十年後可以實現無人駕駛普遍化嗎?
在知乎上看到這麼一個問題,十年後可以實現無人駕駛普遍化嗎?並提出現在是否還有必要學習駕照。這是一個非常有趣的問題,因為這個問題涉及了自動駕駛商用化的時間可能以及自動駕駛落地後我們的生活會發生哪些改變。在這個問題中,也涉及了一個概念,即普遍化,這也是一個非常值得討論的問題。智駕最前線將從這一問題著手,與大家討論。
自動駕駛關乎智慧移動、智慧交通、智慧城市,是未來發展的一大趨勢,也會是改變社會生活方式的技術轉變。自動駕駛,簡而言之就是汽車控制角色的轉變,現在我們的出行過程中,完全離不開人的角色,無論是汽車、還是摩托車、或者是電動車、亦或是自行車,都是需要人去控制駕駛工具,這些駕駛工具更多的是用來加速出行過程,讓長距離的出行變得更加迅速和方便。但這樣的出行過程並沒有解放人們的雙手,在出行過程中,還是需要人花費大量的時間來觀察路況,即使是打車,司機的角色依舊是人,只是將自己出行過程中對交通狀況的觀察任務交由了司機的角色,其實並沒有減少人在交通出遊過程中的參與。
自動駕駛的概念,從根本上解決了人們參與交通出行時需要觀察交通路況的需求,讓人從控制交通工具的角色上剝離出來,能夠用更多時間來進行娛樂和休息。自動駕駛的概念並非近幾年才提出,但技術發展至今,依舊沒能看到普遍化使用的可能,未來十年或者更長一段時間,可能依舊如此,自動駕駛的發展還涉及政策、技術、社會接受度等方面的問題,很多內容並非是「簡單」的技術實現,更多的是社會發展相關的問題,這或許是最難,且最不容易解決的問題。
回到最初的問題,“十年後可以實現無人駕駛普遍化嗎”,這裡要拋出一個概念,即無人駕駛是指哪一類無人駕駛?從技術層面來說,無人駕駛可分為低速自動駕駛與高速自動駕駛,低速自動駕駛就是我們在園區、餐飲店、校園等封閉場所看到的送快遞、送外賣、接駁乘客的無人駕駛小車,這類的無人駕駛有幾個特點,即封閉性和低速性,這類無人駕駛工具有固定的工作範圍,運行路徑也是相對固定的,在工作過程中行駛的速度也較低,很好解決了人們外帶、快遞等最後一公里的問題。
隨著科技的發展,低速自動駕駛將會越來越普及,甚至會應用到社會的方方面面,除了現在常見的外送、送快遞外,如旅遊景點的遊客接駁、港口貨物的運輸裝卸、礦山礦料的運輸放置等工作環境簡單、變化不會特別大、工作路程比較短的場景,將會被低速自動駕駛所取代,更多人將可以用來完成其他複雜的工作,實現人力資源使用的最大化。
但是在高速自動駕駛這一方向上,或許不會和低速自動駕駛一樣,很快地實現落地,高速自動駕駛真正實現落地後,將會和現在路上的汽車一樣,可以載人實現長距離、多場景的活動。在高速自動駕駛概念下,需要自動駕駛汽車可以和人類駕駛員一樣,對不同的交通路況做出判斷,並且可以在出現突發問題的交通環境下快速做出反應,這將是非常困難的。
自動駕駛對於路況的判斷和行動的決策主要是根據寫入的代碼,寫入的代碼將決定自動駕駛汽車在遇到某些交通狀況時做出的反應,想要讓自動駕駛汽車脫離程式碼的束縛,產生和人類駕駛一樣的思維,從技術層面來說,根本不可能。
高速自動駕駛的發展有單車智慧和車路協同兩種,單車智慧的發展模式,由於成本過高,需要更多的技術來讓汽車完成駕駛,這不僅需要漫長的設計時間,還要在設計過程中考慮到設計成本是否可以讓大眾所接受,車路協同的發展模式下,可以有效減少自動駕駛汽車加裝的硬體設備,但是對道路的升級、互聯網速度提升等方面提出了更多的要求。
而且現行的交通法規也是以「人」為基礎,更多考慮的是「人」在參與交通出行過程中可能出現的問題,現階段還未有針對自動駕駛汽車的法律法規,相對於低速自動駕駛,高速自動駕駛由於以「載人」為主,則需要更多的法律法規來規範,以確保乘客安全。為保障制定的法規能達到讓自動駕駛汽車普遍化的要求,則需要更多的時間來討論和規劃,以考慮到所有可能發生的問題。綜上這一系列的條件限制,將讓自動駕駛普遍化變得更難。
在問題中,也提到了普遍化,即自動駕駛已經可以隨處可見,甚至所有的出行工具均為自動駕駛汽車,這中間就出現了一個值得討論的問題,自動駕駛的落地,是否會有自動駕駛汽車和人類駕駛駕駛汽車並存的階段?如果有這一階段,自動駕駛汽車和人類駕駛駕駛的汽車是需要分開行駛,還是直接共用同一條道路?如果有這麼一個階段,當自動駕駛汽車達到多少比例,才算是自動駕駛普遍化了?
自動駕駛的落地,是否會有自動駕駛汽車和人類駕駛駕駛汽車並存的階段?現在有許多的主機廠在對外宣傳時,都會以高級輔助駕駛系統為切入點,來宣傳自身技術的先進性,但這類的高級輔助駕駛並不能代表無人駕駛,僅是一種減少駕駛員駕駛疲勞,增加駕駛安全性的一種輔助工具,只有完全滿足SAE中L5級的要求,才算是真正的自動駕駛,因此現階段並不能算是自動駕駛汽車和人類駕駛員駕駛汽車並存的階段。
當自動駕駛汽車真正落地後,人類駕駛員駕駛的汽車並不可能直接換成無人駕駛汽車,作為一個出行工具,汽車的更換主要取決於其功能是否可以滿足出行要求及消費者的購買能力,因此當自動駕駛汽車落地後,必定會出現自動駕駛汽車和人類駕駛員駕駛汽車並存的階段,就像是智慧型手機普及前期,還是會有很多人使用功能手機,即便智慧型手機已經普及了多年,功能手機還是有很多人使用。
那自動駕駛汽車和人類駕駛駕駛汽車並存時,是否需要為自動駕駛汽車開設專用車道?就如智慧型手機出現初期,使用智慧型手機人普遍偏少一樣,自動駕駛技術落地前期,參與交通的自動駕駛汽車並不會很多,開設專用車道將會是非常耗時耗力且浪費成本的,因為想要讓自動駕駛汽車達到駕駛所有可以涉及的地點,想要開設專用車道的話,需要在所有路段都進行開設,包括高速公路、城市道路、城鎮道路甚至鄉村道路等。因此,在自動駕駛落地後,自動駕駛汽車和人類駕駛駕駛汽車更多是共用道路,且自動駕駛汽車落地的標準中會有一項為:是否可以適應交通環境的要求。
那自動駕駛汽車的比例達到多少了,才算是普遍化了呢?這是一個很難衡量的標準,每個人都對這個概念抱持自己的想法,智駕最前沿認為,自動駕駛普遍化,應該是大家都適應了自動駕駛的存在,且大部分的出行都將由自動駕駛來提供。回到最初的問題,十年後可以實現無人駕駛普遍化嗎?很難,很難,由於涉及的領域過多,無人駕駛的普遍化還將有更長的路要走,因此學習駕照還是非常必要的。
以上是十年後可以實現無人駕駛普遍化嗎?的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

寫在前面&筆者的個人理解三維Gaussiansplatting(3DGS)是近年來在顯式輻射場和電腦圖形學領域出現的一種變革性技術。這種創新方法的特點是使用了數百萬個3D高斯,這與神經輻射場(NeRF)方法有很大的不同,後者主要使用隱式的基於座標的模型將空間座標映射到像素值。 3DGS憑藉其明確的場景表示和可微分的渲染演算法,不僅保證了即時渲染能力,而且引入了前所未有的控制和場景編輯水平。這將3DGS定位為下一代3D重建和表示的潛在遊戲規則改變者。為此我們首次系統性地概述了3DGS領域的最新發展與關

昨天面試被問到了是否做過長尾相關的問題,所以就想著簡單總結一下。自動駕駛長尾問題是指自動駕駛汽車中的邊緣情況,即發生機率較低的可能場景。感知的長尾問題是目前限制單車智慧自動駕駛車輛運行設計域的主要原因之一。自動駕駛的底層架構和大部分技術問題已經解決,剩下的5%的長尾問題,逐漸成了限制自動駕駛發展的關鍵。這些問題包括各種零碎的場景、極端的情況和無法預測的人類行為。自動駕駛中的邊緣場景"長尾"是指自動駕駛汽車(AV)中的邊緣情況,邊緣情況是發生機率較低的可能場景。這些罕見的事件

0.寫在前面&&個人理解自動駕駛系統依賴先進的感知、決策和控制技術,透過使用各種感測器(如相機、光達、雷達等)來感知周圍環境,並利用演算法和模型進行即時分析和決策。這使得車輛能夠識別道路標誌、檢測和追蹤其他車輛、預測行人行為等,從而安全地操作和適應複雜的交通環境。這項技術目前引起了廣泛的關注,並認為是未來交通領域的重要發展領域之一。但是,讓自動駕駛變得困難的是弄清楚如何讓汽車了解周圍發生的事情。這需要自動駕駛系統中的三維物體偵測演算法可以準確地感知和描述周圍環境中的物體,包括它們的位置、

好強大的AI模仿能力,真的防不住,完全防不住。現在AI的發展已經達到這種程度了嗎?你前腳讓自己的五官亂飛,後腳,一模一樣的表情就被復現出來,瞪眼、挑眉、噘嘴,不管多麼誇張的表情,都模仿的非常到位。加大難度,讓眉毛挑的再高些,眼睛睜的再大些,甚至連嘴型都是歪的,虛擬人物頭像也能完美復現表情。當你在左邊調整參數時,右邊的虛擬頭像也會相應地改變動作給嘴巴、眼睛一個特寫,模仿的不能說完全相同,只能說表情一模一樣(最右邊)。這項研究來自慕尼黑工業大學等機構,他們提出了GaussianAvatars,這種

軌跡預測在自動駕駛中承擔著重要的角色,自動駕駛軌跡預測是指透過分析車輛行駛過程中的各種數據,預測車輛未來的行駛軌跡。作為自動駕駛的核心模組,軌跡預測的品質對於下游的規劃控制至關重要。軌跡預測任務技術堆疊豐富,需熟悉自動駕駛動/靜態感知、高精地圖、車道線、神經網路架構(CNN&GNN&Transformer)技能等,入門難度很高!許多粉絲期望能夠盡快上手軌跡預測,少踩坑,今天就為大家盤點下軌跡預測常見的一些問題和入門學習方法!入門相關知識1.預習的論文有沒有切入順序? A:先看survey,p

原文標題:SIMPL:ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving論文連結:https://arxiv.org/pdf/2402.02519.pdf程式碼連結:https://github.com/HKUST-Aerial-Robotics/SIMPLobotics單位論文想法:本文提出了一種用於自動駕駛車輛的簡單且有效率的運動預測基線(SIMPL)。與傳統的以代理為中心(agent-cent

寫在前面&出發點端到端的範式使用統一的框架在自動駕駛系統中實現多任務。儘管這種範式具有簡單性和清晰性,但端到端的自動駕駛方法在子任務上的表現仍然遠遠落後於單任務方法。同時,先前端到端方法中廣泛使用的密集鳥瞰圖(BEV)特徵使得擴展到更多模態或任務變得困難。這裡提出了一種稀疏查找為中心的端到端自動駕駛範式(SparseAD),其中稀疏查找完全代表整個駕駛場景,包括空間、時間和任務,無需任何密集的BEV表示。具體來說,設計了一個統一的稀疏架構,用於包括檢測、追蹤和線上地圖繪製在內的任務感知。此外,重

最近一個月由於眾所周知的一些原因,非常密集地和業界的各種老師同學進行了交流。交流中必不可免的一個話題自然是端到端與火辣的特斯拉FSDV12。想藉此機會,整理當下這個時刻的一些想法和觀點,供大家參考和討論。如何定義端到端的自動駕駛系統,應該期望端到端解決什麼問題?依照最傳統的定義,端到端的系統指的是一套系統,輸入感測器的原始訊息,直接輸出任務關心的變數。例如,在影像辨識中,CNN相對於傳統的特徵提取器+分類器的方法就可以稱之為端到端。在自動駕駛任務中,輸入各種感測器的資料(相機/LiDAR
