


Reduzieren Sie Verkehrsunfälle, verbessern Sie die Lebensqualität in der Stadt – und die „Welle' des autonomen Fahrens steht vor der Tür
Selbstfahrende Autos können ihre Umgebung genau kartieren und den Standort und die Echtzeitbedingungen von Fahrzeugen, Ampeln, Fußgängern, Fahrbahnmarkierungen usw. in der Nähe überwachen. Aktuelle Untersuchungen zeigen, dass zwar noch erhebliche Verbesserungen an jedem dieser Subsysteme erforderlich sind, um voll funktionsfähige, sichere selbstfahrende Autos zu erhalten, sobald diese Meilensteinverbesserungen erreicht sind, werden die Menschen jedoch nicht nur die Funktionsweise ihrer Autos ändern, sondern auch entdecken Die Auswirkungen gehen weit über selbstfahrende Autos hinaus. In einem aktuellen Bericht blickte die amerikanische zweiwöchentliche Website Forbes auf vier Möglichkeiten, wie selbstfahrende Autos die Welt der Zukunft verändern sollen.
Verkehrsunfälle reduzieren
Daten der Weltgesundheitsorganisation zeigen, dass jedes Jahr etwa 1,3 Millionen Menschen bei Verkehrsunfällen sterben Weltweit könnte diese Zahl im Jahr 2030 2,2 Millionen Menschen erreichen. Die meisten dieser Unfälle werden durch menschliche Fehleinschätzungen verursacht. Darüber hinaus sterben in den Vereinigten Staaten jeden Tag etwa 32 Menschen bei Unfällen durch betrunkene Fahrer, was bedeutet, dass fast alle 45 Minuten ein Mensch stirbt. Heute sind Verletzungen im Straßenverkehr weltweit die achthäufigste Todesursache.
Selbstfahrende Autos können Verkehrsunfälle aufgrund von Fahrerfehlern vermeiden und das Auftreten von Trunkenheit am Steuer, böswilligem Fahren und anderen Verhaltensweisen reduzieren. Sensoren und Kameras an der Karosserie eines selbstfahrenden Autos können dabei helfen, zu erkennen, was vor ihm liegt, widrige Wetterbedingungen und die Wahrscheinlichkeit, dass andere Autos in eine bestimmte Richtung fahren. Waymo, die Tochtergesellschaft für selbstfahrende Autos von Alphabet, der Muttergesellschaft von Google, hat seine selbstfahrenden Autos der fünften Generation mit zusätzlichen Sensoren ausgestattet, darunter Lidar, 360-Grad-Kameras usw. Diese technische Ausrüstung hilft dem Fahrzeug, auf Wetterbedingungen zu reagieren. Zeit und andere ähnliche Faktoren beeinflussen die Fahrbedingungen.
Wenn selbstfahrende Autos zum Haupttransportmittel werden, wird die Zahl der Verkehrstoten um 94 % sinken. Untersuchungen ausländischer Institutionen zeigen, dass die Zahl der Todesfälle von 33.000 auf 11.300 pro Jahr sinken würde, wenn 90 % der Autos auf US-Straßen auf selbstfahrende Autos umgerüstet würden.
Der Besitz von Autos nimmt ab
Der Besitz eines Autos kostet jedes Jahr viel Geld, aber die meisten Autos stehen die meiste Zeit still auf dem Parkplatz.
Die meisten selbstfahrenden Autos der Zukunft werden wahrscheinlich als gemeinsam genutzte Fahrzeuge betrieben, die hauptsächlich Eigentum von Unternehmen sind, die gemeinsam genutzte Fahrzeuge nutzen. Dadurch wird die Zahl der Autobesitzer sinken, was dazu beiträgt, Verkehrsprobleme zu reduzieren und unnötige Parkplätze einzusparen. McKinsey & Company schätzt, dass autonome Fahrzeuge in den Vereinigten Staaten etwa 61 Milliarden Quadratfuß Parkplatz einsparen werden.
Selbstfahrende Autos können es Nutzern auch ermöglichen, beim Autokauf Geld zu sparen. Nach Angaben der National Association of Automobile Dealers liegt der Durchschnittspreis für ein neues Auto für Amerikaner bei etwa 30.000 US-Dollar. IHS, ein professionelles amerikanisches Automobilforschungsunternehmen, schätzt, dass die autonome Fahrtechnologie bis 2035 ein Niveau erreichen kann, das überhaupt keine menschliche Kontrolle mehr erfordert, und ihr Preis wird weiter auf 3.000 US-Dollar sinken.
Daten des Institute of Transportation Research der University of Michigan zeigen, dass die Zahl der Autos in den Vereinigten Staaten um bis zu 43 % sinken wird, sobald selbstfahrende Autos eingeführt werden. Sebastian Thrun, ein Computerexperte an der Stanford University in den USA, wies auch darauf hin, dass, sobald selbstfahrende Autos zum Mainstream werden, nur noch 30 % der Autos auf der Straße benötigt werden.
Selbstfahrende Autos verbessern nicht nur die Betriebseffizienz, sondern verbessern auch die Kraftstoffeffizienz und die Effizienz der Fahrzeugnutzung, da sie hinsichtlich Beschleunigung, Bremsen und Schalten optimiert sind. Es wird erwartet, dass die Kosten für die Nutzung städtischer Fahrzeuge bis 2050 um 40 % sinken werden.
Logistik beschleunigt die Automatisierung
Selbstfahrende Autos können künftig auch für die Auslieferung von Lebensmitteln und Paketen eingesetzt werden. Selbstfahrende Autos werden es Unternehmen ermöglichen, Kundenbedürfnisse schnell und reibungslos zu erfüllen. Selbstfahrende Autos und halbautonome Lkw können mit einer Vielzahl spezieller Sensoren und Kameras zur Identifizierung von Objekten und Adressen ausgestattet werden.
Beispielsweise ist Uber über UberEats erfolgreich in die Lebensmittellieferbranche eingestiegen, und Cruise Automation, eine Tochtergesellschaft von General Motors, hat ebenfalls begonnen, mit DoorDash zusammenzuarbeiten, um die autonome Lebensmittellieferung zu erforschen. Darüber hinaus entwickelt die US-Armee autonome Panzer und selbstfahrende Fahrzeuge, die Lebensmittel, Treibstoff und Vorräte in Konfliktgebiete liefern können, und die US-Marine entwickelt auch selbstfahrende Fahrzeuge, die Brände auf Schiffen löschen können.
Verbesserung der Lebensqualität des städtischen Lebens
Die Kohlendioxidkonzentration in der Atmosphäre wurde im Jahr 2022 mit 421 Teilen pro Million gemessen, 50 % höher als vorindustrielle Werte. In den Vereinigten Staaten machen die Treibhausgasemissionen von Personenkraftwagen etwa 16,4 % der gesamten Treibhausgasemissionen aus.
Mit der schrittweisen Einführung selbstfahrender Autos wurde die Anzahl der Fahrzeuge auf den Straßen deutlich reduziert, was zur Reduzierung der Treibhausgasemissionen beiträgt und es den Menschen ermöglicht, frischere Luft zu atmen. Das Beratungsunternehmen McKinsey prognostiziert, dass selbstfahrende Autos dazu beitragen werden, die Treibhausgasemissionen um 300 Millionen Tonnen pro Jahr zu reduzieren, was der Hälfte der Kohlendioxidemissionen der Luftfahrtindustrie entspricht. Ein KPMG-Bericht zeigt, dass selbstfahrende Autos die Kapazität von Autobahnen für die Unterbringung von Autos um das Fünffache erhöhen können. Eine Studie der University of Texas in Austin zeigt, dass jedes selbstfahrende Auto etwa 11 herkömmliche Autos ersetzen und die Laufleistung um mehr als 10 % steigern kann. Das bedeutet, dass Ride-Hailing oder Taxis, die auf der gemeinsamen Nutzung von Fahrzeugen basieren, Verkehrsstaus und Umweltschäden erheblich reduzieren und die Lebensqualität in Städten erheblich verbessern werden.
Die Welle des autonomen Fahrens rast bereits auf uns zu! Die Boston Consulting Group prognostiziert, dass bis 2035 vollständig autonome Fahrzeuge fast ein Viertel des gesamten weltweiten Neuwagenabsatzes ausmachen werden und dass in bestimmten Szenarien sogar noch mehr autonome Fahrzeuge zum Einsatz kommen werden. Autonomes Fahren wird so große Veränderungen im Leben der Menschen mit sich bringen. Lohnt es sich nicht, sich darauf zu freuen?
Das obige ist der detaillierte Inhalt vonReduzieren Sie Verkehrsunfälle, verbessern Sie die Lebensqualität in der Stadt – und die „Welle' des autonomen Fahrens steht vor der Tür. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Oben geschrieben und persönliches Verständnis des Autors. Dreidimensionales Gaussplatting (3DGS) ist eine transformative Technologie, die in den letzten Jahren in den Bereichen explizite Strahlungsfelder und Computergrafik entstanden ist. Diese innovative Methode zeichnet sich durch die Verwendung von Millionen von 3D-Gaußkurven aus, was sich stark von der Neural Radiation Field (NeRF)-Methode unterscheidet, die hauptsächlich ein implizites koordinatenbasiertes Modell verwendet, um räumliche Koordinaten auf Pixelwerte abzubilden. Mit seiner expliziten Szenendarstellung und differenzierbaren Rendering-Algorithmen garantiert 3DGS nicht nur Echtzeit-Rendering-Fähigkeiten, sondern führt auch ein beispielloses Maß an Kontrolle und Szenenbearbeitung ein. Dies positioniert 3DGS als potenziellen Game-Changer für die 3D-Rekonstruktion und -Darstellung der nächsten Generation. Zu diesem Zweck geben wir erstmals einen systematischen Überblick über die neuesten Entwicklungen und Anliegen im Bereich 3DGS.

Gestern wurde ich während des Interviews gefragt, ob ich irgendwelche Long-Tail-Fragen gestellt hätte, also dachte ich, ich würde eine kurze Zusammenfassung geben. Das Long-Tail-Problem des autonomen Fahrens bezieht sich auf Randfälle bei autonomen Fahrzeugen, also mögliche Szenarien mit geringer Eintrittswahrscheinlichkeit. Das wahrgenommene Long-Tail-Problem ist einer der Hauptgründe, die derzeit den betrieblichen Designbereich intelligenter autonomer Einzelfahrzeugfahrzeuge einschränken. Die zugrunde liegende Architektur und die meisten technischen Probleme des autonomen Fahrens wurden gelöst, und die verbleibenden 5 % der Long-Tail-Probleme wurden nach und nach zum Schlüssel zur Einschränkung der Entwicklung des autonomen Fahrens. Zu diesen Problemen gehören eine Vielzahl fragmentierter Szenarien, Extremsituationen und unvorhersehbares menschliches Verhalten. Der „Long Tail“ von Randszenarien beim autonomen Fahren bezieht sich auf Randfälle in autonomen Fahrzeugen (AVs). Randfälle sind mögliche Szenarien mit geringer Eintrittswahrscheinlichkeit. diese seltenen Ereignisse

0. Vorab geschrieben&& Persönliches Verständnis, dass autonome Fahrsysteme auf fortschrittlichen Wahrnehmungs-, Entscheidungs- und Steuerungstechnologien beruhen, indem sie verschiedene Sensoren (wie Kameras, Lidar, Radar usw.) verwenden, um die Umgebung wahrzunehmen, und Algorithmen und Modelle verwenden für Echtzeitanalysen und Entscheidungsfindung. Dies ermöglicht es Fahrzeugen, Verkehrszeichen zu erkennen, andere Fahrzeuge zu erkennen und zu verfolgen, das Verhalten von Fußgängern vorherzusagen usw. und sich so sicher an komplexe Verkehrsumgebungen anzupassen. Diese Technologie erregt derzeit große Aufmerksamkeit und gilt als wichtiger Entwicklungsbereich für die Zukunft des Transportwesens . eins. Aber was autonomes Fahren schwierig macht, ist herauszufinden, wie man dem Auto klarmachen kann, was um es herum passiert. Dies erfordert, dass der dreidimensionale Objekterkennungsalgorithmus im autonomen Fahrsystem Objekte in der Umgebung, einschließlich ihrer Standorte, genau wahrnehmen und beschreiben kann.

Der erste Pilot- und Schlüsselartikel stellt hauptsächlich mehrere häufig verwendete Koordinatensysteme in der autonomen Fahrtechnologie vor und erläutert, wie die Korrelation und Konvertierung zwischen ihnen abgeschlossen und schließlich ein einheitliches Umgebungsmodell erstellt werden kann. Der Schwerpunkt liegt hier auf dem Verständnis der Umrechnung vom Fahrzeug in den starren Kamerakörper (externe Parameter), der Kamera-in-Bild-Konvertierung (interne Parameter) und der Bild-in-Pixel-Einheitenkonvertierung. Die Konvertierung von 3D in 2D führt zu entsprechenden Verzerrungen, Verschiebungen usw. Wichtige Punkte: Das Fahrzeugkoordinatensystem und das Kamerakörperkoordinatensystem müssen neu geschrieben werden: Das Ebenenkoordinatensystem und das Pixelkoordinatensystem. Schwierigkeit: Sowohl die Entzerrung als auch die Verzerrungsaddition müssen auf der Bildebene kompensiert werden. 2. Einführung Insgesamt gibt es vier visuelle Systeme Koordinatensystem: Pixelebenenkoordinatensystem (u, v), Bildkoordinatensystem (x, y), Kamerakoordinatensystem () und Weltkoordinatensystem (). Es gibt eine Beziehung zwischen jedem Koordinatensystem,

Die Trajektorienvorhersage spielt eine wichtige Rolle beim autonomen Fahren. Unter autonomer Fahrtrajektorienvorhersage versteht man die Vorhersage der zukünftigen Fahrtrajektorie des Fahrzeugs durch die Analyse verschiedener Daten während des Fahrvorgangs. Als Kernmodul des autonomen Fahrens ist die Qualität der Trajektorienvorhersage von entscheidender Bedeutung für die nachgelagerte Planungssteuerung. Die Trajektorienvorhersageaufgabe verfügt über einen umfangreichen Technologie-Stack und erfordert Vertrautheit mit der dynamischen/statischen Wahrnehmung des autonomen Fahrens, hochpräzisen Karten, Fahrspurlinien, Fähigkeiten in der neuronalen Netzwerkarchitektur (CNN&GNN&Transformer) usw. Der Einstieg ist sehr schwierig! Viele Fans hoffen, so schnell wie möglich mit der Flugbahnvorhersage beginnen zu können und Fallstricke zu vermeiden. Heute werde ich eine Bestandsaufnahme einiger häufiger Probleme und einführender Lernmethoden für die Flugbahnvorhersage machen! Einführungsbezogenes Wissen 1. Sind die Vorschaupapiere in Ordnung? A: Schauen Sie sich zuerst die Umfrage an, S

Originaltitel: SIMPL: ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving Paper-Link: https://arxiv.org/pdf/2402.02519.pdf Code-Link: https://github.com/HKUST-Aerial-Robotics/SIMPL Autor: Hong Kong University of Science und Technologie DJI-Papieridee: Dieses Papier schlägt eine einfache und effiziente Bewegungsvorhersagebasislinie (SIMPL) für autonome Fahrzeuge vor. Im Vergleich zum herkömmlichen Agent-Cent

Vorab geschrieben und Ausgangspunkt Das End-to-End-Paradigma verwendet ein einheitliches Framework, um Multitasking in autonomen Fahrsystemen zu erreichen. Trotz der Einfachheit und Klarheit dieses Paradigmas bleibt die Leistung von End-to-End-Methoden für das autonome Fahren bei Teilaufgaben immer noch weit hinter Methoden für einzelne Aufgaben zurück. Gleichzeitig erschweren die in früheren End-to-End-Methoden weit verbreiteten Funktionen der dichten Vogelperspektive (BEV) die Skalierung auf mehr Modalitäten oder Aufgaben. Hier wird ein Sparse-Search-zentriertes End-to-End-Paradigma für autonomes Fahren (SparseAD) vorgeschlagen, bei dem die Sparse-Suche das gesamte Fahrszenario, einschließlich Raum, Zeit und Aufgaben, ohne dichte BEV-Darstellung vollständig abbildet. Insbesondere ist eine einheitliche, spärliche Architektur für die Aufgabenerkennung einschließlich Erkennung, Verfolgung und Online-Zuordnung konzipiert. Zudem schwer

Im vergangenen Monat hatte ich aus bekannten Gründen einen sehr intensiven Austausch mit verschiedenen Lehrern und Mitschülern der Branche. Ein unvermeidliches Thema im Austausch ist natürlich End-to-End und der beliebte Tesla FSDV12. Ich möchte diese Gelegenheit nutzen, einige meiner aktuellen Gedanken und Meinungen als Referenz und Diskussion darzulegen. Wie definiert man ein durchgängiges autonomes Fahrsystem und welche Probleme sollten voraussichtlich durchgängig gelöst werden? Gemäß der traditionellsten Definition bezieht sich ein End-to-End-System auf ein System, das Rohinformationen von Sensoren eingibt und für die Aufgabe relevante Variablen direkt ausgibt. Bei der Bilderkennung kann CNN beispielsweise als End-to-End bezeichnet werden, verglichen mit der herkömmlichen Methode zum Extrahieren von Merkmalen + Klassifizieren. Bei autonomen Fahraufgaben werden Eingabedaten verschiedener Sensoren (Kamera/LiDAR) benötigt
