


Mengapakah sesetengah pembuat kereta utama memikirkan semula pelaburan pemanduan autonomi mereka?
Sehingga beberapa bulan yang lalu, pemanduan autonomi adalah salah satu tema pelaburan paling hangat. Walau bagaimanapun, banyak pembuat kereta utama, termasuk Ford, baru-baru ini telah mempertimbangkan semula pelaburan mereka dalam perniagaan memandu sendiri, dan syarikat lain seperti Alphabet menghadapi tekanan kewangan untuk mengurangkan perbelanjaan bagi perniagaan memandu sendiri.
Uber adalah yang pertama melepaskan perniagaan memandu sendiri
Uber ialah salah satu syarikat pertama yang melepaskan diri -perniagaan memandu Pada tahun 2020, perniagaan itu dijual kepada Aurora Innovation yang baru memulakan pemanduan. Sebagai balasan, Uber menerima pegangan majoriti dalam syarikat itu.
Inovasi Aurora diumumkan melalui penggabungan terbalik SPAC, dan harga saham semasa adalah kurang daripada $2 sesaham. Menurut laporan, Uber telah mengalami kerugian besar atas pelaburannya dalam syarikat seperti Aurora, Grab dan Zomato.
Inovasi Aurora ialah pembangun perniagaan pemacu autonomi murni, dan kejatuhan harga sahamnya mengingatkan pesimisme pelabur terhadap industri. Bukan itu sahaja, malah beberapa syarikat juga sedang mempertimbangkan semula pelaburan mereka dalam pemanduan autonomi.
Ford keluar dari perniagaan pemanduan autonomi
Bulan lepas, Argo AI, usaha sama antara Ford dan Volkswagen, runtuh dan Ford membatalkan pelaburannya dalam syarikat itu bahawa pengeluar kereta utama juga telah "bersara" daripada pemanduan autonomi.
Ford berkata Argo AI belum menarik pelabur baharu. Ford juga mengumumkan bahawa ia tidak akan menumpukan pada pembangunan sistem pemanduan autonomi L4. Ketua Pegawai Eksekutif syarikat itu berkata walaupun sesetengah pelabur telah melabur sejumlah AS$100 bilion dalam teknologi pemanduan autonomi L4, belum ada syarikat yang dapat menentukan model perniagaan yang menguntungkan.
Dalam salah satu panggilan pendapatan syarikat, Doug Field, pengarah kanan pembangunan produk dan teknologi Ford, berkata: “Pengkomersilan skala besar pemanduan autonomi L4 akan mengambil masa yang lebih lama daripada yang kami jangkakan sebelum ini teknologi bantuan mempunyai pangkalan pelanggan yang boleh ditangani yang lebih besar, yang akan membolehkannya berskala lebih cepat dan menjadi menguntungkan." CFO Ford John Lawler berkata bahawa syarikat tidak melihat keperluannya. Bangunkan sendiri teknologi memandu sendiri.
Pemanduan autonomi Alphabet menghadapi tekanan kerugianAlphabet memiliki anak syarikat perniagaan pemanduan autonominya Waymo, yang menghadapi tekanan daripada pemegang saham untuk mempersoalkan kerugiannya yang semakin meningkat. Pengurusan Dana TCI, yang memegang saham Alphabet bernilai kira-kira $6 bilion, menghantar surat kepada pengurusan Alphabet meminta kerugian Waymo dikurangkan.
TCI berkata dalam surat itu, "Malangnya, orang ramai telah kehilangan semangat untuk pemanduan autonomi, dan pesaing juga telah menarik diri daripada pasaran dalam surat itu bahawa Volkswagen dan Ford telah menarik diri daripada perniagaan ini .
Kebetulan, Nuro, syarikat permulaan memandu sendiri yang disokong oleh Alphabet, Tiger Global dan SoftBank, baru-baru ini mengumumkan bahawa ia akan memberhentikan satu perlima daripada tenaga kerjanya dalam usaha untuk menjimatkan wang sambil melabur dalam jangka panjang.
GM menyatakan bahawa kereta tidak akan menarik diri daripada pasaran pemanduan autonomiOrang dalam industri juga menegaskan bahawa keadaan pasaran pemanduan autonomi tidak semuanya suram, dan sesetengah syarikat tidak masih meneruskan pelaburan dalam pemanduan autonomi. General Motors, sebagai contoh, telah berkata ia tidak akan menarik diri daripada pelaburannya dalam perniagaan. Syarikat itu memiliki Cruise, sebuah syarikat yang membangunkan perniagaan pemanduan autonomi, dan menerima pelaburan daripada Microsoft tahun lepas.
Ketua Pegawai Eksekutif GM Mary Barra berkata: “Kami adalah satu-satunya syarikat kenderaan autonomi yang bersedia untuk melancarkan dan membawa hasil dalam tiga pasaran. Beliau berkata: "Apabila kami mempertimbangkan kekuatan perniagaan dan perniagaan yang telah kami wujudkan, kami merasakan kami boleh melabur semula dalam perniagaan kenderaan autonomi kerana kami melihat peluang yang besar
GM juga menaikkan aliran tunai harga." panduan untuk 2022 dan menjangkakan perniagaan kenderaan elektriknya menjadi menguntungkan pada 2025.
Tesla melihat perisian sebagai pemacu utama perniagaannyaTesla melihat pemanduan autonomi sebagai pemacu utama pertumbuhan perniagaannya. Syarikat itu telah melaraskan harga Sistem Pemanduan Sendiri Sepenuhnya (FSD) dua kali tahun ini, kini menaikkannya kepada $15,000. Sumber industri berkata memandangkan persekitaran makroekonomi yang semakin merosot, banyak syarikat pemanduan autonomi menghadapi tekanan untuk mengumpul dana. Oleh kerana perniagaan itu masih di peringkat awal, banyak perniagaan berkemungkinan akan terus mencatatkan kerugian pada tahun-tahun mendatang. Kini dengan Rizab Persekutuan secara agresif menaikkan kadar faedah, beberapa pelabur ingin membiayai syarikat yang kehilangan wang seperti kereta pandu sendiri.
Dalam satu pihak, terdapat pelaburan "jarak jauh" dan besar dalam pemanduan autonomi, dan sebaliknya, terdapat persekitaran ekonomi yang lembap pada pendapat anda apakah hala tuju masa depan pemanduan autonomi menjadi?
Atas ialah kandungan terperinci Mengapakah sesetengah pembuat kereta utama memikirkan semula pelaburan pemanduan autonomi mereka?. 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

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
