Nel corso della Hot Chips conference che si è svolta a Cupertino, Nvidia ha parlato dei suoi nuovi chip ARM destinati alle vetture a guida autonoma. Di Parker si era parlando in concomitanza del CES di Las Vegas a inizio anno, con l’introduzione della piattaforma NVIDIA DRIVE PX 2. La piattaforma in questione usa due processori Parker e due GPU che sfruttano l’architettura Pascal per alimentare le applicazioni di deep learning.
Nvidia afferma che più di 80 costruttori di auto, loro fornitori e centri di ricerca universitari in tutto il mondo usano il sistema DRIVE PX 2 per lo sviluppo di auto a guida autonoma; tra questi c’è Volvo che prevede dal prossimo anno la prova su strada dei sistemi DRIVE PX 2 in abbinamento ai SUV XC90.
Parker offre performance pari a 1.5 teraflops e varie funzionalità di interesse per i produttori di auto, incluso deep learning, virtualizzazione hardware, sicurezza a livello hardware, funzioni per la rivelazione di errori e loro elaborazione, un insieme di porte di I/O che semplificano l’integrazione nel settore automotive. L’architettura della CPU consiste in due CPU Denver a 64 bit accoppiate a quattro CPU ARM Cortex A57 a 64 bit, integrate per funzionare in configurazioni multi-processor eterogenee, combinando le core GPU per l’elaborazione in parallelo.
La velocità in queste piattaforme è fondamentale: per offrire un’esperienza di guida sicura, l’auto deve sapere dove si trova con la massima precisione, riconoscere gli oggetti attorno a sé e calcolare continuamente il percorso ottimale. Questa consapevolezza situazionale e contestuale dell’auto e del suo ambiente circostante sfrutta un potente sistema di Visual Computing in grado di fondere i dati provenienti da videocamere e altri sensori, oltre alle fonti di navigazione, elaborando allo stesso tempo la traiettoria più sicura.
La piattaforma DRIVE PX 2 può tenere conto dei dati di 12 videocamere, oltre a quelli di sensori lidar, radar e a ultrasuoni. Questo permette a specifici algoritmi di comprendere accuratamente l’ambiente attorno alla macchina a 360° riproducendo una rappresentazione affidabile, che include oggetti statici e dinamici. L’uso delle DNN (Deep Neural Network) per il rilevamento e la classificazione degli oggetti aumenta nettamente l’accuratezza dei dati risultanti.
