減少交通事故,提升城市宜居性,自動駕駛「浪潮」奔湧而來
自動駕駛汽車能夠準確繪製周圍環境的地圖,並監控附近車輛、交通燈、行人和車道標記等的位置以及即時情況。目前的研究表明,儘管仍需對其中每個子系統進行重大改進,才能實現功能全面、安全的自動駕駛汽車,但一旦實現了這些里程碑式的改進,人們不僅會改變汽車的操作方式,還會發現其所帶來的影響遠遠超出自動駕駛汽車領域。美國《富比士》雙週刊網站在近日的報導中,展望了自動駕駛汽車有望改變未來世界的4種方式。
減少交通事故
世界衛生組織提供的數據顯示,全球每年約有130萬人死於交通事故,這一數字在2030年有可能達到220萬人,這些事故大多由人的判斷失誤造成。此外,美國每天約有32人死於因酒駕導致的撞車,這意味著幾乎每45分鐘就有一人因此喪命。如今,道路交通傷害已成為全球第八大死因。
自動駕駛汽車可以避免因為駕駛者的失誤而造成的交通事故,減少酒後駕駛、惡意駕駛等行為的出現。自動駕駛汽車車身上搭載的感應器和攝影機可以幫助汽車感知前方狀況、惡劣的天氣狀況以及其他汽車朝特定方向行駛的可能性。谷歌母公司「字母表」旗下自動駕駛汽車子公司Waymo在其第五代自動駕駛汽車配備了補充感測器,包括雷射雷達、360度攝影機等,這些技術設備有助於車輛根據天氣條件、時間和其他類似因素調整行駛情況。
如果自動駕駛汽車成為主要的交通方式,交通事故死亡人數將減少94%。國外機構的研究顯示,如果美國公路上90%的汽車轉變成自動駕駛汽車,死亡人數將從每年3.3萬人降至1.13萬人。
汽車保有量下降
擁有一輛汽車,每年花費不菲,但大部分汽車多數時間都靜靜地待在停車場裡。
未來大多數自動駕駛汽車可能會作為共享車輛運行,主要由共享車輛公司擁有。因此,車主數量將減少,這有助於減少交通問題並節省不必要的停車位。麥肯錫顧問公司估計,自動駕駛汽車將為美國節省約610億平方英尺的停車位面積。
自動駕駛汽車還可以讓使用者節省買車的費用。美國國家汽車交易商協會的數據顯示,美國人購買一輛新小型汽車的平均價格約為3萬美元。美國汽車專業調查公司IHS估計,到2035年,自動駕駛技術可以達到完全不需要人工控制的水平,其價格也將進一步下降至3,000美元。
美國密西根大學交通運輸研究所提供的數據顯示,一旦採用自動駕駛汽車,美國汽車保有量最高將下降43%。美國史丹佛大學電腦專家賽巴斯欽特隆也指出,一旦自動駕駛汽車成為主流,公路上只需要30%的汽車。
除了提升營運效率外,由於自動駕駛汽車在加速、煞車以及變速等方面都進行了最佳化,其還將提高燃油效率和車輛利用效率。預計到2050年,城市車輛的使用成本將減少40%。
物流加速實現自動化
自動駕駛汽車未來也可以用來運送食物和包裝。自動駕駛汽車將使企業能夠快速、順利地滿足客戶需求。自動駕駛汽車和半自動卡車可以配備各種特殊的感測器和攝影機來識別物體和地址。
例如,優步公司已經通過UberEats,成功進軍食品遞送行業;而通用汽車子公司Cruise Automation也開始與DoorDash合作,探索實現自動駕駛食品遞送。此外,美國陸軍正在開發能在衝突地區運送食品、燃料和物資的自動坦克和自動駕駛車輛,美國海軍也在研發能夠撲滅船上火災的自動駕駛車輛。
提升城市生活宜居性
2022年測得大氣中二氧化碳濃度為百萬分之421,比工業化前高出50%。在美國,乘用車排放出的溫室氣體約佔溫室氣體排放量的16.4%。
隨著自動駕駛汽車逐步推出,道路上的交通工具數量大幅降低,有助於減少溫室氣體排放量,人們也因此可以呼吸到更新鮮的空氣。根據麥肯錫顧問公司預測,自動駕駛汽車每年有助於減少3億噸溫室氣體排放,相當於航空業二氧化碳排放量的一半。畢馬威的報告顯示,自動駕駛汽車可以將高速公路容納汽車的能力提高5倍。美國德州大學奧斯汀分校一項研究表明,每輛自動駕駛汽車可取代約11輛常規汽車,營運里程可增加10%以上。這意味著,基於車輛分享的約車或計程車將大幅減少交通擁堵和環境惡化,並大大提升城市的宜居性。
自動駕駛的浪潮已經向我們飛奔而來!波士頓顧問公司預計,到2035年,全自動駕駛汽車將佔全球新車總銷量的近四分之一,而應用於特定場景的自動駕駛汽車還會更多。自動駕駛將為人們的生活帶來這麼巨大的變化,是不是非常值得期待呢?
以上是減少交通事故,提升城市宜居性,自動駕駛「浪潮」奔湧而來的詳細內容。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、

一先導與重點文章主要介紹自動駕駛技術中幾種常用的座標系統,以及他們之間如何完成關聯與轉換,最終建構出統一的環境模型。這裡重點理解自車到相機剛體轉換(外參),相機到影像轉換(內參),影像到像素有單位轉換。 3d向2d轉換會有對應的畸變,平移等。重點:自車座標系相機機體座標系需要被重寫的是:平面座標系像素座標系難點:要考慮影像畸變,去畸變和加畸變都是在像平面上去補償二簡介視覺系統一共有四個座標系:像素平面座標系(u,v)、影像座標系(x,y)、相機座標系()與世界座標系()。每種座標系之間均有聯繫,

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

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

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
