交通部頒布《指南》:支援自動駕駛技術的道路智慧化
10月10日消息,隨著汽車智慧化技術不斷發展,關於車輛智慧駕駛的規章制度製定變得愈發重要。最新,交通部發布了《公路工程設施支援自動駕駛技術指南》(以下簡稱《指南》),這是一項由交通部公路科學研究院主編的重要規範。除了政府機構外,民間企業如華為、百度智行科技、高德雲圖科技等也積極參與了指引的發展。
與以往的規定不同,《指南》焦點不僅在車輛方面,也特別關注了道路基礎設施。該指南明確了道路基礎設施如何支援更高層級的自動駕駛技術。在其中,對自動駕駛試驗公路的工程設施中的各項要素,如自動駕駛雲控平台、交通感知設備、交通控制與誘導設備、通訊設施、定位設備、路側運算設備、供電設施及網路安全設備等技術指標進行了明確規定,以指導目前自動駕駛試驗公路工程的設施建設和發展。
隨著數位科技與汽車產業的深度融合,智慧網聯汽車正逐漸成為全球汽車產業的戰略制高點。然而,單車智慧自動駕駛面臨許多限制,如車載運算能力、感知視距、感測器成本等方面的天然不足,因此車路協同技術成為未來的發展趨勢。推動自動駕駛技術的落地,不僅需要車輛本身的智能,還需要道路基礎設施的智慧支持,這已成為產業共識。
根據小編了解,中國目前的車路協同參與者主要分為四類:硬體與通訊技術供應商(HBAT)、資訊通訊技術(ICT)廠商、汽車供應商和整合商。前文提到的華為和百度等企業已經在車路協同領域有了正面的佈局。例如,華為正與大型整車廠、ICT廠商、晶片廠商等展開合作,共同建構車路協同網路。百度的Apollo Air則在沒有車載感知的情況下,僅依靠路邊輕量級連續感知就能夠實現L4級別的自動駕駛閉環。阿里雲與高德地圖合作推出了名為「高速雲」的車路協同解決方案。
這一領域的發展對於實現智慧化自動駕駛技術的商業化應用具有重要意義,將為未來的交通安全和效率帶來革命性的改變。
以上是交通部頒布《指南》:支援自動駕駛技術的道路智慧化的詳細內容。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

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

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)

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

隨著Windows11的推出,微軟引進了一些新的功能和更新,包括一種名為VBS(Virtualization-basedSecurity)的安全功能。 VBS利用虛擬化技術來保護作業系統和敏感數據,從而提高系統的安全性。然而,對於某些使用者來說,VBS不是必需的功能,甚至可能會影響系統效能。因此,本文將介紹如何在Windows11中關閉VBS的方法,以協助

VSCode設定中文:完整指南在軟體開發中,VisualStudioCode(簡稱VSCode)是一個常用的整合開發環境。對於使用中文的開發者來說,將VSCode設定為中文介面可以提升工作效率。本文將為大家提供一個完整的指南,詳細介紹如何將VSCode設定為中文介面,並提供具體的程式碼範例。第一步:下載安裝語言包開啟VSCode後,點選左

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

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&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
