


Zuerst gab es Tesla, dann gab es Xpeng. Ist das fortschrittliche Fahrerassistenzsystem noch vertrauenswürdig?
Am 11. August 2022 verbreitete sich ein Video viral im Internet. Zwei Personen stiegen aus dem Auto und blieben auf der innersten Spur stehen, die andere wollte gerade ein Stativ aufstellen, um Autos zu warnen Als plötzlich ein Xpeng P7 von hinten auf uns zukam und einen von ihnen wegschlug.
Es wird davon ausgegangen, dass der Besitzer des Xpeng P7 zu diesem Zeitpunkt die erweiterte Fahrassistenzfunktion aktiviert hat und das Fahrzeug mit einer Geschwindigkeit von 80 km/h unterwegs war. Das Fahrzeug hat jedoch niemanden vor sich erkannt Als Gefahr drohte, fuhr er mit dem Fahrzeug und prallte direkt dagegen. Der Autobesitzer sagte, dass es beim Fahren mit fortgeschrittenem assistiertem Fahren zuvor eine Frühwarnung geben würde, aber dieses Mal gab es keine Aufforderung und er war zu diesem Zeitpunkt abgelenkt.
Xpeng Motors reagierte nach dem Unfall: „Es wurde bestätigt, dass am Nachmittag des 10. August ein von einem Ningbo-Besitzer gelenktes Fahrzeug mit einer Person kollidierte, die vor ihm nach Fahrzeugschäden suchte, was zu Verletzten führte.“ Wir sind die Basis. Die Opfer, die bei diesem Unfall leider ums Leben gekommen sind, sind traurig und bedauern. Die Verkehrspolizei hat bereits einen Fall eingeleitet, um die Ermittlungen zu unterstützen um die Unfalluntersuchung durchzuführen, die Folgeergebnisse weiter zu verfolgen und Kunden bei der Bearbeitung weiterer Angelegenheiten zu unterstützen.“ Am 9. August 2022 veröffentlichte Dan O'Dowd, CEO von Green Hills Software, einen Tesla FSD Rezensionsvideo auf sozialen Plattformen, in dem es heißt, dass das automatische Fahrsystem FSD von Tesla mehrfach mit einem Kinder-Dummy-Modell getestet wird.
Dan O'Dowd sagte: „Wir sind sehr beunruhigt über die Sicherheitstestergebnisse von Tesla FSD und dies sollte ein Aufruf zum Handeln sein. Die Tesla FSD-Software ist erstaunlich, aber die Wahrheit ist, sagt Elon Musk. Nicht so. Es.“ ist eine tödliche Bedrohung für alle Amerikaner.“ Das Auto wurde etwas langsamer, traf aber dennoch mit einer Geschwindigkeit von mehr als 25 Meilen pro Stunde auf die Schaufensterpuppe und zerschmetterte sie. Es hieß, dass der Tesla während des Betriebs mit einer Geschwindigkeit von 40 Meilen pro Stunde startete und 100 Meter auf der vorgesehenen Fahrspur fuhr, bevor er auf die Schaufensterpuppe prallte. Einige Internetnutzer scherzten: Besteht die Möglichkeit, dass es daran liegt, dass er weiß, dass es sich um eine Attrappe handelt?
Weder Xpeng noch Tesla können garantieren, dass das fortschrittliche Fahrassistenzsystem jederzeit die Fahrsicherheit gewährleisten kann. Beim Unfall von Xiaopeng P7 haben wir festgestellt, dass der Autobesitzer beim Fahren des Fahrzeugs abgelenkt war. Das heißt, der Autobesitzer war dem Fahrvorgang nicht voll und ganz gewidmet System, das auch die Hauptursache für diesen Unfall ist.
Mit der Beliebtheit fortschrittlicher Fahrassistenzsysteme und teilweise autonomer Fahrsysteme in Fahrzeugen übernehmen immer mehr Autobesitzer eine Early-Adopter-Mentalität, um die Reiseveränderungen zu erleben, die uns durch technologische Innovationen gebracht werden. Für Modelle wie Tesla Das Software-Update wird die Aufmerksamkeit vieler Autobesitzer und Blogger auf sich ziehen und auch in der Automobilbranche und bei Anhängern des autonomen Fahrens große Popularität erregen. Je breiter die Technologie verbreitet wird, desto mehr werden ihre Probleme offengelegt, die durch fortschrittliche Fahrassistenzsysteme/autonome Fahrsysteme verursacht werden, und sie werden immer wieder Diskussionen über fortgeschrittene Fahrassistenzsysteme auslösen. Verdienen selbstfahrende Systeme wirklich unser Vertrauen?
Das fortschrittliche Fahrassistenzsystem kann am Fahrverhalten des Fahrers teilnehmen, während der Fahrer das Auto fährt. Das fortschrittliche Fahrassistenzsystem hat auch die Phase von der Fahrassistenz zur Teilnahme am Fahren durchlaufen.
Beim Fahrassistenzsystem besteht die Hauptfunktion des fortschrittlichen Fahrassistenzsystems darin, den Straßenzustand zu überwachen. Wenn eine mögliche Gefahr erkannt wird, erinnert es den Fahrer durch Vibrationen des Lenkrads und akustische Hinweise und Blinklichter ermöglichen es dem Fahrer, möglichen Gefahren rechtzeitig auszuweichen.
In der Phase Teilnahme am Fahren wird das fortschrittliche Fahrassistenzsystem zum Teilnehmer der Fahrt. Es kann das Fahrverhalten des Fahrers durch die Feinabstimmung von Lenkrad, Bremspedal usw. sicherer und gleichmäßiger machen Fahrnormen machen das Fahren für Fahrer sicherer.
Da fortschrittliche Fahrassistenzsysteme einen zunehmenden Anteil am Fahrverhalten haben, können fortschrittliche Fahrassistenzsysteme in einigen Szenarien, z. B. auf Autobahnen, auf denen die Straßenumgebung einseitig ist und weniger Staus auftreten können, den Fahrvorgang bereits alleine abschließen Durch die Hinzufügung von Funktionen wie Spurhalteassistent und adaptivem Tempomat kann das Fahren auf der Autobahn vollständig vom Fahrzeug selbst übernommen werden. Das Phänomen, dass der Fahrer nur noch auf die Straßenverhältnisse achten muss, wird allmählich Realität.
In den Anzeigen vieler neuer Automobilhersteller wird auch die Leistung fortschrittlicher Assistenzsysteme hervorgehoben. Viele traditionelle Automobilhersteller folgen ebenfalls dem Tempo neuer Automobilhersteller und integrieren immer mehr fortschrittliche Assistenzsysteme Antriebssysteme auf das Auto stapeln. Autos haben sich auch von einem Reisewerkzeug zu einem intelligenten Hardwaregerät entwickelt, das Reisen, Unterhaltung und Interaktion integriert.
Die Entwicklung fortschrittlicher Fahrassistenzsysteme und autonomer Fahrtechnologie boomt, aber während des Entwicklungsprozesses achten nur wenige Menschen auf die Gefahren, die fortschrittliche Fahrassistenzsysteme für uns mit sich bringen. Die Gefahren beziehen sich hier hauptsächlich auf Funktionsgefahren und Gebrauchsgefahren.
Funktionelle GefahrWie der Name schon sagt, geht es darum, ob das fortschrittliche Fahrassistenzsystem nach dem Einschalten des erweiterten Fahrassistenzsystems sicherstellen kann, dass es in allen Szenarien funktioniert Wenn eine Gefahr eintritt, geben Fahrzeuge Warnungen aus, aber bei diesem Unfall reagierte der Xpeng P7 nicht rechtzeitig. Das Auftreten dieses Unfalls ließ viele Verbraucher daran zweifeln, ob das fortschrittliche Fahrassistenzsystem sicher genug ist, was zweifellos viele beunruhigen wird Enthusiasten des autonomen Fahrens Zweifel an der Sicherheit fortschrittlicher Fahrassistenzsysteme wirken sich negativ auf die Beliebtheit fortschrittlicher Fahrassistenzsysteme aus.
Nutzungsgefahr Vor allem für Benutzer fortschrittlicher Fahrassistenzsysteme. Nach dem Aufkommen fortschrittlicher Fahrassistenzsysteme sind viele Verbraucher äußerst bereit, diese auszuprobieren und die durch die Technologie verursachten Veränderungen zu spüren. Wenn sie zum ersten Mal mit der Nutzung des erweiterten Fahrassistenzsystems beginnen, werden sie nicht nur die Veränderungen erleben, die das fortschrittliche Fahrassistenzsystem mit sich bringt, sondern auch auf die Straßenverhältnisse achten. Da das fortschrittliche Fahrassistenzsystem jedoch immer häufiger verwendet wird, werden sie dies tun Entwickeln Sie auch ein Gefühl für fortgeschrittenes assistiertes Fahren. Das Fahrsystem ist sehr sicher und eliminiert im Grunde die Illusion, die Straßenbedingungen zu beobachten, was leicht zu Gefahren führen kann.
Beim Unfall des Xpeng P7 können wir wissen, dass der Autobesitzer das fortschrittliche Fahrassistenzsystem viele Male verwendet hat und es zuvor Gefahren gegeben hat, aber das fortschrittliche Fahrassistenzsystem hat es bemerkt und den Besitzer daran erinnert. Während dieses Fahrvorgangs war der Autobesitzer abgelenkt, sei es aufgrund von Problemen oder aus Vertrauen in das fortschrittliche Fahrassistenzsystem. Was wir jedoch wissen können, ist, dass das Vertrauen des Autobesitzers in das fortschrittliche Fahrassistenzsystem zum Fahren geworden ist Gewohnheit, in den Fahrgewohnheiten der Autobesitzer wird Sie das fortschrittliche Fahrassistenzsystem auf jeden Fall daran erinnern, wenn Gefahr eintritt, und gelegentliche Ablenkungen werden keine Probleme verursachen.
Wenn Verbraucher großes Vertrauen in fortschrittliche Fahrassistenzsysteme haben und diese sogar während der Fahrt in hohem Maße nutzen, stellt dies große Anforderungen an die Sicherheit fortschrittlicher Fahrassistenzsysteme Wenn viele Unternehmen fortschrittliche Fahrassistenzsysteme fördern, erinnern sie die Fahrgäste auch daran, auf die Straßenbedingungen zu achten. Bei vielen Fahrzeugen muss der Fahrer beim Einschalten der erweiterten Fahrassistenzfunktionen sogar die Hände auf das Lenkrad legen , um sicherzustellen, dass es im Gefahrenfall extrem schnell übernehmen kann.
Die Entwicklung der Technologie kann den Veränderungen in der menschlichen Natur nicht vollständig Rechnung tragen. Mit der zunehmenden Nutzung fortschrittlicher Fahrassistenzsysteme können sich Verbraucher bei der Bewältigung des gesamten Reiseprozesses problemlos darauf verlassen vorgeschlagen, dass autonomes Fahren notwendig ist, die Übergangsphase fortschrittlicher Fahrassistenzsysteme bei der Entwicklung von Automobilen direkt zu überspringen, nachdem vollständig autonomes Fahren realisiert ist, können vollständig autonome Fahrzeuge auf den Markt gebracht werden.
Die Entwicklung des autonomen Fahrens kann jedoch nicht vom kontinuierlichen Lernen großer Datenmengen getrennt werden. Als Verbraucher können wir nur auf die Straßenbedingungen achten wenn Sie fortschrittliche Fahrassistenzsysteme verwenden, um dies zu vermeiden. Nur wenn Sie die Fahrgewohnheit entwickeln, dem fortschrittlichen Fahrassistenzsystem voll und ganz zu vertrauen, können Sie den Komfort der Technologie besser genießen, während sich das fortschrittliche Fahrassistenzsystem weiterentwickelt. Als Verbraucher müssen wir auch verstehen, was autonomes Fahren und fortgeschrittenes assistiertes Fahren ist, und wir dürfen fortgeschrittenes assistiertes Fahren nicht mit autonomem Fahren verwechseln. Wir müssen uns daran erinnern: Autonomes Fahren hat Klassifizierungen und Reisesicherheit Egal, was!
Das obige ist der detaillierte Inhalt vonZuerst gab es Tesla, dann gab es Xpeng. Ist das fortschrittliche Fahrerassistenzsystem noch vertrauenswürdig?. 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.

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

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

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

Die Zielerkennung ist ein relativ ausgereiftes Problem in autonomen Fahrsystemen, wobei die Fußgängererkennung einer der ersten Algorithmen ist, die eingesetzt werden. In den meisten Arbeiten wurde eine sehr umfassende Recherche durchgeführt. Die Entfernungswahrnehmung mithilfe von Fischaugenkameras für die Rundumsicht ist jedoch relativ wenig untersucht. Aufgrund der großen radialen Verzerrung ist es schwierig, die standardmäßige Bounding-Box-Darstellung in Fischaugenkameras zu implementieren. Um die obige Beschreibung zu vereinfachen, untersuchen wir erweiterte Begrenzungsrahmen-, Ellipsen- und allgemeine Polygondesigns in Polar-/Winkeldarstellungen und definieren eine mIOU-Metrik für die Instanzsegmentierung, um diese Darstellungen zu analysieren. Das vorgeschlagene Modell „fisheyeDetNet“ mit polygonaler Form übertrifft andere Modelle und erreicht gleichzeitig 49,5 % mAP auf dem Valeo-Fisheye-Kameradatensatz für autonomes Fahren
