安森美与英伟达合作,将Hyperlux传感器引入NVIDIA DRIVE平台,提升自动驾驶汽车的机器视觉性能
Hyperlux 系列增强了 NVIDIA DRIVE 开发平台的感知能力,进一步提高驾驶安全性
亮点
2023年9月21日—安森美(onsemi)今日宣布,其 Hyperlux™ 图像传感器系列产品现已引入NVIDIA DRIVE 平台,可大大增强自动驾驶汽车的视觉能力并提高安全性。有了这强大的技术组合,自动驾驶系统就能充分利用Hyperlux传感器的优势,可在任何光照条件下以出色的图像质量捕获到更多细节。
视觉系统是自动驾驶最关键的功能之一。Hyperlux 图像传感器提供超精细图像,且无需更改曝光设置,即可避免视觉盲区。这为NVIDIA DRIVE平台提供更高质量的数据,使其能够快速处理并做出更明智的决策。此外,这些传感器还具有领先业界的低功耗特性,与NVIDIA DRIVE平台的高效架构相结合,为自动驾驶汽车(AV)的运行带来超低功耗的选择。
NVIDIA DRIVE 是开放的、可扩展的人工智能(AI)平台,含硬件、软件和固件,可协同工作以赋能自动及无人驾驶车辆的生产。
更好的视觉促成更高安全性
安森美汽车感知部副总裁Chris Adams说:“出色的图像质量对于自动驾驶汽车至关重要,人们期望自动驾驶汽车能够比人类驾驶员表现得更好。将Hyperlux引入NVIDIA DRIVE平台,汽车制造商可以打造一个比驾驶员更早发现问题、并做出更好决策来避免这些问题的系统,这是实现全自主驾驶的关键一环。”
Hyperlux 图像传感器是当今少数能提供 150 dB高动态范围(HDR)的传感器,可以满足并超越上述期望。例如,即使在面对夕阳驾驶、人眼可能炫目的情况下,使用 Hyperlux 图像传感器的自动驾驶汽车也能区分远处的交通信号灯是黄色还是红色。即使在低光照的场景下,采用超级曝光像素技术的图像传感器的性能也能超越要求,可以捕获到驾驶时人眼可能难以看清的人、动物和物体。
Hyperlux 传感器为NVIDIA DRIVE平台提供所需的信息以做出更准确的决策,因为它们几乎不会丢失可能包含关键细节的帧,也不会像其他传感器需要更改曝光模式以获得清晰图像。没有了延迟,系统可以看到视野中的任何细节,包括人眼无法看到的物体,并做出决策。
NVIDIA传感器生态体系高级总监Glenn Schuster说:“建立公众对自动驾驶的信心,就是要能够保证这些4个轮子的超级计算机能够将您安全地带到您要去的地方。Hyperlux图像传感器现已成为我们生态体系的一部分,我们可以不断为汽车OEM及其一级供应商客户群提供满足其独特需求的最佳选择--确保更高级别的系统性能、功能安全和网络安全。”
稳定可靠的性能
为了确保安全,图像传感器需要在任何条件下都保持稳定的性能。在极端温度下,图像质量会下降,从而降低整个系统执行物体检测和分类等感知任务的效率。Hyperlux 系列产品可在 -40 ℃ 至 125 ℃ 的整个汽车应用温度范围内,为视觉和感知应用提供领先的图像质量,从而避免性能下降。Hyperlux 系列不仅能在高温条件下带来清晰的图像,还能捕获快速移动的物体、汽车前灯和闪烁的灯光,从而提高系统安全性。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。