Tag: Issac

除了揭曉Titan RTX，NVIDIA在此次2018年神經網路資訊處理系統會議 (NeurIPS)同時也展示以人工智慧技術建置3D虛擬世界，藉此讓自駕車系統能以此學習更多駕駛經驗，或是更有效率地針對遊戲或虛擬實境應用打造3D模擬環境。 在此之前，NVIDIA便提出訓練Jetson平台機器人學習行為的ISSAC虛擬環境應用，以及透過3D虛擬環境訓練自駕車系統的Autosim技術，透過模擬真實環境方式，讓機器人或自駕車系統能在更安全情況，同時藉由虛擬化，同時讓系統分成諸多「分身」進行大量學習，使得機器學習所需時間可以大幅縮減。 而此項技術之所以能實現，自然基於近年來顯示卡運算效能大幅提昇，並且帶動人工智慧學習運算應用，使得過去必須透過手工逐一建模的電腦繪圖場景、人物等內容，如今都能更快速地透過人工智慧技術快速生成，甚至能夠配合需求建造十足擬真的「虛擬世界」。 對於開發者、創作者來說，藉由人工智慧技術縮減原本製作場景、人物等內容所需時間，更能將時間等成本集中應用在主要內容項目，例如調整機器學習訓練細節，或是針對3D動畫內容光影細節部分進行必要修改等，藉此減少無謂的成本支出。 目前NVIDIA已經可以透過影片內容為範本，讓電腦自動分析影片內容特徵，進而產生具互動性的虛擬環境，藉此能運用在自駕車、遊戲或虛擬實境等項目，同時也能針對自動生成虛擬環境進行修改調整，或是進一步增減其中物件。 至於在此次神經網路資訊處理系統會議上的展示，則是運用Cityscapes Dataset、Apollo Scape收錄影像資料，藉由搭載多組Tesla V100的超級電腦DGX-1進行模擬訓練。

今年在CES提出名為Autosim技術，藉由虛擬化場景為自駕駛車進行訓練的應用模式後，NVIDIA在此次GTC 2018宣布將以Drive Constellation運算平台推行，主要是藉由負責建置、執行模擬場景的系統，讓搭載Drive Pegasus的超級車載電腦系統進行學習訓練，藉此讓自駕車可在即為安全的模擬環境中進行大量學習，並且可比照去年推出的ISSAC虛擬環境訓練Jetson平台機器人學習模式，讓自駕車系統能以虛擬化方式進行學習，甚至能以完全安全方式加快學習行駛里程數量。 Drive Constellation運算平台基本上就是去年推出Issac學習模式的擴展應用版本，雖然去年NVIDIA曾表示要建置一個虛擬世界讓自駕車在其中安全地學習，基本上就必須花費更大功夫，因此認為並沒有實際效率。不過，或許在短時間讓超級電腦運算能力大幅提昇，使得建置一個虛擬世界變得沒有那樣困難，使得NVIDIA得以用虛擬模擬方式安全訓練自駕車，同時也能藉由建置多組訓練系統，讓自駕車能在短時間內快速累積長達10億英哩的上路行駛里程。 依照NVIDIA的規劃，基本上會先實際透過街景車蒐集各地區道路實際路況，並且將這些數據放進模擬系統隨機生成不同道路、車輛數量，以及日夜與天後等變因，甚至也能在模擬訓練過程中加入更多特定條件，例如道路上的車輛多寡、是否有如警車等特殊車輛靠近時的情況，藉此讓自駕車在實際上路前可藉此完成前期訓練，避免在訓練尚不到位時就上路測試，結果造成傷亡等意外。 而從NVIDIA目前對於整個自駕車訓練流程來看，除了藉由安全的前期訓練之外，當自駕車實際上路之後仍會持續進行學習，並且持續將記錄數據同步至雲端，進而在透過學習驗證等過程後，即可透過雲端服務再同步至更多自駕車終端系統，讓所有在路上實際運作的自駕車都能獲得相同的學習經驗，並且讓自動駕駛表現更加準確。