英伟达DRIVE AV助力奔驰CLA获欧洲NCAP最佳表现奖,树立车辆安全新标杆

英伟达DRIVE AV助力奔驰CLA获欧洲NCAP最佳表现奖,树立车辆安全新标杆-有驾

人工智能驱动的驾驶辅助技术正成为标准配置,从根本上改变了车辆安全评估和验证的方式。

梅赛德斯-奔驰CLA最近被欧洲NCAP评为2025年最佳表现车型,这一认可凸显了这一变化。该车型将传统被动安全功能与英伟达DRIVE AV软件相结合,获得了年度最高综合安全评分。

"当欧洲NCAP评估车辆安全时,它会评估被动和主动系统——要获得完美分数,需要配备最先进的高级驾驶辅助系统,"梅赛德斯-奔驰集团首席执行官Ola Kallenius表示。"这一里程碑代表了梅赛德斯-奔驰与英伟达五年合作的成果,旨在提升现实世界的安全性并为客户提供切实价值。"

欧洲NCAP(欧洲新车评价规程)近30年来一直是欧洲独立的车辆安全权威机构,得到欧洲各国政府、汽车组织和消费者团体的支持。

欧洲NCAP从四个反映现实世界安全的类别对车辆进行评估。对于人工智能驱动的驾驶辅助系统,最相关的是"弱势道路使用者"和"安全辅助"类别,这些类别评估旨在帮助预防碰撞的技术——包括自动紧急制动、车道保持支持和速度辅助。

只有在标准配置下获得五星评级的车辆才有资格获得"同类最佳"认可,获奖者由所有类别的加权分数决定。2025年,欧洲NCAP测试了创纪录的49款车型。

人工智能重新定义汽车安全

像欧洲NCAP这样的安全评级越来越认可那些将强大被动保护与先进主动安全性能相结合的车辆。随着人工智能成为驾驶的核心,"最安全"汽车的基准将不仅仅由车辆如何处理碰撞来定义,还要看它如何有效地帮助预防碰撞。

梅赛德斯-奔驰CLA搭载英伟达DRIVE AV,这是一种双堆栈架构,旨在帮助汽车制造商提供不仅智能,而且在现实世界中可预测、可验证和有韧性的系统。该架构将人工智能驱动的端到端驾驶系统与并行的传统安全堆栈配对,在自动驾驶感知、规划和执行方面提供冗余。

CLA还基于英伟达DRIVE Hyperion架构构建,该架构将传感器多样性和硬件冗余纳入车辆的整体设计中。

这种方法的核心是英伟达Halos——一个涵盖硬件、软件、工具、开发流程和认证支持的综合安全系统。Halos为开发自动驾驶和其他人工智能功能提供结构化的安全基础,同时保持稳健的防护栏、冗余和容错能力。

第三方认证和评估对建立信任也很重要:

TUV SUD向英伟达授予ISO 21434网络安全流程认证,涵盖其汽车片上系统、平台和软件工程流程。此外,英伟达DriveOS 6.0符合ISO 26262汽车安全完整性等级(ASIL) D标准。

TUV Rheinland对英伟达DRIVE AV进行了独立的联合国欧洲经济委员会(UNECE)安全评估,涉及复杂电子系统的安全要求,英伟达成功通过了评估。

英伟达最近发布了其Alpamayo系列开放人工智能模型、仿真工具和数据集——这使得自动驾驶汽车能够通过将场景分解为更小的步骤、推理多种可能的行动并最终选择最安全的行动,来导航甚至是它们未经训练的罕见"长尾"事件。将这些模型与英伟达DRIVE AV双堆栈架构中的并行传统安全堆栈结合使用,提供了额外的保护层,确保车辆在安全边界内运行。

从云到车的安全发展方法

现代人工智能驱动的安全系统从比任何人一生中能经历的更多的驾驶场景中学习。英伟达的云到车开发方法使用英伟达DGX系统进行神经网络训练,英伟达Omniverse和Cosmos平台进行仿真,英伟达DRIVE AGX进行车载计算,将现实世界数据转化为数十亿英里的仿真。

这种方法解决了安全验证中的关键挑战:训练人工智能导航罕见但高风险的边缘情况,这些情况在现实世界中测试过于危险或过于罕见而无法可靠测试。通过生成代表这些罕见情况的合成场景,人工智能系统可以在开发过程中学习适当的响应,而不会让人们面临风险。

CLA的认可不仅仅是一个车型获得了最高评级——它反映了现代车辆安全意义的更广泛转变,在这种转变中,可信的碰撞保护与人工智能驱动的驾驶辅助相结合,旨在首先帮助避免事故。

Q&A

Q1:英伟达DRIVE AV是什么?它如何提升车辆安全?

A:英伟达DRIVE AV是一种双堆栈架构,旨在帮助汽车制造商提供智能、可预测、可验证和有韧性的驾驶系统。它将人工智能驱动的端到端驾驶系统与并行的传统安全堆栈配对,在自动驾驶感知、规划和执行方面提供冗余保护。

Q2:奔驰CLA为什么能获得欧洲NCAP最佳表现奖?

A:奔驰CLA将传统被动安全功能与英伟达DRIVE AV软件相结合,获得了2025年度最高综合安全评分。该车型在欧洲NCAP的四个评估类别中表现出色,特别是在"弱势道路使用者"和"安全辅助"类别中,展现了先进的驾驶辅助技术。

Q3:英伟达如何训练人工智能处理罕见的驾驶场景?

A:英伟达采用云到车的开发方法,使用DGX系统进行神经网络训练,通过Omniverse和Cosmos平台进行仿真,将现实世界数据转化为数十亿英里的仿真场景。这样可以生成代表罕见情况的合成场景,让人工智能系统在开发过程中学习适当响应,而不会让人们面临风险。

0

全部评论 (0)

暂无评论