


Warum überdenken einige große Autohersteller ihre Investitionen in autonomes Fahren?
Bis vor einigen Monaten war autonomes Fahren eines der heißesten Anlagethemen. Allerdings haben viele große Autohersteller, darunter Ford, kürzlich ihre Investitionen in selbstfahrende Unternehmen überdacht, und andere Unternehmen wie Alphabet stehen unter finanziellem Druck, ihre Ausgaben für selbstfahrende Unternehmen zu kürzen.
Uber war der erste, der sein selbstfahrendes Geschäft ausgliederte
Uber war Das erste Unternehmen gab sein selbstfahrendes Geschäft auf und verkaufte es im Jahr 2020 an das selbstfahrende Startup Aurora Innovation. Im Gegenzug erhielt Uber eine Mehrheitsbeteiligung an dem Unternehmen.
Aurora Innovation ging durch eine SPAC-Reverse-Merger an die Börse und der aktuelle Aktienkurs beträgt weniger als 2 US-Dollar pro Aktie. Berichten zufolge hat Uber durch seine Investitionen in Unternehmen wie Aurora, Grab und Zomato enorme Verluste erlitten.
Aurora Innovation ist ein reiner Unternehmensentwickler für autonomes Fahren, und der Absturz des Aktienkurses erinnert an den Pessimismus der Anleger gegenüber der Branche. Darüber hinaus überdenken einige Unternehmen ihre Investitionen in autonomes Fahren.
Ford verlässt das selbstfahrende Geschäft
Letzten Monat brach Argo AI, ein Joint Venture zwischen Ford und Volkswagen, zusammen und Ford kündigte The Mit der Investition in das Unternehmen haben sich auch große Automobilhersteller vom autonomen Fahren „zurückgezogen“.
Ford sagte, Argo AI habe keine neuen Investoren angezogen. Ford kündigte außerdem an, sich nicht auf die Entwicklung autonomer L4-Fahrsysteme zu konzentrieren. Der CEO des Unternehmens sagte, dass, obwohl einige Investoren insgesamt 100 Milliarden US-Dollar in die autonome Fahrtechnologie L4 investiert hätten, noch kein Unternehmen in der Lage sei, ein profitables Geschäftsmodell zu ermitteln.
Während einer Telefonkonferenz zu den Ergebnissen sagte Doug Field, Senior Director für Produktentwicklung und Technologie bei Ford: „Die groß angelegte Kommerzialisierung des autonomen Fahrens der Stufe L4 wird viel länger dauern, als wir bisher erwartet hatten „Technologien haben einen größeren adressierbaren Kundenstamm, der es ihnen ermöglicht, schneller zu skalieren und Rentabilität zu erzielen“, sagte John Lawler, Finanzvorstand von Ford. Das Unternehmen sieht keinen Bedarf, eine eigene selbstfahrende Technologie zu entwickeln.
Das selbstfahrende Unternehmen von Alphabet steht unter dem Druck, Geld zu verlieren.Alphabet besitzt die selbstfahrende Tochtergesellschaft Waymo, die aufgrund steigender Verluste mit Fragen der Aktionäre konfrontiert ist Druck. TCI Fund Management, das Alphabet-Aktien im Wert von rund 6 Milliarden US-Dollar hält, sandte einen Brief an das Alphabet-Management, in dem es eine Reduzierung der Verluste von Waymo forderte.
TCI sagte in dem Brief: „Leider haben die Menschen die Begeisterung für autonomes Fahren verloren, und auch Konkurrenten haben sich aus dem Markt zurückgezogen.“ TCI erwähnte in dem Brief auch, dass Volkswagen und Ford sich aus diesem Bereich zurückgezogen haben . Geschäftsfakten.
Zufälligerweise gab Nuro, ein selbstfahrendes Startup, das von Alphabet, Tiger Global und SoftBank unterstützt wird, kürzlich bekannt, dass es ein Fünftel seiner Mitarbeiter entlassen würde, um langfristig Geld zu sparen -Befristete Investition.
GM sagte, Autos würden sich nicht aus dem Markt für autonomes Fahren zurückziehen.Brancheninsider wiesen auch darauf hin, dass die Situation auf dem Markt für autonomes Fahren nicht ganz düster sei , und einige Unternehmen investieren weiterhin in autonomes Fahren. General Motors beispielsweise hat erklärt, dass es sich nicht aus der Investition in das Unternehmen zurückziehen wird. Das Unternehmen besitzt Cruise, ein Unternehmen, das das Geschäft mit autonomem Fahren entwickelt, und erhielt letztes Jahr Investitionen von Microsoft.
GM-CEO Mary Barra sagte: „Wir sind das einzige autonome Fahrzeugunternehmen, das bereit ist, in drei Märkten auf den Markt zu kommen und Einnahmen zu erzielen.“
Barra äußerte sich optimistisch über die Entwicklung von das Autopilot-Geschäft. Sie sagte: „Wenn wir über die Stärke des Unternehmens und das Geschäft, das wir aufgebaut haben, nachdenken, haben wir das Gefühl, dass wir in das autonome Fahrzeuggeschäft reinvestieren können, weil wir auch eine große Chance sehen.“ seine Cashflow-Prognose für 2022 und erwartet, dass sein Elektrofahrzeuggeschäft im Jahr 2025 profitabel wird.
Tesla sieht Software als Haupttreiber seines Geschäfts.Tesla sieht autonomes Fahren als Schlüssel für sein Geschäftswachstum. Das Unternehmen hat den Preis seines Fully Self-Driving System (FSD) in diesem Jahr zweimal angepasst und ihn nun auf 15.000 US-Dollar erhöht. Branchenquellen sagten, dass viele Unternehmen für autonomes Fahren angesichts des sich verschlechternden makroökonomischen Umfelds unter Druck stehen, Gelder zu beschaffen. Da das Geschäft noch in den Kinderschuhen steckt, dürften viele Unternehmen auch in den kommenden Jahren weiterhin Verluste verzeichnen. Jetzt, da die Federal Reserve die Zinssätze aggressiv anhebt, möchten nur wenige Anleger verlustbringende Unternehmen wie selbstfahrende Autos finanzieren.
Einerseits gibt es eine „langstreckentaugliche“ und enorme Investition in autonomes Fahren, andererseits gibt es ein schleppendes wirtschaftliches Umfeld. Was denken Sie über die zukünftige Richtung des autonomen Fahrens? fahren wird?
Das obige ist der detaillierte Inhalt vonWarum überdenken einige große Autohersteller ihre Investitionen in autonomes Fahren?. 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

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
