


Le ministère des Transports a publié les « Lignes directrices » : l'intelligence routière pour soutenir la technologie de conduite autonome
Nouvelles du 10 octobre, avec le développement continu de la technologie automobile intelligente, la formulation de règles et réglementations pour la conduite intelligente des véhicules est devenue de plus en plus importante. Récemment, le ministère des Transports a publié les « Directives techniques pour les installations d'ingénierie routière destinées à soutenir la conduite autonome » (ci-après dénommées les « Directives »), qui sont une spécification importante éditée par l'Institut de recherche scientifique sur les routes du ministère des Transports. Outre les agences gouvernementales, des entreprises privées telles que Huawei, Baidu Zhixing Technology, AutoNavi Technology, etc. ont également participé activement à la formulation de ces lignes directrices.
À la différence des réglementations précédentes, les « Directives » se concentrent non seulement sur les véhicules, mais également sur les infrastructures routières. Les orientations clarifient la manière dont les infrastructures routières peuvent prendre en charge des niveaux plus élevés de technologie de conduite autonome. Parmi eux, divers éléments des installations d'ingénierie de l'autoroute d'essai de conduite autonome, tels qu'une plate-forme de contrôle cloud de conduite autonome, des équipements de détection de trafic, des équipements de contrôle et de guidage du trafic, des installations de communication, des équipements de positionnement, des équipements informatiques routiers, des installations d'alimentation électrique et sécurité du réseau. Des indicateurs techniques tels que l'équipement sont clairement définis pour guider la construction et le développement des installations actuelles pour les projets d'autoroutes d'essai de conduite autonome.
Avec l'intégration profonde de la technologie numérique et de l'industrie automobile, les voitures intelligentes connectées deviennent progressivement les hauteurs stratégiques de l'industrie automobile mondiale. Cependant, la conduite autonome intelligente d'un seul véhicule se heurte à de nombreuses limites, telles que des déficiences naturelles en termes de puissance de calcul embarquée, de distance visuelle perçue et de coûts des capteurs. Par conséquent, la technologie collaborative véhicule-route est devenue une tendance de développement future. Promouvoir la mise en œuvre de la technologie de conduite autonome nécessite non seulement l'intelligence du véhicule lui-même, mais également le soutien intelligent de l'infrastructure routière. C'est devenu un consensus dans l'industrie.
Selon l'éditeur, les participants actuels à la collaboration véhicule-route en Chine sont principalement divisés en quatre catégories : les fournisseurs de matériel informatique et de technologies de communication (HBAT), les fabricants de technologies de l'information et de la communication (TIC), les fournisseurs et intégrateurs automobiles. Des entreprises telles que Huawei et Baidu mentionnées ci-dessus ont déjà élaboré des plans actifs dans le domaine de la collaboration véhicule-route. Par exemple, Huawei coopère avec de grands constructeurs automobiles, des fabricants de TIC, des fabricants de puces, etc. pour construire conjointement un réseau collaboratif véhicule-route. L'Apollon de Baidu Air, en revanche, peut atteindre une conduite autonome en boucle fermée de niveau L4 en s'appuyant uniquement sur une détection continue légère au bord de la route, sans détection embarquée. Alibaba Cloud et Amap ont coopéré pour lancer une solution de collaboration véhicule-route appelée « High-Speed Cloud ».
Le développement dans ce domaine est d'une grande importance pour l'application commerciale de la technologie de conduite autonome intelligente et apportera des changements révolutionnaires en matière de sécurité et d'efficacité routières futures.
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)

Avec le lancement de Windows 11, Microsoft a introduit de nouvelles fonctionnalités et mises à jour, notamment une fonctionnalité de sécurité appelée VBS (Virtualization-based Security). VBS utilise la technologie de virtualisation pour protéger le système d'exploitation et les données sensibles, améliorant ainsi la sécurité du système. Cependant, pour certains utilisateurs, VBS n'est pas une fonctionnalité nécessaire et peut même affecter les performances du système. Par conséquent, cet article explique comment désactiver VBS dans Windows 11 pour vous aider.

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

Configuration de VSCode en chinois : un guide complet Dans le développement de logiciels, Visual Studio Code (VSCode en abrégé) est un environnement de développement intégré couramment utilisé. Pour les développeurs qui utilisent le chinois, la configuration de VSCode sur l'interface chinoise peut améliorer l'efficacité du travail. Cet article vous fournira un guide complet, détaillant comment définir VSCode sur une interface chinoise et fournissant des exemples de code spécifiques. Étape 1 : Téléchargez et installez le pack de langue. Après avoir ouvert VSCode, cliquez sur la gauche.

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

La détection de cibles est un problème relativement mature dans les systèmes de conduite autonome, parmi lesquels la détection des piétons est l'un des premiers algorithmes à être déployés. Des recherches très complètes ont été menées dans la plupart des articles. Cependant, la perception de la distance à l’aide de caméras fisheye pour une vue panoramique est relativement moins étudiée. En raison de la distorsion radiale importante, la représentation standard du cadre de délimitation est difficile à mettre en œuvre dans les caméras fisheye. Pour alléger la description ci-dessus, nous explorons les conceptions étendues de boîtes englobantes, d'ellipses et de polygones généraux dans des représentations polaires/angulaires et définissons une métrique de segmentation d'instance mIOU pour analyser ces représentations. Le modèle fisheyeDetNet proposé avec une forme polygonale surpasse les autres modèles et atteint simultanément 49,5 % de mAP sur l'ensemble de données de la caméra fisheye Valeo pour la conduite autonome.

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
