


La conduite autonome est difficile à attaquer par la réduction de dimensionnalité
Depuis 2021, certaines entreprises de conduite autonome L4 ciblant Robotaxi ont commencé à se différencier en de nouvelles activités, essayant de réaliser des percées en matière de revenus commerciaux grâce à la technologie.
Le phénomène des entreprises de conduite autonome développant des fonctions de conduite assistée de niveau L2 est qualifié d'« attaque de réduction de dimensionnalité » par certaines personnes.
À leur avis, les entreprises de conduite autonome L4 peuvent s'appuyer sur les avantages des algorithmes logiciels pour fournir aux voitures intelligentes des fonctions et des expériences de conduite plus riches, tout comme les créatures de grande dimension dans « Le problème à trois corps » peuvent facilement anéantir les véhicules de faible dimension. créatures et civilisations.
Cependant, certaines personnes sont dédaigneuses à ce sujet. Ils estiment que le processus permettant aux entreprises de conduite autonome qui maîtrisent les algorithmes logiciels d'entrer dans le domaine de la recherche et du développement de fonctions automobiles mettant l'accent sur la combinaison de logiciels et de matériel pourrait ne pas se dérouler sans heurts.
Les deux côtés ont des opinions différentes et il est difficile de les distinguer. Mais ce qui est certain, c’est que les entreprises de conduite autonome qui entrent dans la chaîne d’approvisionnement automobile de plus en plus compétitive pourraient apporter de nouvelles capacités technologiques au développement des voitures intelligentes.
Les entreprises de conduite autonome de niveau L4 se sont lancées sur la route bifurquée du développement de la conduite assistée de niveau L2. Est-ce une route douce ?
Des choix en temps de crise
Beaucoup de gens pensent que les centres commerciaux sont comme des champs de bataille. Dans cette guerre commerciale sans fin, si les entreprises savent faire bon usage de l’art de la guerre, cela peut les aider à se sortir du pétrin.
Cette situation s'applique également à certaines entreprises de conduite autonome piégées dans le brouillard de la commercialisation. Ils recherchent une attaque surprise pour les aider à briser le blocus.
En réfléchissant, ils se sont penchés sur le système de conduite assistée L2.
Au cours de la dernière période, certaines sociétés de conduite autonome L4 se sont concentrées sur l'activité Robotaxi au sommet du mont Everest, se donnant pour mission de réaliser l'exploitation à l'échelle commerciale d'un Robotaxi entièrement sans pilote et de grimper au sommet à tout prix. .
Au fil des années, la distance entre eux et le point final se raccourcit progressivement, mais l'objectif est toujours hors de vue et la consommation de fonds augmente à mesure que l'échelle des véhicules autonomes s'étend.
Un exemple à l'appui est le récent rapport financier du deuxième trimestre publié par General Motors, qui révèle que sa société de conduite autonome Cruise perdait plus de 5 millions de dollars américains chaque jour, et que ses pertes sont passées de 600 millions de dollars américains au cours de la même période à 900 millions de dollars américains.
Flotte de croisière autonome
Dans le même temps, avec une commercialisation à grande échelle en vue et le refroidissement de l’économie, l’offre des investisseurs diminue progressivement. Dans la crise du manque de nourriture et de vêtements, certaines entreprises se sont effondrées à cause de l'épuisement sur la route, tandis que d'autres ont été grièvement blessées à cause du manque d'oxygène et du froid.
À l’heure actuelle, leur objectif premier n’est plus de regarder le ciel, mais de survivre.
Heureusement, les changements survenus sur le marché automobile chinois offrent aux entreprises autonomes des opportunités de survie.
D'une part, Le développement rapide des voitures intelligentes en Chine nécessite l'intégration de la technologie de conduite autonome.
Dans le cadre des systèmes de conduite assistée intelligents promus par Tesla et Xpeng Motors, le fait que les voitures produites en série soient équipées de fonctions de conduite autonome de haut niveau devient l'un des principaux arguments de vente des produits. Afin d'éviter de prendre du retard en matière de technologie, Les équipementiers de Great Wall et Geely tels que Volkswagen, General Motors et d'autres ont créé des départements de conduite autonome pour développer des fonctions de conduite autonome au niveau L2+ et au-dessus.
Cependant, le développement de systèmes de conduite autonomes est une option pour quelques constructeurs OEM, et actuellement de plus en plus de constructeurs y ont temporairement renoncé en raison de conditions limitées. Afin d'attirer le plus rapidement possible l'attention du marché sur les produits ultérieurs, qu'ils soient auto-recherchés ou non, c'est un bon choix de rechercher une coopération externe pour développer un système de conduite autonome pouvant être produit en série.
D'autre part, Dans le contexte du développement rapide du marché des voitures intelligentes, les équipementiers nationaux commencent à avoir tendance à adopter des méthodes de coopération plus flexibles. Les méthodes de livraison de solutions complètes des fournisseurs traditionnels étrangers ne répondent progressivement plus aux besoins. des OEM. Il s’agit d’un problème majeur pour les OEM nationaux. Le réapprovisionnement des fournisseurs offre des opportunités.
De plus, la plupart des fournisseurs étrangers traditionnels ont auparavant installé leurs centres de R&D technologiques dans leur propre pays, ce qui rend difficile la capacité de leurs technologies à répondre aux besoins en évolution rapide du marché chinois.
Les données de surveillance des chercheurs de Gaogong Intelligent Automotive montrent qu'à la fin du premier trimestre 2022, la part de marché de Bosch dans l'équipement standard avant pour voitures particulières en Chine est passée de 27,79 % en 2021 à 25,61 %.
Le manque relatif de localisation des fournisseurs étrangers traditionnels a conduit les équipementiers à tenter de coopérer avec les fournisseurs automobiles nationaux, ce qui a contribué à la croissance de ces derniers. Un certain nombre d'entreprises locales de niveau 1 telles que Moshi Intelligent et Freetech ont connu une croissance rapide.
À l'intérieur, il est difficile de commercialiser la technologie de conduite autonome L4 et nous devons trouver des solutions alternatives ; à l'extérieur, la demande du marché est forte et l'élan des ennemis puissants s'affaiblit. Il semble naturel que les entreprises de conduite autonome développent des systèmes de conduite assistée de niveau L2.
Plus important encore, à mesure que la puissance de calcul des voitures intelligentes augmente et que le nombre de capteurs augmente, le coût global diminue considérablement, créant ainsi les conditions d'une application de production de masse à faible coût de systèmes de conduite assistée intelligents.
En pleine crise existentielle, les entreprises de conduite autonome L4 ont profité de la situation pour changer de cap et ont trouvé un moyen possible de survivre.
Est-ce vraiment une attaque de réduction de dimensionnalité ?
Que cette route soit lisse ou non, personne ne le sait et cela n’a pas d’importance. Il est important de noter que certaines entreprises autonomes savent qu’il semble y avoir une lueur d’espoir pour avancer sur cette voie.
Est-ce vraiment possible ?
Wang Hua (pseudonyme), un praticien de la conduite autonome, a déclaré à Xinzhijia qu'il n'y a pas de connexion nécessaire entre le système de conduite assistée du système de niveau L2-L3 et le système entièrement sans pilote du niveau L4-L5. conduite autonome. , mais le système de conduite autonome ne peut pas réduire directement la dimensionnalité à la conduite assistée.
S'il n'y a pas de lien nécessaire entre les deux parties, à quelles difficultés les entreprises de conduite autonome L4 seront-elles confrontées lors du développement de systèmes de conduite assistée L2-L3 ?
Les difficultés techniques sont un obstacle incontournable.
Premièrement, Les entreprises de conduite autonome ont relativement peu d'expérience dans la production en série de voitures particulières.
De nombreux fournisseurs d'ADAS ont déclaré à Xinzhijia que la plupart des entreprises de conduite autonome L4 ne se soucient pas des coûts de recherche et de développement technologique, utilisent généralement des puces de grande puissance de calcul et accordent peu d'attention à la voie technique de la production de masse. S'ils passent à la conduite assistée L2, il peut être difficile de « passer du luxe à la frugalité », par exemple, ils seront limités dans le développement de produits. Plus important encore, la réduction de la dimensionnalité ne signifie pas que l'algorithme peut être réutilisé, et beaucoup de choses doivent être renversées et reconstruites.
Dans le passé, les entreprises de conduite autonome utilisaient des algorithmes logiciels basés sur l'apprentissage profond comme moyen de rivaliser pour la stabilité et l'avancement des systèmes de conduite autonome. Elles prêtaient moins d'attention à la manière de préinstaller les systèmes de conduite autonome dans les voitures produites en série. ce qui a conduit les entreprises de conduite autonome à une compréhension insuffisante de la construction automobile.
Yin Wei, directeur principal de Zhiji Software, a déclaré à Xinzhijia que la coopération entre les équipementiers et les entreprises de conduite autonome peut également être considérée comme un moyen d'apprendre les uns des autres. Lorsque les entreprises de conduite autonome rencontrent des problèmes lorsqu'elles traitent des produits automobiles, elles apprendront des constructeurs OEM comment les résoudre ; les constructeurs OEM apprendront également de bonnes méthodologies auprès des entreprises de conduite autonome et renforceront leurs capacités de développement de logiciels.
Deuxièmement, Les entreprises de conduite autonome ont une accumulation de données relativement insuffisante dans certains scénarios.
Le directeur technique d'un fournisseur de conduite autonome a déclaré à Xinzhijia que la conduite autonome dans les scénarios à basse vitesse et dans les scénarios à grande vitesse est différente au niveau de l'application.
La conduite autonome nécessite des tests à long terme pour collecter des données puis itérer le système. La différence entre les scénarios à basse vitesse et les scénarios à grande vitesse conduit à différentes données collectées par la conduite autonome dans deux scénarios différents. des deux sont également différents.
Dans le passé, les entreprises de conduite autonome se concentraient sur la collecte de différents types de données dans des scénarios à grande vitesse, ce qui offre une plus grande polyvalence, tandis que les entreprises qui commençaient à développer des fonctions de conduite assistée se concentraient davantage sur des scénarios à basse vitesse.
Des scénarios complètement différents, et bien sûr les données sont également complètement différentes.
Par conséquent, les entreprises de conduite autonome L4 n'ont pas d'avantage dans le développement de fonctions pour des scénarios à basse vitesse tels que le stationnement autonome.
Troisièmement, Développer un système de conduite autonome lorsque la puissance de calcul est fortement réduite, c'est comme faire un dojo dans une coquille d'escargot.
De nombreuses entreprises autonomes ont souvent mentionné leur puissance de calcul élevée lorsqu'elles promouvaient la réactivité des voitures autonomes dans le passé. Des milliers, voire plus de 2 000 sommets de puissance de calcul semblent être devenus la norme pour les systèmes autonomes. , les voitures produites en série sont motivées par des considérations de coûts , il est actuellement impossible de configurer des puces avec une puissance de calcul plus élevée.
Pour les entreprises de conduite autonome habituées à la recherche et au développement dans des conditions de grande puissance de calcul, comment achever le développement de systèmes de conduite autonome L2/L3 avec une puissance de calcul extrêmement limitée est un énorme défi. difficile de passer du luxe à la frugalité".
Le chemin vers la réduction de la dimensionnalité pour les entreprises de conduite autonome est long et difficile.
Problèmes non techniques des entreprises de conduite autonome
Si l'entreprise de conduite autonome résout les problèmes techniques, le processus d'intégration du système de conduite assistée dans la voiture pourrait ne pas être facile.
Tout d’abord, les entreprises de conduite autonome doivent réaliser une production de masse de solutions à faible coût.
Au cours de la dernière période, certaines entreprises de conduite autonome ont donné la priorité à la technologie et ont essayé de créer le système de perception le plus fiable possible pour réaliser une conduite autonome grâce à un grand nombre de différents types de capteurs. Cependant, cela a entraîné des coûts plus élevés pour les solutions de conduite autonome. De nombreuses entreprises Les solutions de conduite autonome publiées coûtent des centaines de milliers, voire des millions de yuans et ne peuvent pas être appliquées à grande échelle.
Si une entreprise de conduite autonome tente de réduire le coût global et de l'appliquer aux modèles produits en série, elle doit réfléchir à la manière de réduire les coûts matériels tout en respectant les réglementations relatives aux véhicules. Ce n'est vraiment pas facile pour les développeurs de systèmes de conduite autonome qui ont moins d'expérience. avec du matériel.
Après que les entreprises de conduite autonome ont lancé des solutions de conduite autonome en production de masse à faible coût, la question de savoir si l'équipementier peut les payer est également une question.
"Tout constructeur automobile qui ne développe pas la conduite autonome mourra." Wang Xiaoqiu, président de SAIC, a déclaré cela, ce qui reflète l'importance pour les équipementiers de contrôler de manière indépendante la technologie de conduite autonome.
Afin de contrôler le logiciel, des constructeurs étrangers tels que Ford et Toyota ont acquis plus tôt des sociétés de conduite autonome, tandis que Volkswagen a créé un département de conduite autonome.
Yin Wei a déclaré à Xinzhijia que Zhiji Auto préfère l'auto-recherche et la coopération open source avec les fournisseurs.
Les contrôleurs de domaine et l'OTA déterminant de plus en plus les performances des véhicules et l'expérience de conduite, les équipementiers se rendent compte que la recherche et le développement de fonctions de conduite intelligente doivent mieux combiner l'auto-recherche et la coopération open source au sein d'un contrôleur.
Cela signifie que si l'équipementier coopère avec une entreprise de conduite autonome externe, l'entreprise de conduite autonome ne peut pas fournir un ensemble complet de solutions de conduite autonome, mais mener un développement conjoint personnalisé pour les fonctions associées.
Lorsque les entreprises de conduite autonome coopèrent avec les équipementiers, leur capacité à livrer les produits comme prévu peut également poser problème.
Un initié de l'industrie a déclaré à Xinzhijia que si les deux parties ne coopèrent qu'une ou deux fois et que l'entreprise de conduite autonome fournit des centaines de véhicules autonomes personnalisés au constructeur OEM dans un court laps de temps, il sera difficile d'améliorer les fonctions du produit. L'OEM est entièrement satisfait.
Il estime qu'un produit véritablement mature nécessite une coopération à long terme entre les deux parties, car le produit disposera d'une technologie de conduite autonome, d'une technologie de contrôle filaire et d'une nouvelle technologie logicielle, ce qui nécessitera une longue période de cartographie et de polissage du produit.
À l'heure actuelle, bien que certaines entreprises de conduite autonome tentent de développer conjointement des produits avec les équipementiers, les deux parties rencontreront inévitablement de nombreux problèmes au cours du processus de coopération, ce qui pourrait retarder la livraison des produits.
La recherche d'une autre voie de commercialisation pour les entreprises de conduite autonome peut impliquer une réduction de la dimensionnalité, mais ce processus n'est pas facile.
Les changements, le nouveau thème de la conduite autonome
Ces dernières années, alors que de nombreuses entreprises de conduite autonome ont réussi à obtenir des revenus commerciaux, des rumeurs se sont répandues selon lesquelles l'industrie de la conduite autonome est sur le point d'entrer dans la phase à élimination directe.
Un groupe d'entreprises de conduite autonome a pris son envol, tandis qu'un autre groupe est encore confus.
Si se concentrer sur un certain scénario était le secret du développement rapide de la technologie de conduite autonome dans le passé, alors se débarrasser des limites de la retenue et véritablement pratiquer la technologie sous différentes formes pourrait être un nouveau thème à l'avenir.
Les entreprises de conduite autonome L4 se tournent vers le développement de fonctions de conduite assistée. Elles constituent une nouvelle force entrant dans la chaîne d'approvisionnement automobile et contribuant au développement de l'industrie automobile chinoise.
Mais il est indéniable que les entreprises de conduite autonome viennent tout juste de commencer à développer la conduite assistée, et de nombreuses difficultés restent encore à venir.
J'attends avec impatience que les entreprises de conduite autonome L4 réalisent de nouveaux progrès dans la production en série de fonctions de conduite assistée.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Écrit ci-dessus et compréhension personnelle de l'auteur Le Gaussiansplatting tridimensionnel (3DGS) est une technologie transformatrice qui a émergé dans les domaines des champs de rayonnement explicites et de l'infographie ces dernières années. Cette méthode innovante se caractérise par l’utilisation de millions de gaussiennes 3D, ce qui est très différent de la méthode du champ de rayonnement neuronal (NeRF), qui utilise principalement un modèle implicite basé sur les coordonnées pour mapper les coordonnées spatiales aux valeurs des pixels. Avec sa représentation explicite de scènes et ses algorithmes de rendu différenciables, 3DGS garantit non seulement des capacités de rendu en temps réel, mais introduit également un niveau de contrôle et d'édition de scène sans précédent. Cela positionne 3DGS comme un révolutionnaire potentiel pour la reconstruction et la représentation 3D de nouvelle génération. À cette fin, nous fournissons pour la première fois un aperçu systématique des derniers développements et préoccupations dans le domaine du 3DGS.

Hier, lors de l'entretien, on m'a demandé si j'avais posé des questions à longue traîne, j'ai donc pensé faire un bref résumé. Le problème à longue traîne de la conduite autonome fait référence aux cas extrêmes dans les véhicules autonomes, c'est-à-dire à des scénarios possibles avec une faible probabilité d'occurrence. Le problème perçu de la longue traîne est l’une des principales raisons limitant actuellement le domaine de conception opérationnelle des véhicules autonomes intelligents à véhicule unique. L'architecture sous-jacente et la plupart des problèmes techniques de la conduite autonome ont été résolus, et les 5 % restants des problèmes à longue traîne sont progressivement devenus la clé pour restreindre le développement de la conduite autonome. Ces problèmes incluent une variété de scénarios fragmentés, de situations extrêmes et de comportements humains imprévisibles. La « longue traîne » des scénarios limites dans la conduite autonome fait référence aux cas limites dans les véhicules autonomes (VA). Les cas limites sont des scénarios possibles avec une faible probabilité d'occurrence. ces événements rares

0. Écrit à l'avant&& Compréhension personnelle que les systèmes de conduite autonome s'appuient sur des technologies avancées de perception, de prise de décision et de contrôle, en utilisant divers capteurs (tels que caméras, lidar, radar, etc.) pour percevoir l'environnement et en utilisant des algorithmes et des modèles pour une analyse et une prise de décision en temps réel. Cela permet aux véhicules de reconnaître les panneaux de signalisation, de détecter et de suivre d'autres véhicules, de prédire le comportement des piétons, etc., permettant ainsi de fonctionner en toute sécurité et de s'adapter à des environnements de circulation complexes. Cette technologie attire actuellement une grande attention et est considérée comme un domaine de développement important pour l'avenir des transports. . un. Mais ce qui rend la conduite autonome difficile, c'est de trouver comment faire comprendre à la voiture ce qui se passe autour d'elle. Cela nécessite que l'algorithme de détection d'objets tridimensionnels du système de conduite autonome puisse percevoir et décrire avec précision les objets dans l'environnement, y compris leur emplacement,

Le premier article pilote et clé présente principalement plusieurs systèmes de coordonnées couramment utilisés dans la technologie de conduite autonome, et comment compléter la corrélation et la conversion entre eux, et enfin construire un modèle d'environnement unifié. L'objectif ici est de comprendre la conversion du véhicule en corps rigide de caméra (paramètres externes), la conversion de caméra en image (paramètres internes) et la conversion d'image en unité de pixel. La conversion de 3D en 2D aura une distorsion, une traduction, etc. Points clés : Le système de coordonnées du véhicule et le système de coordonnées du corps de la caméra doivent être réécrits : le système de coordonnées planes et le système de coordonnées des pixels Difficulté : la distorsion de l'image doit être prise en compte. La dé-distorsion et l'ajout de distorsion sont compensés sur le plan de l'image. 2. Introduction Il existe quatre systèmes de vision au total : système de coordonnées du plan de pixels (u, v), système de coordonnées d'image (x, y), système de coordonnées de caméra () et système de coordonnées mondiales (). Il existe une relation entre chaque système de coordonnées,

La prédiction de trajectoire joue un rôle important dans la conduite autonome. La prédiction de trajectoire de conduite autonome fait référence à la prédiction de la trajectoire de conduite future du véhicule en analysant diverses données pendant le processus de conduite du véhicule. En tant que module central de la conduite autonome, la qualité de la prédiction de trajectoire est cruciale pour le contrôle de la planification en aval. La tâche de prédiction de trajectoire dispose d'une riche pile technologique et nécessite une connaissance de la perception dynamique/statique de la conduite autonome, des cartes de haute précision, des lignes de voie, des compétences en architecture de réseau neuronal (CNN&GNN&Transformer), etc. Il est très difficile de démarrer ! De nombreux fans espèrent se lancer dans la prédiction de trajectoire le plus tôt possible et éviter les pièges. Aujourd'hui, je vais faire le point sur quelques problèmes courants et des méthodes d'apprentissage introductives pour la prédiction de trajectoire ! Connaissances introductives 1. Existe-t-il un ordre d'entrée pour les épreuves de prévisualisation ? R : Regardez d’abord l’enquête, p

Titre original : SIMPL : ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving Lien article : https://arxiv.org/pdf/2402.02519.pdf Lien code : https://github.com/HKUST-Aerial-Robotics/SIMPL Affiliation de l'auteur : Université des sciences de Hong Kong et technologie Idée DJI Paper : cet article propose une base de référence de prédiction de mouvement (SIMPL) simple et efficace pour les véhicules autonomes. Par rapport au cent agent traditionnel

Écrit à l'avant et point de départ Le paradigme de bout en bout utilise un cadre unifié pour réaliser plusieurs tâches dans les systèmes de conduite autonome. Malgré la simplicité et la clarté de ce paradigme, les performances des méthodes de conduite autonome de bout en bout sur les sous-tâches sont encore loin derrière les méthodes à tâche unique. Dans le même temps, les fonctionnalités de vue à vol d'oiseau (BEV) denses, largement utilisées dans les méthodes de bout en bout précédentes, rendent difficile l'adaptation à davantage de modalités ou de tâches. Un paradigme de conduite autonome de bout en bout (SparseAD) centré sur la recherche clairsemée est proposé ici, dans lequel la recherche clairsemée représente entièrement l'ensemble du scénario de conduite, y compris l'espace, le temps et les tâches, sans aucune représentation BEV dense. Plus précisément, une architecture clairsemée unifiée est conçue pour la connaissance des tâches, notamment la détection, le suivi et la cartographie en ligne. De plus, lourd

Au cours du mois dernier, pour des raisons bien connues, j'ai eu des échanges très intensifs avec divers professeurs et camarades de classe du secteur. Un sujet inévitable dans l'échange est naturellement le populaire Tesla FSDV12 de bout en bout. Je voudrais profiter de cette occasion pour trier certaines de mes pensées et opinions en ce moment pour votre référence et votre discussion. Comment définir un système de conduite autonome de bout en bout et quels problèmes devraient être résolus de bout en bout ? Selon la définition la plus traditionnelle, un système de bout en bout fait référence à un système qui saisit les informations brutes des capteurs et génère directement les variables pertinentes pour la tâche. Par exemple, en reconnaissance d'images, CNN peut être appelé de bout en bout par rapport à la méthode traditionnelle d'extraction de caractéristiques + classificateur. Dans les tâches de conduite autonome, saisir les données de divers capteurs (caméra/LiDAR
