


Berapa lama masa yang diambil untuk pemanduan autonomi untuk direalisasikan?
Baru-baru ini, terdapat satu artikel mengenai kemalangan kereta serius yang melibatkan kenderaan pasukan baharu dengan "fungsi bantuan pemanduan pintar dihidupkan" (mohon maaf kerana menggunakan ayat yang begitu panjang untuk menggambarkan kemalangan kereta ini, kerana saya benar-benar tidak mahu menimbulkan sebarang masalah) (sebarang masalah di jalan raya) memecahkan Internet, menjadikan semua orang sekali lagi memberi perhatian kepada perkembangan teknologi pemanduan autonomi dan isu sosial yang berkaitan.
Mengenai kemalangan ini, proses kejadian yang diringkaskan daripada maklumat yang terdapat di Internet adalah kira-kira seperti ini: Pemilik kereta A membuka kereta di tingkat atas ACC (Adaptive Cruise) dan LCC (Lane Centering Assist), memandu di lorong paling kiri dengan kelajuan 80km/j tiba-tiba sebuah kenderaan pegun di lorong yang sama muncul di hadapan, dan terdapat seorang B di belakang kenderaan pemilik A; Kenderaan itu tidak brek atau mengelak, dan merempuh terus ke kenderaan pegun dan orang B, menyebabkan kematian orang B di belakang kenderaan pegun...
Menurut laporan dalam talian, pemilik kemalangan, A, berkata: "Saya menghidupkan sistem pemanduan berbantu, tetapi sistem tidak mengenalinya. Saya kebetulan terganggu pada masa itu."
Jadi, siapa yang patut bertanggungjawab atas kemalangan itu? Pemilik kereta yang menyebabkan kemalangan itu? Atau pereka dan pengeluar kereta?
Walaupun saya tidak pernah membeli mana-mana kenderaan dengan fungsi pemanduan pintar "maju" sedemikian, dan saya tidak tahu dengan tepat bagaimana manual pengguna kenderaan atau perjanjian pengguna ditulis, tetapi menurut peraturan semasa pelbagai syarikat kereta Adalah menjadi amalan biasa apabila kenderaan menjalankan fungsi pemanduan pintar, pemilik mesti bertanggungjawab untuk memantau keadaan jalan pada setiap masa dan mesti bersedia untuk mengambil alih kenderaan pada setiap masa.
Sebab, walau sekeras mana pun semua orang menyuarakannya dalam iklan, semua orang tahu bahawa pemanduan pintar semasa tidak boleh dipanggil pemanduan autonomi sama sekali, ia masih hanya memandu dengan bantuan menyediakan pemandu dengan fungsi bantuan semasa memandu dan tidak dapat mencapai tujuan menggantikan pemandu.
Menurut Perkara 51 "Peraturan Pengurusan Kenderaan Bersambung Pintar Zon Ekonomi Khas Shenzhen", jika kenderaan bersambung pintar pemandu menghadapi pelanggaran keselamatan lalu lintas jalan raya, organ keselamatan awam hendaklah Jabatan pengurusan akan berurusan dengan pemandu mengikut undang-undang. Perkara 54 menetapkan bahawa jika kemalangan jalan raya yang melibatkan kenderaan pintar yang disambungkan menyebabkan kerosakan disebabkan oleh kecacatan pada kenderaan itu sendiri, pemandu, pemilik, atau pengurus kenderaan itu boleh meminta pampasan daripada pengilang atau penjual mengikut undang-undang selepas melengkapkan yang ditetapkan. pampasan.
Daripada peraturan di atas, sekiranya berlaku kemalangan, pemandu masih menjadi orang pertama yang bertanggungjawab Jika boleh dibuktikan kenderaan itu sendiri rosak, dia boleh tuntut pampasan dari syarikat kereta . Tetapi, bagaimanakah pengguna biasa boleh membuktikan kenderaan itu rosak?
Kami tidak mahu menganalisis punca kemalangan ini secara terperinci di sini - ia adalah reka bentuk Kecacatan kenderaan itu sendiri masih menjadi tanggungjawab pemandu;
Menurut standard klasifikasi pemanduan autonomi SAE J3016, pada tahap di bawah L3, walaupun operasi seperti stereng, pecutan dan nyahpecutan boleh dilakukan oleh sistem pemanduan autonomi automatik kenderaan, pemandu manusia masih bertanggungjawab Pantau semua keadaan di permukaan jalan. Dalam erti kata lain, pada tahap di bawah L3, sistem pemanduan autonomi hanyalah bantuan, dan pemandu mempunyai tanggungjawab penuh untuk pengendalian kenderaan yang selamat.
Mengikut pembahagian tanggungjawab ini, apabila teknologi pemanduan autonomi semasa masih jauh dari matang, pelbagai L2.5, L2.9, L2.9+, dan lain-lain telah muncul A kaedah penamaan yang agak "kreatif" dengan ciri-ciri Cina.
Setiap OEM bermain-main dengan sesuatu, dan tiada siapa yang berani mengatakan bahawa sistem pemanduan autonomi mereka boleh mencapai L3. Kerana sebaik sahaja ia diisytiharkan sebagai L3, tanggungjawab untuk kemalangan apabila kenderaan berada dalam keadaan pemanduan autonomi L3 perlu ditanggung oleh syarikat kereta.
Di negeri ini, di satu pihak, setiap orang perlu bersaing antara satu sama lain dari segi kekuatan teknikal dan terus memperkenalkan ciri pandu sendiri yang lebih maju dengan harapan dapat menjual lebih banyak kereta ; sebaliknya, saya tidak berani melepasi sempadan L3 walaupun separuh langkah. Kerana, selagi ia bukan L3, maka semua kemalangan tidak ada kena mengena dengan anda Sekurang-kurangnya tertera dengan jelas dalam manual pengguna bahawa pemandu mempunyai tanggungjawab untuk bersedia mengambil alih kenderaan pada bila-bila masa.
Namun, sebenarnya, mari kita fikirkan perkara ini dari sudut lain Apabila anda mengambil bahagian dalam mesyuarat yang tidak memerlukan anda bercakap atau merakam kandungan, adakah anda akan mengantuk, lihat pada anda telefon, Dalam keadaan terpinga-pinga... Fungsi pemanduan berbantukan semasa L2 Sistem akan menggera dan mengingatkan anda untuk memantau jalan dengan teliti.
Situasi ini seolah-olah anda telah menemui pemandu sepenuh masa, dan kemudian anda perlu mengawasinya sepanjang masa semasa dia memandu. Apabila situasi berbahaya berlaku, jika pemandu profesional gagal mengambil tindakan, anda mesti campur tangan dalam masa, jika tidak, anda akan bertanggungjawab atas kemalangan itu.
Tidakkah anda rasa situasi ini agak anti-manusia? Adakah orang yang membeli kereta dengan fungsi memandu sendiri suka menjadi pengajar sekolah memandu? Jika fungsi pandu kendiri masih memerlukan perhatian penuh kita, dan sukar untuk kita mengekalkan perhatian penuh sepanjang masa, adakah fungsi ini masih begitu bermakna?
Saya bukan seorang yang menentang teknologi pemanduan autonomi. Sebaliknya, saya sangat menyokong pembangunan teknologi pemanduan autonomi. Saya percaya bahawa apabila teknologi pemanduan autonomi matang pada masa hadapan, semua orang akan dapat menjimatkan banyak masa dan tenaga, dan bilangan kemalangan jalan raya akan dikurangkan dengan banyak. Walau bagaimanapun, pemanduan autonomi semasa masih jauh dari cukup matang untuk dipopularkan secara besar-besaran. Ia bukan sahaja jauh dari pemanduan autonomi peringkat tinggi, malah fungsi tambahan asas seperti AEB, LKA dan tempat letak kereta tidak boleh dipercayai 100%.
(Sumber imej: SAE International)
Pada tahun 1918, majalah Scientific American menerbitkan artikel bertajuk “A Motorist's Dream: A Car Controlled by a Set of Keys "Car" gambar (gambar di bawah), menunjukkan gambar diri- memandu trem. Artikel itu percaya bahawa "...pada masa hadapan, kereta dengan stereng akan menjadi usang seperti kereta hari ini dengan pam tangan!" 🎜>
(Sumber imej: Scientific American)
Selama hampir seratus tahun, manusia telah berminat dengan pemanduan autonomi Dengan usaha berterusan dan fantasi yang tidak realistik, saya sentiasa merasakan bahawa pemanduan autonomi akan menjadi kenyataan dalam masa 20 tahun. Malangnya, sehingga hari ini, tiada siapa yang boleh mengatakan dengan tepat bila kereta yang menghilangkan stereng sepenuhnya akan dapat memandu di jalan raya. Dan apabila orang semakin hampir dengan impian ini, mereka semakin sedar tentang kesukaran dan kerumitan untuk mencapai pemanduan autonomi sepenuhnya. Realisasi pemanduan autonomi tidak bergantung pada kenderaan itu sendiri, tetapi pada usaha keseluruhan sistem pengangkutan. Ia bukan hanya bergantung pada OEM dan pembekal pemanduan autonomi, tetapi bergantung pada kemajuan bersama semua bidang masyarakat.
Berikut ialah beberapa cadangan yang diilhamkan:
1. Memperbaik piawaian untuk sistem perakam data kemalangan sistem pemanduan pintar.
Walaupun negara sudah mempunyai piawaian yang relevan untuk EDR (Perakam Data Peristiwa, sistem rakaman data acara automobil), ia hanya boleh merekodkan maklumat asas tentang kenderaan. Pada peringkat ini, sama ada pemanduan pintar gagal atau tidak masih ditentukan oleh syarikat kereta, dan tiada penyeliaan pihak ketiga yang berkesan. Kerana, dengan jumlah data kompleks yang besar, tiada siapa kecuali syarikat kereta dan pembekal mereka dapat memberitahu dengan tepat apa yang berlaku. Sebab asas untuk fenomena ini ialah tiada piawaian kebangsaan yang lebih terperinci dengan kandungan yang berkaitan Apakah maksud di sebalik setiap data, data mana yang mesti disimpan pada waktu berapa, dsb. Keperluan ini masih kurang. Adalah disyorkan bahawa institusi dan persatuan yang berkaitan boleh merujuk kepada amalan OBD automobil untuk mewujudkan piawaian yang sepadan secepat mungkin dan menambah baiknya secara berterusan.
2. Negara harus mewujudkan pangkalan data simulasi kejadian pemanduan bersatu dan pada masa yang sama menyuntik maklumat terperinci tentang kemalangan jalan raya.
Peningkatan algoritma pemanduan autonomi memerlukan pengumpulan data besar-besaran Adalah sukar bagi mana-mana syarikat untuk melengkapkan tahap pengumpulan data ini dalam tempoh masa yang singkat Hanya dengan mengubah situasi setiap perusahaan yang bekerja sendiri, membentuk situasi menang-menang penciptaan bersama, dan belajar daripada amalan perisian sumber terbuka, kita boleh mengumpulkan kekuatan seluruh negara untuk menjadikan pemanduan pintar kita benar-benar pada barisan hadapan dunia.
3 Untuk akses kenderaan, pihak berkuasa kawal selia harus mengeluarkan piawaian ujian dan pensijilan yang lebih terperinci secepat mungkin.
Walaupun pemanduan pintar masih dalam peringkat pembangunan dan penyelesaian sistem berbeza secara meluas, beberapa prinsip dan kaedah asas masih boleh ditakrifkan pada peringkat ini. Selain itu, sebaik sahaja pangkalan data simulasi adegan pemanduan di seluruh negara diwujudkan, ia boleh digunakan sebagai penanda aras untuk menguji semua kenderaan yang baru diterima masuk dalam awan. Elakkan ujian jalan yang panjang dan kurangkan kos. 4. Cari cara untuk menguruskan OTA yang cekap dan boleh dipercayai. Disebabkan lelaran algoritma pemanduan autonomi yang pantas, syarikat kereta mesti sentiasa mengemas kini perisian melalui OTA. Penyeliaan semasa OTA menggunakan sistem pemfailan, yang membawa kepada kemungkinan bahawa fungsi dan prestasi kenderaan yang pada asalnya diterima mungkin mengalami perubahan besar selepas OTA. Bagaimana untuk mencari kaedah pengurusan OTA yang cekap dan boleh dipercayai adalah cabaran utama yang dihadapi oleh penyeliaan industri automotif semasa. Akhir sekali, saya ingin merakamkan ucapan terima kasih kepada syarikat-syarikat yang telah melaburkan wang mereka dalam pemanduan autonomi. Saya harap anda semua mempunyai sumber yang mencukupi dan kesabaran untuk mengharungi malam yang panjang dan melihat cahaya subuh!
Atas ialah kandungan terperinci Berapa lama masa yang diambil untuk pemanduan autonomi untuk direalisasikan?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Ditulis di atas & pemahaman peribadi pengarang Gaussiansplatting tiga dimensi (3DGS) ialah teknologi transformatif yang telah muncul dalam bidang medan sinaran eksplisit dan grafik komputer dalam beberapa tahun kebelakangan ini. Kaedah inovatif ini dicirikan oleh penggunaan berjuta-juta Gaussians 3D, yang sangat berbeza daripada kaedah medan sinaran saraf (NeRF), yang terutamanya menggunakan model berasaskan koordinat tersirat untuk memetakan koordinat spatial kepada nilai piksel. Dengan perwakilan adegan yang eksplisit dan algoritma pemaparan yang boleh dibezakan, 3DGS bukan sahaja menjamin keupayaan pemaparan masa nyata, tetapi juga memperkenalkan tahap kawalan dan pengeditan adegan yang tidak pernah berlaku sebelum ini. Ini meletakkan 3DGS sebagai penukar permainan yang berpotensi untuk pembinaan semula dan perwakilan 3D generasi akan datang. Untuk tujuan ini, kami menyediakan gambaran keseluruhan sistematik tentang perkembangan dan kebimbangan terkini dalam bidang 3DGS buat kali pertama.

Semalam semasa temu bual, saya telah ditanya sama ada saya telah membuat sebarang soalan berkaitan ekor panjang, jadi saya fikir saya akan memberikan ringkasan ringkas. Masalah ekor panjang pemanduan autonomi merujuk kepada kes tepi dalam kenderaan autonomi, iaitu, kemungkinan senario dengan kebarangkalian yang rendah untuk berlaku. Masalah ekor panjang yang dirasakan adalah salah satu sebab utama yang kini mengehadkan domain reka bentuk pengendalian kenderaan autonomi pintar satu kenderaan. Seni bina asas dan kebanyakan isu teknikal pemanduan autonomi telah diselesaikan, dan baki 5% masalah ekor panjang secara beransur-ansur menjadi kunci untuk menyekat pembangunan pemanduan autonomi. Masalah ini termasuk pelbagai senario yang berpecah-belah, situasi yang melampau dan tingkah laku manusia yang tidak dapat diramalkan. "Ekor panjang" senario tepi dalam pemanduan autonomi merujuk kepada kes tepi dalam kenderaan autonomi (AVs) kes Edge adalah senario yang mungkin dengan kebarangkalian yang rendah untuk berlaku. kejadian yang jarang berlaku ini

0. Ditulis di hadapan&& Pemahaman peribadi bahawa sistem pemanduan autonomi bergantung pada persepsi lanjutan, membuat keputusan dan teknologi kawalan, dengan menggunakan pelbagai penderia (seperti kamera, lidar, radar, dll.) untuk melihat persekitaran sekeliling dan menggunakan algoritma dan model untuk analisis masa nyata dan membuat keputusan. Ini membolehkan kenderaan mengenali papan tanda jalan, mengesan dan menjejaki kenderaan lain, meramalkan tingkah laku pejalan kaki, dsb., dengan itu selamat beroperasi dan menyesuaikan diri dengan persekitaran trafik yang kompleks. Teknologi ini kini menarik perhatian meluas dan dianggap sebagai kawasan pembangunan penting dalam pengangkutan masa depan satu. Tetapi apa yang menyukarkan pemanduan autonomi ialah memikirkan cara membuat kereta itu memahami perkara yang berlaku di sekelilingnya. Ini memerlukan algoritma pengesanan objek tiga dimensi dalam sistem pemanduan autonomi boleh melihat dan menerangkan dengan tepat objek dalam persekitaran sekeliling, termasuk lokasinya,

Kertas StableDiffusion3 akhirnya di sini! Model ini dikeluarkan dua minggu lalu dan menggunakan seni bina DiT (DiffusionTransformer) yang sama seperti Sora. Ia menimbulkan kekecohan apabila ia dikeluarkan. Berbanding dengan versi sebelumnya, kualiti imej yang dijana oleh StableDiffusion3 telah dipertingkatkan dengan ketara Ia kini menyokong gesaan berbilang tema, dan kesan penulisan teks juga telah dipertingkatkan, dan aksara bercelaru tidak lagi muncul. StabilityAI menegaskan bahawa StableDiffusion3 ialah satu siri model dengan saiz parameter antara 800M hingga 8B. Julat parameter ini bermakna model boleh dijalankan terus pada banyak peranti mudah alih, dengan ketara mengurangkan penggunaan AI

Ramalan trajektori memainkan peranan penting dalam pemanduan autonomi Ramalan trajektori pemanduan autonomi merujuk kepada meramalkan trajektori pemanduan masa hadapan kenderaan dengan menganalisis pelbagai data semasa proses pemanduan kenderaan. Sebagai modul teras pemanduan autonomi, kualiti ramalan trajektori adalah penting untuk kawalan perancangan hiliran. Tugas ramalan trajektori mempunyai timbunan teknologi yang kaya dan memerlukan kebiasaan dengan persepsi dinamik/statik pemanduan autonomi, peta ketepatan tinggi, garisan lorong, kemahiran seni bina rangkaian saraf (CNN&GNN&Transformer), dll. Sangat sukar untuk bermula! Ramai peminat berharap untuk memulakan ramalan trajektori secepat mungkin dan mengelakkan perangkap Hari ini saya akan mengambil kira beberapa masalah biasa dan kaedah pembelajaran pengenalan untuk ramalan trajektori! Pengetahuan berkaitan pengenalan 1. Adakah kertas pratonton teratur? A: Tengok survey dulu, hlm

Tajuk asal: SIMPL: ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving Paper pautan: https://arxiv.org/pdf/2402.02519.pdf Pautan kod: https://github.com/HKUST-Aerial-Robotics/SIMPL Unit pengarang: Universiti Sains Hong Kong dan Teknologi Idea Kertas DJI: Kertas kerja ini mencadangkan garis dasar ramalan pergerakan (SIMPL) yang mudah dan cekap untuk kenderaan autonomi. Berbanding dengan agen-sen tradisional

Pada bulan lalu, atas sebab-sebab yang diketahui umum, saya telah mengadakan pertukaran yang sangat intensif dengan pelbagai guru dan rakan sekelas dalam industri. Topik yang tidak dapat dielakkan dalam pertukaran secara semula jadi adalah hujung ke hujung dan Tesla FSDV12 yang popular. Saya ingin mengambil kesempatan ini untuk menyelesaikan beberapa buah fikiran dan pendapat saya pada masa ini untuk rujukan dan perbincangan anda. Bagaimana untuk mentakrifkan sistem pemanduan autonomi hujung ke hujung, dan apakah masalah yang sepatutnya dijangka diselesaikan hujung ke hujung? Menurut definisi yang paling tradisional, sistem hujung ke hujung merujuk kepada sistem yang memasukkan maklumat mentah daripada penderia dan secara langsung mengeluarkan pembolehubah yang membimbangkan tugas. Sebagai contoh, dalam pengecaman imej, CNN boleh dipanggil hujung-ke-hujung berbanding kaedah pengekstrak ciri + pengelas tradisional. Dalam tugas pemanduan autonomi, masukkan data daripada pelbagai penderia (kamera/LiDAR

Ditulis di hadapan & titik permulaan Paradigma hujung ke hujung menggunakan rangka kerja bersatu untuk mencapai pelbagai tugas dalam sistem pemanduan autonomi. Walaupun kesederhanaan dan kejelasan paradigma ini, prestasi kaedah pemanduan autonomi hujung ke hujung pada subtugas masih jauh ketinggalan berbanding kaedah tugasan tunggal. Pada masa yang sama, ciri pandangan mata burung (BEV) padat yang digunakan secara meluas dalam kaedah hujung ke hujung sebelum ini menyukarkan untuk membuat skala kepada lebih banyak modaliti atau tugasan. Paradigma pemanduan autonomi hujung ke hujung (SparseAD) tertumpu carian jarang dicadangkan di sini, di mana carian jarang mewakili sepenuhnya keseluruhan senario pemanduan, termasuk ruang, masa dan tugas, tanpa sebarang perwakilan BEV yang padat. Khususnya, seni bina jarang bersatu direka bentuk untuk kesedaran tugas termasuk pengesanan, penjejakan dan pemetaan dalam talian. Di samping itu, berat
