NVIDIA DRIVE 團隊持續創新，開發端對端自動駕駛解決方案，推動產業轉型。
選取下方分頁，深入瞭解。
重點介紹我們自駕車技術的基礎元件。
在本集 DRIVE 實驗室中，我們將討論 NVIDIA 三項生成式人工智慧 (如文字轉模擬) 的重大進展，用以建立真實環境、產生自然駕駛行為，並編輯所得情境以進行嚴格的自駕車評估與訓練。
NVIDIA 端到端駕駛模型將檢測、跟蹤、預測和規劃結合在一個設計簡潔的單一網路中。規劃輸入直接來自感應器資料生成的鳥瞰特徵圖。
適應不同環境、習俗和法律的駕駛行為，一直是自動駕駛長期以來的挑戰。 LLaDA (大型語言駕駛助理) 是一種 LLM 網路，能以不同語言就當地交通規則即時指引，讓人類駕駛和自駕車更輕鬆地在陌生環境中行駛。
自動駕駛汽車模擬的有效與否，在於能否重現真實世界。 由於情境變得更加動態和複雜，對擬真度的需求也隨之增加，實現起來也更具挑戰性。 在這一集中將介紹重建動態駕駛情境的方法 EmerNeRF。
隨著汽車製造商將自動駕駛整合至車隊，將自駕車技術延伸到不同類型的車輛時可能會遇到挑戰。 在本集 NVIDIA DRIVE 實驗室中，我們深入探討了視角穩健性，並探索了如何通過動態視圖合成來提供解決方案。
HALP (硬體感知延遲修剪) 是一種新技術，專為調整卷積神經網路 (CNN) 與轉化器架構而設計，實現即時效能。 在本影片中，瞭解 HALP 如何最佳化預先訓練的模型，充分發揮運算利用率。
「3D 佔用狀況預測」概念對開發安全且穩健的自駕系統至關重要。 在這一集中，我們將超越傳統的鳥瞰視角，展示在 CVPR 2023 上贏得 3D 佔用狀況預測挑戰賽的 NVIDIA 3D 感知技術。
早期網格融合 (EGF) 是一項全新技術，可加強自動停車輔助的近距離避障功能。EGF 結合機器學習攝影機與超音波感應器，能準確偵測及感知周圍障礙物，提供 360 度全方位視角。
精準的環境感知對自駕車 (AV) 的安全性至關重要，在處理未知狀況時更是關鍵。 在本集 DRIVE 實驗室中，我們介紹了名為 SegFormer 的視覺 Transformer 在保持高效運行的同時，生成穩健的語義分割。 本影片將介紹 SegFormer 的穩健性和效率背後的機制。
以全新技術突破為重點，展示自動駕駛車隊的最新進展。
在最新一集的 NVIDIA DRIVE Dispatch 中，學習如何從單一驅動產生 4D 重建，以及可用於預測自駕車應用中道路代理 (Agent) 的未來行為與軌跡的深度神經網路 (DNN) PredictionNet 。 我們也將深入了解如何使用 NVIDIA DRIVE Sim 進行測試新車安全評鑑 (NCAP) 測試。
瞭解 NVIDIA DRIVE 在自駕車感知技術的最新進展。 在本集 Dispatch 中，瞭解如何利用超音波感應器在停車場等低速區域偵測周圍物體的高度。 RadarNet DNN 能偵測可駕駛空間，Stereo Depth DNN 則負責估算環境幾何結構。
DRIVE Dispatch 第二季回歸。在本集中，瞭解端對端雷達神經網路叢集、Real2Sim模擬技術、駕駛與乘客監控系統等進展。
在這集 NVIDIA DRIVE Dispatch 中，我們介紹了交通動態預測、道路標記檢測、3D 合成數據高解析度視覺化等方面的進展。
在這集 NVIDIA DRIVE Dispatch 中，我們介紹了可行駛路徑感知、相機和雷達定位、停車位偵測等方面的最新進展。
在這集 NVIDIA DRIVE Dispatch 中，我們介紹了用於改進 DNN 訓練的合成數據、僅靠雷達進行感知預測未來動向、以及 MapStream 創建高解析度地圖等技術進展。
瞭解 DepthNet、道路標記偵測、多雷達自我運動估計、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生成之 MyRoute 地圖和道路平面的自駕技術，以及懸吊系統估計的技術進展。
瞭解分類及迴避機車功能、交通燈號偵測、2D 立方體穩定度、相機註解生成的 3D 自由空間、光學雷達偵測流程，以及車頭燈 / 車尾燈 / 路燈感知的技術進展。
立即訂閱 NVIDIA 汽車電子報，即可收到最新的 DRIVE 影片。