思腾合力自动驾驶 AI 解决方案，使其决策算法能变得更加智能和完善

随着人工智能发展，汽车智能化形成趋势，目前辅助驾驶功能渗透率越来越高，这些功能的实现需借助于摄像头、雷达等新增的传感器数据，其中视频(多帧图像)的处理需要大量并行计算。

| 解决方案

传统 CPU 算力不足，这方面性能强大的 GPU 替代了 CPU。再加上辅助驾驶算法需要的训练过程，GPU 成为目前主流的解决方案，NVIDIA Tesla 系列 GPU+DRIVE AGX 平台。

| 方案价值

自动驾驶车端的实时处理以及云端训练。云端训练的基本流程为，首先采集路上跑着的部分自动驾驶汽车的各种实时路况，包括摄像头、雷达等采集的视频、数据等，然后通过网络专线上传到云端，云端的大规模深度学习服务器集群会利用 AI 算法框架对这些真实的行车数据进行训练、学习，最后得出一套训练结果下发到车端，使得自动驾驶汽车的决策算法能变得更加智能和完善，更加适应国内的真实交通环境。

案例：某知名汽车品牌AI驾驶基础架构建设

在研发的过程中，尤其是深度神经网络建模及训练，需要大量计算力，因为汽车自动驾驶是需要很多大量数据进行训练，让这个汽车能够去进行图象图形的识别，然后应用在汽车当中，让我们的汽车能够智能化的去自动驾驶。

| 解决方案

• 6 节点思腾合力 IW4213-4G

• NVIDIA 深度学习 SDK

• NVIDIA DRIVE® 软件堆栈

| 客户收益

GPU 作为底层平台，很好的起到了加速应用的作用，帮助深度学习的研发人员更快的训练出成熟的模型；其次，用户可以根据需求选择不同的平台，深度学习研发人员需要在算法、统计方面精益求精，都需要一个生态环境的支持，GPU 已经构建了 CUDA、cuDNN 及 DIGITS 等工具，支持硬件兼容，GPU 高性能解决方案让研发人员能够排除意外干扰，专注于深度学习的研究项目中。

| 客户反馈

思腾合力设计建设的 GPU 集群使汽车自动驾驶研发、训练的过程得到优化，也推动着汽车自动驾驶发展的步伐。服务器集群中的计算节点为训练工作提供了强大的平台，网络节点保证了数据的快速传输，管理节点简化了操作的繁琐，最后的存储节点保证了海量数据的安全。定期的集群扩展解决了我公司因发展迅速导致的 GPU 集群性能不足的问题。思腾合力为我公司在 AI 行业中的汽车自动驾驶研发工作提供了动力。