Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com29. Mai 2019 · Q011120

Peek Under the Hood of NVIDIA Self-Driving Software

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

NVIDIA beschreibt drei Bausteine für autonomes Fahren: ein Ensemble aus drei Netzen zur Pfaderkennung, WaitNet zur kontextbasierten Kreuzungserkennung ohne Karte und ClearSightNet zur Bewertung von Sichtbeeinträchtigungen der Kamera. Laut Unternehmen sind die Funktionen in DRIVE Software 9.0 enthalten; der Beitrag erläutert ihre Ansätze und Anwendungen, enthält aber keine unabhängigen Nachweise zu Leistung oder Sicherheit.

Mittel

Der vollständige Beitrag beschreibt drei von NVIDIA entwickelte Bausteine für autonome Fahrzeuge und ordnet sie in die DRIVE-AV-Software ein. Bei der Pfaderkennung kombiniert NVIDIA drei neuronale Netze: LaneNet erkennt Fahrbahnlinien, PathNet die Ränder befahrbarer Wege und PilotNet mittige Fahrpfade nach menschlichen Fahrtrajektorien. Ein Ensemble führt ihre Vorhersagen zusammen; deren Übereinstimmung und Abweichung soll die Einschätzung der Zuverlässigkeit während der Fahrt ermöglichen, wenn keine perfekte Referenz vorliegt.

WaitNet erkennt und klassifiziert Kreuzungen anhand des visuellen Gesamtkontexts, etwa Stoppschildern, Ampeln und Fahrbahnmarkierungen, ohne eine Karte zu verwenden. Laut NVIDIA mindert dieser Ansatz die Abhängigkeit von Einzelmerkmalen und fest codierten Regeln. ClearSightNet markiert verdeckte oder sichtgeminderte Bildbereiche und schätzt den betroffenen Bildanteil. Das Fahrzeug könne diese Information etwa zum Unterlassen autonomer Funktionen bei starker Beeinträchtigung oder zur Anpassung der Erkennungssicherheit nutzen.

NVIDIA zufolge laufen die Funktionen auf DRIVE AP2X; sie seien in DRIVE Software 9.0 enthalten. Der Beitrag stellt die Verfahren und geplanten Anwendungen vor, liefert jedoch keine unabhängigen Leistungs- oder Sicherheitsnachweise.

Ausführlich lesen

Der vollständige Bericht von NVIDIA stellt drei Softwarebausteine für autonome Fahrzeuge vor. Das Unternehmen beschreibt sie als Teil seiner DRIVE-AV-Missionen: einzelne Funktionen, die zusammen ein sicheres Fahrsystem bilden sollen und laut NVIDIA jeweils redundante, unterschiedliche Fähigkeiten bereitstellen. Der Beitrag erläutert Ansätze aus der Videoreihe DRIVE Labs; unabhängige Prüfungen oder vergleichende Leistungsdaten enthält er nicht.

**Pfaderkennung:** Eine zentrale Herausforderung für Level-2+-Systeme sei, die befahrbare Strecke während der Fahrt zuverlässig zu bestimmen. Anders als bei der Auswertung aufgezeichneter Videos stehe im Live-Betrieb keine perfekte Referenz zur Verfügung. NVIDIA kombiniert deshalb mehrere Pfadsignale und optional eine HD-Karte. Drei neuronale Netze liefern unterschiedliche Vorhersagen: LaneNet erkennt Fahrbahnmarkierungen, PathNet die Ränder befahrbarer Wege auch ohne sichtbare Markierung, und PilotNet schätzt mittige Fahrpfade anhand menschlicher Fahrtrajektorien. Ein Ensemble-Verfahren führt diese Ergebnisse zusammen. Die Übereinstimmungen und Abweichungen der Signale sollen laut Bericht helfen, die Zuverlässigkeit in Echtzeit einzuschätzen und ein besseres Gesamtergebnis zu erzielen.

**Erkennung von Kreuzungen:** WaitNet soll Kreuzungen anhand des Gesamtbilds in Echtzeit erkennen und klassifizieren, ohne auf eine Karte angewiesen zu sein. Der Ansatz berücksichtigt den Kontext mehrerer visueller Hinweise, etwa Stoppschilder, Ampeln und ungewöhnliche Fahrbahnmarkierungen. So müsse das System laut NVIDIA nicht für jeden Kreuzungstyp einzeln festlegen, welche Merkmale wichtig sind und wie sie durch feste Regeln zu kombinieren sind. Weil es sich nicht auf einzelne Hinweise stütze, könne es außerdem verhindern, dass ein Fehler bei einem Merkmal – etwa ein übersehenes Stoppschild – automatisch zur Nichterkennung der ganzen Kreuzung führt.

**Kamerasicht:** ClearSightNet bewertet, ob Kamerabilder durch Regen, Schnee, Verdeckung oder eingeschränkte Sicht beeinträchtigt sind. Das Netz teilt Bildbereiche in vollständig verdeckte sowie teilweise verdeckte oder sichtgeminderte Bereiche ein, stellt sie als farbige Maske dar und gibt den betroffenen Bildanteil als Verhältnis oder Prozentwert aus. Das Fahrzeug könne diese Information etwa nutzen, um bei starker Beeinträchtigung die autonome Funktion nicht zu aktivieren, eine Warnung auszugeben oder die Zuverlässigkeit der Kameraerkennung anzupassen.

NVIDIA gibt an, Entwicklungsdaten mit Sensoren des DRIVE-Hyperion-Kits zu erfassen und die Funktionen auf der DRIVE-AP2X-Plattform auszuführen. Pfaderkennung werde unter anderem mit Kamera-Radar-Hinderniserkennung zur Zuordnung von Hindernissen zu Fahrspuren kombiniert. ClearSightNet und WaitNet seien Bestandteile weiterer kamerabasierter Funktionen und böten offene APIs. Die drei vorgestellten Funktionen seien in DRIVE Software 9.0 enthalten. Der Bericht beschreibt NVIDIAs Verfahren und vorgesehene Einsatzmöglichkeiten, belegt aber weder deren Genauigkeit noch eine Sicherheitswirkung im unabhängigen Praxistest.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung stützt sich nur auf den Bericht; Lunas Stufen und Anteile wurden nicht übernommen. Der Bericht ist ein Herstellerbeitrag ohne unabhängige Belege.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Pfaderkennung beruht auf dem Prinzip von Diversität und Redundanz, um Vertrauen in Echtzeit aufzubauen.
  • Die Daten stammen aus Sensoren des DRIVE-Hyperion-Kits, und die Funktionen laufen auf der DRIVE-AP2X-Plattform.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 41 %einzelne zitierbare Belege
    • JEV 54 %einzelne zitierbare Belege
    • amos 25 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 25 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 68 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 34 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 31 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Agenten und vernetzte Systeme
  1. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 42 %einzelne zitierbare Belege
    • amos 25 %nur am Rande erwähnt
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 46 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 43 %einzelne zitierbare Belege
    • JEV 51 %einzelne zitierbare Belege
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 34 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →