算设备架构）其实是并行计算平台和编程模型。该平台能利用GPU大幅度提升计算性能。开启GPU加速的应用可使用高级语言在CPU上运行负载的串行部分，同时加快GPU上的并行处理。这就叫做“GPU计算”。
英伟达如何在无人驾驶汽车中实施端到端的解决方案？
上图中层层叠加，一同构成了英伟达现在的“无人驾驶汽车端到端的学习”系统。
1.英伟达神经网络系统
英伟达创建了一款基于神经网络的PilotNet系统。该系统可通过获取前方路况的图像输出方向盘转角，是完整自动驾驶软件堆栈的组成部分。PilotNet的训练数据来自人类驾驶员驾驶数据搜集汽车时方向盘转角对应的路面图像。通过观察人类驾驶员，PilotNet可提取必备的领域知识，减少了人类工程师预测图像中重要因素和归纳安全驾驶所需规则的工作。行车实验表明，PilotNet可在各类行车环境中成功保持车道，不受车道标记是否存在的影响。
除学习车道标记，道路边缘以及其他车辆等明显特征外，PilotNet还学习了更多工程师难以预知和编程的微小特征，如路边的漏板托砖以及特别车型等（来源：卡奈尔大学计算机科学系）。
2.英伟达DRIVE PX
训练了神经网络后，就该DRIVE PX出场了。DrivePx is是车中的无人驾驶计算机，负责处理从环境中获取（即传感器提供的）的所有数据（图像）并输出结果，即驾驶决策。
DrivePx可实时了解车辆周边发生的事件，还能在高清地图上精确定位所在车辆，并规划安全行驶道路。DRIVE PX结合深度学习，传感器融合和周边视野提升驾驶体验，是世界上最为先进的无人驾驶汽车平台。
3.英伟达DriveWorks
DriveWorks是一款软件开发工具包，其中有参考应用程序、工具以及库模块。DriveWorks还包含运行态下的流水线框架，该框架集成了驾驶流水线的各个方面，包括检测，地图绘制，定位，规划道路和可视化等。
4.英伟达高清地图绘制
MapWorks与英伟达DriveWorks系统的架构相匹配，两者均针对汽车制造商，地图制作公司和创业企业等客户。整个系统利用相机和深度学习算法探测车道、路标等其他标记，还可创建地图和判断环境是否变化。
运动恢复结构算法（Structure from motion）能将多个相机中的数据转换为详细的三维测绘信息，实现自我定位。该算法还能结合车中多个惯性传感器的数据，GPS和相机的数据，准确定位关键路标。激光雷达信息还可用来创建细节更丰富的地图。人工智能和VSLAM（基于视觉的同时定位与构图）算法相结合，创建地图的每个环节都迎刃而解。
5.英伟达AI co-pilot系统（人工智能副驾驶）
AI Co-Pilot系统可通过监控汽车驾驶员的驾驶行为，做出更佳决策并规避风险，提升用户驾驶体验。AI Co-Pilot通过接收车内外的麦克风和摄像头上的传感器数据，可以了解驾驶员周边的环境。如果驾驶员有危险如要撞车时，系统就会警告驾驶员并刹车。AI Co-Pilot会全程参与驾驶，利用深度学习网络技术，AI Co-Pilot还能跟踪驾驶员的头部和眼部运动，并采用先进的语音识别，读唇和自然语言理解技术与司机对话。
总而言之，英伟达不仅打造了可圈可点的人工智能和无人驾驶汽车技术的端到端解决方案上，还与多个汽车制造商巨头合作研发无人驾驶汽车，不愧被《麻省理工科技评论》评为2017年度全球最聪明企业之首。
相信下一款奥迪A8模型就将应用上述技术，我个人相当期待。
想要一睹英伟达无人驾驶项目的风采？以下是2017年CES展会（国际消费类电子产品展览会）上英伟达无人驾驶汽车的演示视频：
https://www.youtube.com/watch?v=fmVWLr0X1Sk
注：本文很多信息来自英伟达官网。
本文系网易新闻&网易号“各有态度”特色内容
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
