NVIDIA DRIVE® 軟體團隊持續創新，開發多元的冗餘深度神經網路，藉以建立安全而強大的自駕系統，幫助產業轉型。
選擇下列標籤以深入瞭解應用過程。
深入探討特定自駕演算法的短片。
精確的環境感知對於自動駕駛車輛（AV）的安全性至關重要，特別是在處理未知條件時。在這期的 DRIVE Labs 中，我們討論了一個名為 SegFormer 的 Vision Transformer 模型，該模型可在保持高效率的同時生成強大的語義分割結果。此影片介紹 SegFormer 內部機制，以實現其穩健度和高效率。
在評估安全性時，以潛在的接近事故場景來測試自駕車（AV）至關重要，但在現實世界中進行此類測試十分困難且不安全。在這期的 DRIVE Labs 中，我們討論 NVIDIA 研究人員提出的一種名為 STRIVE（Stress-Test Drive）的新方法，可在模擬環境中自動生成自駕車的潛在事故場景。
瞭解限速號誌看似容易，但是考量到不同車道限制，或是在不同國家/地區行駛的情況，這可能就變得很複雜。這一集 DRIVE 實驗室介紹人工智慧即時感知技術如何運用顯性與隱性提示，協助自駕車更加瞭解限速號誌的複雜規則。
攝影機和雷達等多樣化且冗餘的感測器是自駕車感知功能中不可缺少的要素。然而，僅採用傳統處理方式的雷達感應器可能還無法滿足要求。在這個 DRIVE Labs 影片中，我們將展示人工智慧如何解決傳統雷達訊號處理在分辨移動和靜止物體上的缺點，從而強化自駕車感知能力。
在這一集的 DRIVE 實驗室，我們會展示 DRIVE IX 如何感知駕駛的注意力、活動、情緒、行為、姿勢、語音、手勢和心情。駕駛感知功能是平台中很重要的層面，可讓 AV 系統確保駕駛保持警覺並注意路況，也能讓人工智慧系統能夠執行更直覺也更智慧的座艙功能。
在這一集的 DRIVE 實驗室，我們會展示如何運用軟體定義的人工智慧技術，在幾週內大幅改善光源感知深度神經網路 (DNN) 的效能和功能，包括擴大範圍、新增分類功能等。
自駕車透過人工智慧得以預測交通模式，並在複雜的環境中安全行駛。在這一集的 DRIVE 實驗室，我們會展示 PredictionNet 深度神經網路如何運用即時認知和地圖資料，預測其他用路人的未來路徑。
自動處理交叉路口對自駕車而言是一連串複雜的挑戰。在先前的 DRIVE 實驗室系列影片中，我們展示過如何運用 WaitNet DNN 偵測交叉路口、交通燈號和交通號誌。以及如何使用 LightNet 和 SignNet DNN，來分類交通燈號的狀態和交通號誌類型。在這一集中，我們會進一步展示 NVIDIA 如何運用人工智慧來感知自駕車每天在行駛過程中可能經過的各種交叉路口結構..
主動學習讓人工智慧能夠自動選擇正確的訓練資料。專用 DNN 組合會檢查影像畫面集區，並標示無法確認的畫面。接著，這些畫面會加上標記並新增到訓練資料集中。這個程序可改善艱困環境下的 DNN 感知能力，例如夜間行人偵測。
DRIVE Dispatch 第二季回歸。本集我們將展示基於端到端雷達 DNN 的叢集、Real2Sim、駕駛與乘客監控等進展。
在本集 NVIDIA DRIVE Dispatch 中，瞭解交通動態預測、道路標記檢測、3D 合成資料視覺化等技術的進展。
在本集 NVIDIA DRIVE Dispatch 中，瞭解駕駛路徑認知、攝影機和雷達定位、停車位偵測等技術的進展。
在本集中，我們將展示使用生成資料來加強對 DNN 的訓練、運用雷達感測器來預判未來的動作、如何針對群眾協作的 HD 地圖建立 MapStream 及更多內容。
瞭解 DepthNet、道路標記偵測、多雷達自我運動預測、跨相機特徵追蹤等技術的最新進展。
探索停車位偵測、地標偵測的 3D 定位，還有我們第一款使用自動產生之 MyRoute 地圖和道路平面的自駕技術，以及懸吊系統預測的技術進展。
瞭解分類和避開機車功能、交通燈號偵測、2D 長方體穩定度、相機註釋中的 3D 自由空間、光學雷達偵測流程，以及頭燈/車尾燈/路燈感知的技術進展
立即訂閱 NVIDIA 汽車電子報，以即時收到最新的 DRIVE 影片。