自動駕駛「黃金十年」藍圖展開 各地加速佈局搶手機會期
目前自動駕駛產業普遍認為,到2030年我國將實現規模化的自動駕駛商業化落地,2020年-2030年則被業界視為自動駕駛的黃金發展期。隨著自動駕駛「黃金十年」藍圖徐徐展開,我國智慧網聯汽車相關法令體係不斷完善,高階自動駕駛呈現蓬勃發展態勢。
同時,各地方也正加速制定相關政策,推動自動駕駛商業化。前不久,重慶、武漢雙城率先開展全無人駕駛商業化出行服務,標誌著我國自動駕駛商業化實現了里程碑式的破局。近日,北京、上海、廣州、無錫等城市動作頻頻,自動駕駛新一輪佈局相繼展開,智慧網聯汽車迎來了技術快速演進、產業加速佈局的關鍵時期。
北京:將全面啟動3.0階段建造任務
#兩年前,北京市正式啟動全國首個網聯雲控式高等級自動駕駛示範區建設,為車路雲協同的創新應用累積了標準化建設的經驗。截至目前,北京高層自動駕駛示範區已經圓滿完成了1.0階段和2.0階段的建設任務。據悉,目前北京經開區已在329個智慧網聯標準路口、雙向750公里的城市道路和10公里的高速路上,實現了車路雲一體化功能的覆蓋,為啟動3.0規模部署和場景拓展階段奠定了堅實基礎。
9月16日,在2022世界智慧網聯汽車大會上,北京市高階自動駕駛示範區相關負責人透露,下一步,北京市將全面啟動3.0階段建設任務,建置全市統一的智慧城市專用網絡,將推廣不少於1000台高級自動駕駛車載終端的適配應用,逐步拓展完成全市500平方公里的示範區擴區工作,支援車路協同、遠端駕駛、線上監管等車聯網業務,廣泛拓展智慧城市的場景應用。
上海:全市首輛無安全員自動駕駛車發車
9月27日,隨著上海市首輛無安全員的自動駕駛車發車,「無人之境」示範體驗區正式啟用,成為上海推動智慧網聯汽車創新發展的另一個里程碑。這次「無人之境」示範體驗區的開啟,旨在進一步豐富智慧網聯汽車測試場景,透過建構綜合監管調度展示平台,為智慧網聯汽車無人駕駛常態化穩定營運提供真實環境依據及安全保障。
據悉,「無人之境」示範體驗區將基於上海汽車博覽公園內3.8公里的半開放道路開展無人駕駛示範應用,分兩個階段逐步開放,打造國內首個聚焦去安全員的無人化高階自動駕駛示範營運樣本。目前一期1.2公里道路已建成並投入使用,二期2.6公里道路仍在規劃建設中,預計今年年底完工。
目前,自動駕駛出行服務平台蘿蔔快跑提供的Apollo Moon極狐版自動駕駛汽車已在上海汽車博覽公園內開啟全無人測試,未來在測試有序推進下,蘿蔔快跑將在上海嘉定區域內更多路段,面向大眾進行全無人自動駕駛出行服務。
廣州:今明兩年將投入260輛自動駕駛汽車
9月14日,交通部辦公室公佈18個第一批智慧交通先導應用試點計畫(自動駕駛和智慧航運方向),廣州城市出行服務自動駕駛先導應用試點計畫入選,今明兩年將投入260輛自動駕駛車。
根據公佈內容,該試點計畫在2022年8月至2023年12月期間,在廣州塔環線、生物島環等投入50輛自動駕駛巴士,累計服務不少於100萬人次。在廣州人工智慧與數位經濟試驗區投入210輛自動駕駛乘用車,累計服務不少於30萬人次,運行里程不少於400萬公里,運行時長不少於20萬小時。試辦預期成果為形成試辦工作總結報告,圍繞自動駕駛城市出行服務場景,編製技術指南或標準規範不少於2項等。
無錫:將率先進行智慧網路汽車全域測試
9月22日,新版《無錫市智慧網路汽車道路測試與示範應用管理實施細則》(以下簡稱《實施細則》)正式出台,無錫率先將配備駕駛人的智慧網聯汽車道路測試、示範應用、示範營運的範圍擴大到全市,成為全國首個智慧車全局測試城市。
#作為全國首個國家級車聯網先導區和首批「雙智」試點城市,無錫在智慧網聯汽車產業的發展一直走在全國前列。 2021年,無錫試行《實施細則》,一年來智慧網聯汽車道路測試與示範應用有序開展,已累計開放177km公共測試道路,車聯網基礎設施已覆蓋450km2、856個點段。此次新版《實施細則》不僅明確了開展智慧網聯汽車測試與示範的主體、駕駛人及車輛所需具備的條件,還明確了配備駕駛人和不配備駕駛人的兩種模式,增加了示範運營的內容,給予智慧網聯汽車更大的技術創新和營運模式創新的空間。
此外,無錫首部車聯網地方性法規-《無錫市車聯網發展促進條例(草案)》也於近期通過,將進一步對車聯網的基礎建設、深度廣度應用、技術創新和產業發展等方面做出全面部署,以立法形式保障車聯網和智慧網聯汽車新技術、新模式、新業態的發展,為智能網聯汽車相關科技企業在無錫的落地與發展提供充分的土壤。
武漢:自動駕駛汽車即將實現跨區通行
#9月15日,武漢市第四批智慧網聯汽車測試道路風險等級評估通過專家評審,擬於近期正式開放。正式開放後,武漢市各類智慧網聯測試道路將突破400公里,位居國內前列。
據悉,目前武漢市已開放了三批共340公里智能網聯汽車和智慧交通測試道路,其中,武漢經開區有321公里5G商用網路全覆蓋開放測試道路,包括106公里5G全覆蓋的車路協同路段,是國內規模最大、場景最豐富、首個全5G接入的開放測試道路。第四批開放測試道路約70公里,將連接武漢經開區和漢陽區的核心區域,這意味著自動駕駛汽車將駛出中國車谷,首次實現跨區通行。
結語:2022年以來,除了各大城市動作頻頻,相關企業也在競相加碼,在自動駕駛這一新藍海中攻城略地,加快了自動駕駛落地的步伐。全無人化商業化營運也正從單一城市、單一區域的試點,逐步擴大到全國。
以上是自動駕駛「黃金十年」藍圖展開 各地加速佈局搶手機會期的詳細內容。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

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

目標偵測在自動駕駛系統當中是一個比較成熟的問題,其中行人偵測是最早得以部署演算法之一。在多數論文當中已經進行了非常全面的研究。然而,利用魚眼相機進行環視的距離感知相對來說研究較少。由於徑向畸變大,標準的邊界框表示在魚眼相機當中很難實施。為了緩解上述描述,我們探索了擴展邊界框、橢圓、通用多邊形設計為極座標/角度表示,並定義一個實例分割mIOU度量來分析這些表示。所提出的具有多邊形形狀的模型fisheyeDetNet優於其他模型,並同時在用於自動駕駛的Valeo魚眼相機資料集上實現了49.5%的mAP

寫在前面&筆者的個人理解這篇論文致力於解決當前多模態大語言模型(MLLMs)在自動駕駛應用中存在的關鍵挑戰,即將MLLMs從2D理解擴展到3D空間的問題。由於自動駕駛車輛(AVs)需要針對3D環境做出準確的決策,這項擴展顯得格外重要。 3D空間理解對於AV來說至關重要,因為它直接影響車輛做出明智決策、預測未來狀態以及與環境安全互動的能力。目前的多模態大語言模型(如LLaVA-1.5)通常只能處理較低解析度的影像輸入(例如),這是由於視覺編碼器的分辨率限制,LLM序列長度的限制。然而,自動駕駛應用需

純視覺的標註方案,主要利用視覺加上一些GPS、IMU和輪速感測器的資料進行動態標註。當然面向量產場景的話,不一定要純視覺,有些量產的車輛裡面,會有像固態雷達(AT128)這樣的感測器。如果從量產的角度做資料閉環,把這些感測器都用上,可以有效解決動態物體的標註問題。但是我們的方案裡面,是沒有固態雷達的。所以,我們就介紹這個最通用的量產標註方案。純視覺的標註方案的核心在於高精度的pose重建。我們採用StructurefromMotion(SFM)的pose重建方案,來確保重建精確度。但是傳

寫在前面&筆者的個人理解近年來,自動駕駛因其在減輕駕駛員負擔和提高駕駛安全方面的潛力而越來越受到關注。基於視覺的三維佔用預測是一種新興的感知任務,適用於具有成本效益且對自動駕駛安全全面調查的任務。儘管許多研究已經證明,與基於物體為中心的感知任務相比,3D佔用預測工具具有更大的優勢,但仍存在專門針對這一快速發展領域的綜述。本文首先介紹了基於視覺的3D佔用預測的背景,並討論了這項任務中遇到的挑戰。接下來,我們從特徵增強、部署友善性和標籤效率三個面向全面探討了目前3D佔用預測方法的現況和發展趨勢。最後

中科院自動化所深度強化學習團隊聯合理想汽車等提出了一種新的基於多模態大語言模型MLLM的自動駕駛閉環規劃框架—PlanAgent。此方法以場景的鳥瞰圖和基於圖的文本提示為輸入,利用多模態大語言模型的多模態理解和常識推理能力,進行從場景理解到橫向和縱向運動指令生成的層次化推理,並進一步產生規劃器所需的指令。在大規模且具有挑戰性的nuPlan基準上對該方法進行了測試,實驗表明PlanAgent在常規場景和長尾場景上都取得了最好(SOTA)性能。與常規大語言模型(LLM)方法相比,PlanAgent所

寫在前面&筆者的個人理解目前,隨著自動駕駛技術的越發成熟以及自動駕駛感知任務需求的日益增多,工業界和學術界非常希望一個理想的感知算法模型,可以同時完成三維目標檢測以及基於BEV空間的語意分割任務。對於一輛能夠實現自動駕駛功能的車輛而言,其通常配備環視相機感測器、光達感測器以及毫米波雷達感測器來採集不同模態的數據資訊。從而充分利用不同模態資料之間的互補優勢,使得不同模態之間的資料補充優勢,例如三維點雲資料可以為3D目標檢測任務提供信息,而彩色影像資料則可以為語義分割任務提供更加準確的資訊。針

1決策控制與運動規劃概述目前決策控制方法可分為三類:sequentialplanning、behavior-awareplanning、和end-to-endplanning。 sequentialplanning:最傳統的方法,感知、決策與控制三個部分層次較為清晰;behavior-awareplanning:相比第一種亮點在於引入人機共駕、車路協同以及車輛對外部動態環境的風險預估; end-to-endplanning:DL、DRL技術,借助大量的資料訓練,獲得從影像等感知資訊到方向盤轉角等車
