


Kementerian Pengangkutan mengeluarkan 'Garis Panduan': risikan jalan untuk menyokong teknologi pemanduan autonomi
Berita pada 10 Oktober, dengan perkembangan berterusan teknologi automobil pintar, penggubalan peraturan dan peraturan untuk pemanduan pintar kenderaan menjadi semakin penting. Baru-baru ini, Kementerian Pengangkutan mengeluarkan "Garis Panduan Teknikal untuk Kemudahan Kejuruteraan Lebuhraya untuk Menyokong Pemanduan Autonomi" (selepas ini dirujuk sebagai "Garis Panduan"), yang merupakan spesifikasi penting yang disunting oleh Institut Penyelidikan Sains Lebuhraya Kementerian Pengangkutan. Selain agensi kerajaan, syarikat swasta seperti Huawei, Baidu Zhixing Technology dan AutoNavi Technology turut mengambil bahagian secara aktif dalam penggubalan garis panduan tersebut.
Berbeza dengan peraturan sebelum ini, "Garis Panduan" memberi tumpuan bukan sahaja kepada kenderaan, tetapi juga kepada infrastruktur jalan raya. Panduan ini menjelaskan cara infrastruktur jalan raya boleh menyokong tahap teknologi pemanduan autonomi yang lebih tinggi. Antaranya, pelbagai elemen dalam kemudahan kejuruteraan lebuh raya ujian memandu autonomi, seperti platform kawalan awan pemanduan autonomi, peralatan penderia trafik, peralatan kawalan dan panduan trafik, kemudahan komunikasi, peralatan penentududukan, peralatan pengkomputeran tepi jalan, kemudahan bekalan kuasa dan keselamatan rangkaian. Penunjuk teknikal seperti peralatan ditakrifkan dengan jelas untuk membimbing pembinaan dan pembangunan projek lebuh raya ujian memandu autonomi semasa.
Dengan integrasi mendalam teknologi digital dan industri automotif, kereta pintar bersambung secara beransur-ansur menjadi tahap penguasaan strategik industri automotif global. Walau bagaimanapun, pemanduan autonomi pintar kenderaan tunggal menghadapi banyak batasan, seperti kekurangan semula jadi dalam kuasa pengkomputeran on-board, persepsi jarak visual dan kos sensor Oleh itu, teknologi kolaboratif kenderaan-jalan telah menjadi trend pembangunan masa hadapan. Mempromosikan pelaksanaan teknologi pemanduan autonomi bukan sahaja memerlukan kecerdasan kenderaan itu sendiri, tetapi juga sokongan pintar infrastruktur jalan Ini telah menjadi konsensus industri.
Menurut pemahaman editor, peserta kerjasama kenderaan-jalan raya semasa China terbahagi terutamanya kepada empat kategori: pembekal perkakasan dan teknologi komunikasi (HBAT), pengeluar teknologi maklumat dan komunikasi (ICT), pembekal dan penyepadu kereta. Syarikat seperti Huawei dan Baidu yang disebutkan di atas telah pun membuat rancangan aktif dalam bidang kerjasama kenderaan-jalan. Sebagai contoh, Huawei bekerjasama dengan pengeluar kereta besar, pengeluar ICT, pengeluar cip, dll. untuk bersama-sama membina rangkaian kerjasama kenderaan-jalan. Apollo Baidu Udara, sebaliknya, boleh mencapai gelung tertutup pemanduan autonomi tahap L4 dengan bergantung semata-mata pada penderiaan berterusan ringan di tepi jalan tanpa penderiaan di atas kapal. Alibaba Cloud dan Amap telah bekerjasama untuk melancarkan penyelesaian kerjasama kenderaan-jalan yang dipanggil "Awan Berkelajuan Tinggi".
Pembangunan dalam bidang ini sangat penting kepada aplikasi komersial teknologi pemanduan autonomi pintar dan akan membawa perubahan revolusioner kepada keselamatan dan kecekapan trafik masa hadapan.
Atas ialah kandungan terperinci Kementerian Pengangkutan mengeluarkan 'Garis Panduan': risikan jalan untuk menyokong teknologi pemanduan autonomi. 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



Dengan pelancaran Windows 11, Microsoft telah memperkenalkan beberapa ciri dan kemas kini baharu, termasuk ciri keselamatan yang dipanggil VBS (Virtualization-basedSecurity). VBS menggunakan teknologi virtualisasi untuk melindungi sistem pengendalian dan data sensitif, dengan itu meningkatkan keselamatan sistem. Walau bagaimanapun, bagi sesetengah pengguna, VBS bukanlah ciri yang diperlukan malah boleh menjejaskan prestasi sistem. Oleh itu, artikel ini akan memperkenalkan cara untuk mematikan VBS dalam Windows 11 untuk membantu

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

Persediaan VSCode dalam Bahasa Cina: Panduan Lengkap Dalam pembangunan perisian, Visual Studio Code (VSCode ringkasnya) ialah persekitaran pembangunan bersepadu yang biasa digunakan. Bagi pembangun yang menggunakan bahasa Cina, menetapkan VSCode kepada antara muka Cina boleh meningkatkan kecekapan kerja. Artikel ini akan memberi anda panduan lengkap, memperincikan cara menetapkan VSCode kepada antara muka Cina dan menyediakan contoh kod khusus. Langkah 1: Muat turun dan pasang pek bahasa Selepas membuka VSCode, klik di sebelah kiri

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

Pengesanan objek ialah masalah yang agak matang dalam sistem pemanduan autonomi, antaranya pengesanan pejalan kaki adalah salah satu algoritma terawal untuk digunakan. Penyelidikan yang sangat komprehensif telah dijalankan dalam kebanyakan kertas kerja. Walau bagaimanapun, persepsi jarak menggunakan kamera fisheye untuk pandangan sekeliling agak kurang dikaji. Disebabkan herotan jejari yang besar, perwakilan kotak sempadan standard sukar dilaksanakan dalam kamera fisheye. Untuk mengurangkan perihalan di atas, kami meneroka kotak sempadan lanjutan, elips dan reka bentuk poligon am ke dalam perwakilan kutub/sudut dan mentakrifkan metrik mIOU pembahagian contoh untuk menganalisis perwakilan ini. Model fisheyeDetNet yang dicadangkan dengan bentuk poligon mengatasi model lain dan pada masa yang sama mencapai 49.5% mAP pada set data kamera fisheye Valeo untuk pemanduan autonomi

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
