


Kurangkan kemalangan jalan raya, tingkatkan kebolehtinggalan bandar, dan 'gelombang' pemanduan autonomi akan datang
Kereta pandu sendiri boleh memetakan persekitarannya dengan tepat dan memantau lokasi dan keadaan masa nyata kenderaan berdekatan, lampu isyarat, pejalan kaki, penanda lorong, dsb. Penyelidikan semasa menunjukkan bahawa walaupun penambahbaikan ketara pada setiap subsistem ini masih diperlukan untuk mencapai kereta pandu sendiri yang berfungsi sepenuhnya dan selamat, sebaik sahaja penambahbaikan penting ini dicapai, orang bukan sahaja akan mengubah cara kereta mereka beroperasi, mereka juga akan menemui implikasi melangkaui kereta pandu sendiri. Dalam laporan baru-baru ini, laman web dua mingguan Amerika Forbes menantikan empat cara di mana kereta pandu sendiri dijangka mengubah dunia masa depan.
Kurangkan kemalangan jalan raya
Data yang disediakan oleh Pertubuhan Kesihatan Sedunia menunjukkan bahawa kira-kira 1.3 juta orang mati dalam kemalangan jalan raya setiap tahun di seluruh dunia, dan jumlah ini akan meningkat menjelang 2030 Ia mungkin mencecah 2.2 juta orang, dan kebanyakan kemalangan ini disebabkan oleh kesilapan manusia dalam penghakiman. Di samping itu, kira-kira 32 orang di Amerika Syarikat mati setiap hari akibat kemalangan yang disebabkan oleh pemandu mabuk, yang bermaksud satu orang mati hampir setiap 45 minit. Hari ini, kecederaan lalu lintas jalan raya adalah punca utama kematian kelapan di seluruh dunia.
Kereta pandu sendiri boleh mengelakkan kemalangan jalan raya yang disebabkan oleh kesilapan pemandu dan mengurangkan kejadian pemanduan dalam keadaan mabuk, pemanduan berniat jahat dan tingkah laku lain. Penderia dan kamera pada badan kereta pandu sendiri boleh membantunya mengesan perkara di hadapan, keadaan cuaca buruk dan kemungkinan kereta lain menuju ke arah tertentu. Waymo, anak syarikat kereta pandu sendiri Alphabet, syarikat induk Google, telah melengkapkan kereta pandu sendiri generasi kelimanya dengan penderia tambahan, termasuk lidar, kamera 360 darjah, dsb. Peralatan teknikal ini membantu kenderaan bertindak balas terhadap keadaan cuaca, masa dan faktor Serupa yang lain menyesuaikan keadaan pemanduan.
Jika kereta pandu sendiri menjadi pengangkutan utama, jumlah kematian akibat kemalangan jalan raya akan dikurangkan sebanyak 94%. Penyelidikan daripada institusi asing menunjukkan bahawa jika 90% daripada kereta di jalan A.S. ditukar kepada kereta pandu sendiri, jumlah kematian akan menurun daripada 33,000 kepada 11,300 setahun.
Pemilikan kereta semakin berkurangan
Memiliki kereta memerlukan banyak wang setiap tahun, tetapi kebanyakan kereta duduk diam di tempat letak kereta pada kebanyakan masa.
Kebanyakan kereta pandu sendiri pada masa hadapan berkemungkinan akan beroperasi sebagai kenderaan kongsi, terutamanya dimiliki oleh syarikat kenderaan kongsi. Akibatnya, bilangan pemilik kereta akan berkurangan, yang membantu mengurangkan masalah lalu lintas dan menjimatkan tempat letak kereta yang tidak perlu. Firma perunding McKinsey menganggarkan bahawa kereta pandu sendiri akan menjimatkan kira-kira 61 bilion kaki persegi ruang letak kereta di Amerika Syarikat.
Kereta pandu sendiri juga boleh membolehkan pengguna menjimatkan wang untuk pembelian kereta. Menurut data dari Persatuan Peniaga Automobil Kebangsaan, harga purata kereta baharu untuk rakyat Amerika ialah kira-kira $30,000. IHS, sebuah syarikat penyelidikan automotif profesional Amerika, menganggarkan bahawa menjelang 2035, teknologi pemanduan autonomi boleh mencapai tahap yang tidak memerlukan kawalan manual sama sekali, dan harganya akan terus turun kepada AS$3,000.
Data yang disediakan oleh Institut Penyelidikan Pengangkutan di Universiti Michigan menunjukkan bahawa sebaik sahaja kereta pandu sendiri diterima pakai, bilangan kereta di Amerika Syarikat akan menurun sehingga 43%. Sebastian Thrun, pakar komputer di Universiti Stanford di Amerika Syarikat, juga menegaskan bahawa apabila kereta pandu sendiri menjadi arus perdana, hanya 30% daripada kereta akan diperlukan di jalan raya.
Selain meningkatkan kecekapan operasi, kenderaan autonomi juga akan meningkatkan kecekapan bahan api dan kecekapan penggunaan kenderaan kerana ia dioptimumkan dari segi pecutan, brek dan peralihan. Dijangkakan menjelang 2050, kos penggunaan kenderaan bandar akan berkurangan sebanyak 40%.
Logistik semakin pantas ke arah automasi
Kenderaan autonomi juga boleh digunakan untuk menghantar makanan dan bungkusan pada masa hadapan. Kereta pandu sendiri akan membolehkan perniagaan memenuhi keperluan pelanggan dengan cepat dan lancar. Kereta pandu sendiri dan trak separa autonomi boleh dilengkapi dengan pelbagai sensor dan kamera khas untuk mengenal pasti objek dan alamat.
Sebagai contoh, Uber telah berjaya memasuki industri penghantaran makanan melalui UberEats dan Cruise Automation, anak syarikat General Motors, juga telah mula bekerjasama dengan DoorDash untuk meneroka penghantaran makanan memandu sendiri. Selain itu, Tentera Darat A.S. sedang membangunkan kereta kebal autonomi dan kenderaan pandu sendiri yang boleh menghantar makanan, bahan api dan bekalan di zon konflik, dan Tentera Laut A.S. juga sedang membangunkan kenderaan pandu sendiri yang boleh memadamkan kebakaran di kapal.
Meningkatkan daya huni kehidupan bandar
Kepekatan karbon dioksida dalam atmosfera diukur pada 421 bahagian sejuta pada tahun 2022, 50% lebih tinggi daripada tahap pra-industri. Di Amerika Syarikat, pelepasan gas rumah hijau daripada kenderaan penumpang menyumbang kira-kira 16.4% daripada jumlah pelepasan gas rumah hijau.
Dengan pelancaran beransur-ansur kereta pandu sendiri, bilangan kenderaan di jalan raya telah dikurangkan dengan ketara, yang akan membantu mengurangkan pelepasan gas rumah hijau dan membolehkan orang ramai menghirup udara yang lebih segar. Firma perunding McKinsey meramalkan bahawa kenderaan autonomi akan membantu mengurangkan pelepasan gas rumah hijau sebanyak 300 juta tan setahun, yang bersamaan dengan separuh daripada pelepasan karbon dioksida industri penerbangan. Laporan KPMG menunjukkan bahawa kereta pandu sendiri boleh meningkatkan kapasiti lebuh raya untuk menampung kereta sebanyak lima kali ganda. Kajian oleh Universiti Texas di Austin menunjukkan bahawa setiap kereta pandu sendiri boleh menggantikan kira-kira 11 kereta konvensional dan meningkatkan perbatuan operasi lebih daripada 10%. Ini bermakna menaiki kereta atau teksi berdasarkan perkongsian kenderaan akan mengurangkan kesesakan lalu lintas dan kemerosotan alam sekitar dengan ketara, dan meningkatkan kebolehtinggalan bandar dengan ketara.
Gelombang pemanduan autonomi sudah pun menghampiri kami! Boston Consulting Group meramalkan bahawa menjelang 2035, kenderaan autonomi sepenuhnya akan menyumbang hampir satu perempat daripada jumlah jualan kereta baharu global, dan akan terdapat lebih banyak kenderaan autonomi yang digunakan dalam senario tertentu. Pemanduan autonomi akan membawa perubahan besar kepada kehidupan orang ramai.
Atas ialah kandungan terperinci Kurangkan kemalangan jalan raya, tingkatkan kebolehtinggalan bandar, dan 'gelombang' pemanduan autonomi akan datang. 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,

Artikel perintis dan utama pertama terutamanya memperkenalkan beberapa sistem koordinat yang biasa digunakan dalam teknologi pemanduan autonomi, dan cara melengkapkan korelasi dan penukaran antara mereka, dan akhirnya membina model persekitaran bersatu. Fokus di sini adalah untuk memahami penukaran daripada kenderaan kepada badan tegar kamera (parameter luaran), penukaran kamera kepada imej (parameter dalaman) dan penukaran unit imej kepada piksel. Penukaran daripada 3D kepada 2D akan mempunyai herotan, terjemahan, dsb. Perkara utama: Sistem koordinat kenderaan dan sistem koordinat badan kamera perlu ditulis semula: sistem koordinat satah dan sistem koordinat piksel Kesukaran: herotan imej mesti dipertimbangkan Kedua-dua penyahherotan dan penambahan herotan diberi pampasan pada satah imej. 2. Pengenalan Terdapat empat sistem penglihatan secara keseluruhannya: sistem koordinat satah piksel (u, v), sistem koordinat imej (x, y), sistem koordinat kamera () dan sistem koordinat dunia (). Terdapat hubungan antara setiap sistem koordinat,

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

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

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
