🟩NVIDIA Developer Blog•較早收集於 31m
NVIDIA DRIVE 集中雷達處理實現更安全 L4 自動駕駛
💡NVIDIA DRIVE 解鎖進階雷達 ML 實現更安全 L4 自動駕駛（24字）
⚡ 30-Second TL;DR
有什麼變化
現有雷達限制 ML 僅用 CFAR 輸出，類似 CV 邊緣偵測
為什麼重要
此升級為 AI 開發者提供更好雷達資料融合，加速 AV 感知模型開發。強化 NVIDIA 在汽車 AI 地位，有助 OEM 加速 L4 部署。
下一步行動
探索 NVIDIA DRIVE 開發者資源，整合雷達 ML 管線。
誰應關注：Developers & AI Engineers
關鍵要點
- •現有雷達限制 ML 僅用 CFAR 輸出，類似 CV 邊緣偵測
- •DRIVE 集中處理實現類原始雷達資料供 AI 使用
- •解決通訊/計算落後 L4 自動駕駛趨勢
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •NVIDIA DRIVE 集中式雷達處理利用 DRIVE Thor 平台的強大算力，將雷達訊號處理從感測器端轉移至中央運算單元，實現了對原始雷達數據（Raw Radar Data）的深度神經網路（DNN）處理。
- •此技術架構顯著提升了在惡劣天氣（如大雨、濃霧）及複雜城市環境下的物體偵測與分類準確度，解決了傳統雷達因過度濾波導致的資訊遺失問題。
- •透過將雷達處理整合至中央架構，車廠能減少各個雷達感測器內部的複雜處理晶片，進而降低硬體成本並簡化車輛電子電氣（E/E）架構的複雜度。
📊 競品分析▸ Show
| 特色 | NVIDIA DRIVE 集中式雷達處理 | Mobileye (Imaging Radar) | Waymo (Custom Radar) |
|---|---|---|---|
| 處理架構 | 中央集中式 (DRIVE Thor) | 分散式與邊緣處理結合 | 高度客製化專有硬體 |
| 資料存取 | 原始/類原始數據 (Raw Data) | 處理後數據 (Object-level) | 原始數據 (Raw Data) |
| 生態系統 | 開放式軟體定義平台 | 封閉式整合解決方案 | 內部垂直整合 |
| 基準測試 | 高度依賴 AI 模型效能 | 專注於低功耗與高可靠性 | 針對特定場景優化 |
🛠️ 技術深入
- 架構轉移：將傳統雷達感測器中的數位訊號處理（DSP）負載卸載至 DRIVE Thor 中央計算平台，實現軟體定義雷達（Software-Defined Radar）。
- 數據處理流程：支援處理雷達的 ADC（類比數位轉換器）數據，允許 AI 模型直接從雷達的距離-都卜勒（Range-Doppler）圖譜中提取特徵。
- 神經網路整合：利用 Transformer 架構處理雷達時序數據，提升對移動物體速度與軌跡預測的精確度。
- 頻寬需求：透過高速車載乙太網路（Automotive Ethernet）傳輸原始雷達數據，對車輛通訊匯流排頻寬提出更高要求。
🔮 前景展望AI analysis grounded in cited sources
雷達感測器硬體將趨向商品化與輕量化。
隨著處理負載轉移至中央計算平台，感測器本身僅需負責訊號採集，將大幅降低單一雷達模組的製造成本。
L4 自動駕駛系統對車載乙太網路的頻寬需求將翻倍。
傳輸原始雷達數據而非處理後的物件數據，會產生巨大的數據吞吐量，迫使車輛架構升級至 10Gbps 以上的乙太網路標準。
⏳ 時間線
2022-09
NVIDIA 發布 DRIVE Thor 中央車載計算平台，為集中式處理奠定硬體基礎。
2024-01
NVIDIA 在 CES 期間展示 DRIVE Thor 在自動駕駛領域的軟體定義功能擴展。
2025-03
NVIDIA 宣布與多家雷達供應商合作，推動雷達數據介面標準化以支援集中式處理。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： NVIDIA Developer Blog ↗