一文聊聊低速自动驾驶和高速自动驾驶
在之前分享的一篇文章:如何让自动驾驶汽车“认得路”中,主要聊了聊自动驾驶汽车中高精度地图的重要性,有一位朋友留言“如果作者了解申通快递分拣的那些自动移动小车的工作场景,恐怕就不会有这篇文章的观点看法了吧?”,在此对话中,涉及了低速自动驾驶与高速自动驾驶的相关概念。
自动驾驶汽车,又称为无人驾驶汽车,是一种自动化载具,也是一种需要驾驶员辅助或者完全不需操控的车辆,作为自动化载具,自动驾驶汽车可以不需要人类操作即可感知周围的环境,并完成导航与出行任务。自动驾驶发展的最终目标是可以通过自动驾驶汽车完成载人出行,但自动驾驶汽车技术的发展,尤其是高速自动驾驶的发展,并不像我们想象中那么简单和顺利。现阶段我们在校园、园区、机场等固定场所见到的自动驾驶运输车、快递运输车等均属于低速自动驾驶的范畴。那高速自动驾驶与低速自动驾驶到底是什么?高速自动驾驶与低速自动驾驶到底有什么区别?
低速自动驾驶
首先聊聊低速自动驾驶,低速自动驾驶顾名思义就是指行驶速度较低的自动驾驶汽车,低速自动驾驶汽车的主要作用是载物,且相对应用场景简单固定,时速一般也是低于50 km/h。低速自动驾驶的技术发展已经相对成熟,且已经应用到我们日常生活的方方面面,如在校园、园区等场景,我们看到的快递运输车,在景区、机场的接驳车等。据保守估计,包含低速载人无人车、低速载货无人车、无人作业车在内,2021年中国低速自动驾驶汽车销量达2.5万台,2022年将达到10.4万台,随着低速自动驾驶汽车的技术发展,低速自动驾驶汽车将成为我们日常生活中的一部分。
低速自动驾驶的发展也催生行业标准的制定,2021年10月29日,由深圳市智能交通行业协会牵头,超57家单位和112位专家共同编制的《低速无人车城市商业运营安全管理规范》团体标准正式发布,这项团队标准对低速无人驾驶汽车的投放和使用起到了重要的指导作用,也为政府职能管理部门和使用低速自动驾驶汽车的场所提供了有效的参考。
低速自动驾驶的发展也获得了很多资本的青睐,2021年国内外自动驾驶行业披露200余起重要的融资事件,其中低速无人驾驶产品和解决方案供应商获得融资近70起,超300亿元人民币。近70起融资中,花落国外47家企业,其中国外企业9家,中国企业39家。
融资企业地区分布情况
低速自动驾驶的发展前景非常广阔,究其原因主要是因为,低速自动驾驶为消费者解决了很多问题,如在快递最后一公里的问题上,低速自动驾驶就提出了很好的解决方案,相对于使用人工进行最后一公里运输成本的高昂,或使用快递柜将最后最后一公里交给消费者,这些方案都无法完美解决最后一公里的问题,但低速自动驾驶的出现就可以很好完成这项工作,消费者通过在手机app上设定送货时间,低速自动驾驶运输车就可以将快递按时送到楼下或门口,节省了人工运输快递的时间和成本,也无需消费者到快递柜拿取快递。
但在低速自动驾驶发展过程中,仍旧有很多问题需要面对。其中最主要的就是低速自动驾驶使用场景的局限性,当在一个地区投放低速自动驾驶汽车时,需要对该场地进行足够多信息的扫描(道路信息、路口信息、建筑物信息等),低速自动驾驶汽车可以对扫描后的场地非常熟悉,完全可以实现自动驾驶功能,但换个场景后,低速自动驾驶汽车将无法适应环境。这就像是小朋友走路,需要扶着东西才可以,当没有扶着东西时,可能就无法行走。简而言之,低速自动驾驶汽车并不智能,只有在固定的场景下,才能发挥自动驾驶的全部功能。
低速自动驾驶也给高速自动驾驶的发展提供了很多的技术参考,如在自动驾驶汽车上,会融合硬件、软件、算法、通信等多种技术,高速自动驾驶所需要的激光雷达、毫米波雷达、卫星定位、惯导等硬件设备也在低速自动驾驶汽车上得到了使用,感知、定位、规划、决策、数据存储等技术也得到了应用,包括汽车工业链中的线控底盘技术都在低速自动驾驶汽车上得到了普及。
高速自动驾驶
高速自动驾驶和低速自动驾驶的主要区别就是速度和使用场景,高速自动驾驶的发展目标是和人类驾驶汽车一样,可以在乡村道路、城市道路、高速公路等所有场景中行驶,可以达到甚至超过人类驾驶员驾驶汽车的水平。
如前文所述,高速自动驾驶的发展离不开激光雷达、毫米波雷达、卫星定位、惯导等硬件设备的使用,也需要感知、定位、规划、决策、数据存储等技术等应用,为了让高速自动驾驶汽车行驶更加安全,也需要高精度地图、GPS定位等技术的加持,为让高速自动驾驶汽车可以实现多场景、多范围行驶,智能网联技术的应用也变得更加重要。
现阶段高速自动驾驶的发展依旧停留在测试阶段,随着高速自动驾驶技术的不断成熟,智能网联试点示范区、智能汽车与智慧交通示范区、国家级车联网先导区、省级车联网先导区等场地逐渐开设,可以让高速自动驾驶汽车获得更多的使用场景。2021年7月,北京市高级别自动驾驶示范区推进工作组宣布,北京智能网联汽车政策先行区正式开放自动驾驶高速测试场景,允许首批获取高速公路测试通知书的企业开展试点测试,开放了京台高速北京段(五环路-六环路)双向10 km路段,进行前期道路测试验证,这也是全国首个自动驾驶高速测试路段,为未来高速自动驾驶发展提供了更多可能。
高速自动驾驶的发展并不如低速自动驾驶发展迅速,主要原因是对高速自动驾驶的铺设,会有更多的考量,不同于低速自动驾驶有固定的使用场景且场景相对简单。高速自动驾驶是直接参与到交通环境中,需要面对复杂的交通场景,需要能灵活解决诸如鬼探头、行人闯红灯等突发情况,高速自动驾驶的技术程度是否可以满足要求,如果出现事故,将可能对乘客、行人造成生命危害,并且会影响交通环境。此外消费者对于高速自动驾驶等接受程度并不一致,在交通法律法规等制定上,也并未对高速自动驾驶做出具体的标准要求,这一系列的问题导致高速自动驾驶的发展依旧处于萌芽阶段。
以上是一文聊聊低速自动驾驶和高速自动驾驶的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

写在前面&笔者的个人理解三维Gaussiansplatting(3DGS)是近年来在显式辐射场和计算机图形学领域出现的一种变革性技术。这种创新方法的特点是使用了数百万个3D高斯,这与神经辐射场(NeRF)方法有很大的不同,后者主要使用隐式的基于坐标的模型将空间坐标映射到像素值。3DGS凭借其明确的场景表示和可微分的渲染算法,不仅保证了实时渲染能力,而且引入了前所未有的控制和场景编辑水平。这将3DGS定位为下一代3D重建和表示的潜在游戏规则改变者。为此我们首次系统地概述了3DGS领域的最新发展和关

昨天面试被问到了是否做过长尾相关的问题,所以就想着简单总结一下。自动驾驶长尾问题是指自动驾驶汽车中的边缘情况,即发生概率较低的可能场景。感知的长尾问题是当前限制单车智能自动驾驶车辆运行设计域的主要原因之一。自动驾驶的底层架构和大部分技术问题已经被解决,剩下的5%的长尾问题,逐渐成了制约自动驾驶发展的关键。这些问题包括各种零碎的场景、极端的情况和无法预测的人类行为。自动驾驶中的边缘场景"长尾"是指自动驾驶汽车(AV)中的边缘情况,边缘情况是发生概率较低的可能场景。这些罕见的事件

0.写在前面&&个人理解自动驾驶系统依赖于先进的感知、决策和控制技术,通过使用各种传感器(如相机、激光雷达、雷达等)来感知周围环境,并利用算法和模型进行实时分析和决策。这使得车辆能够识别道路标志、检测和跟踪其他车辆、预测行人行为等,从而安全地操作和适应复杂的交通环境.这项技术目前引起了广泛的关注,并认为是未来交通领域的重要发展领域之一。但是,让自动驾驶变得困难的是弄清楚如何让汽车了解周围发生的事情。这需要自动驾驶系统中的三维物体检测算法可以准确地感知和描述周围环境中的物体,包括它们的位置、

StableDiffusion3的论文终于来了!这个模型于两周前发布,采用了与Sora相同的DiT(DiffusionTransformer)架构,一经发布就引起了不小的轰动。与之前版本相比,StableDiffusion3生成的图质量有了显着提升,现在支持多主题提示,并且文字书写效果也得到了改善,不再出现乱码情况。 StabilityAI指出,StableDiffusion3是一个系列模型,其参数量从800M到8B不等。这一参数范围意味着该模型可以在许多便携设备上直接运行,从而显着降低了使用AI

轨迹预测在自动驾驶中承担着重要的角色,自动驾驶轨迹预测是指通过分析车辆行驶过程中的各种数据,预测车辆未来的行驶轨迹。作为自动驾驶的核心模块,轨迹预测的质量对于下游的规划控制至关重要。轨迹预测任务技术栈丰富,需要熟悉自动驾驶动/静态感知、高精地图、车道线、神经网络架构(CNN&GNN&Transformer)技能等,入门难度很大!很多粉丝期望能够尽快上手轨迹预测,少踩坑,今天就为大家盘点下轨迹预测常见的一些问题和入门学习方法!入门相关知识1.预习的论文有没有切入顺序?A:先看survey,p

原标题:SIMPL:ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving论文链接:https://arxiv.org/pdf/2402.02519.pdf代码链接:https://github.com/HKUST-Aerial-Robotics/SIMPL作者单位:香港科技大学大疆论文思路:本文提出了一种用于自动驾驶车辆的简单高效的运动预测基线(SIMPL)。与传统的以代理为中心(agent-cent

写在前面&出发点端到端的范式使用统一的框架在自动驾驶系统中实现多任务。尽管这种范式具有简单性和清晰性,但端到端的自动驾驶方法在子任务上的性能仍然远远落后于单任务方法。同时,先前端到端方法中广泛使用的密集鸟瞰图(BEV)特征使得扩展到更多模态或任务变得困难。这里提出了一种稀疏查找为中心的端到端自动驾驶范式(SparseAD),其中稀疏查找完全代表整个驾驶场景,包括空间、时间和任务,无需任何密集的BEV表示。具体来说,设计了一个统一的稀疏架构,用于包括检测、跟踪和在线地图绘制在内的任务感知。此外,重

最近一个月由于众所周知的一些原因,非常密集地和行业内的各种老师同学进行了交流。交流中必不可免的一个话题自然是端到端与火爆的特斯拉FSDV12。想借此机会,整理一下在当下这个时刻的一些想法和观点,供大家参考和讨论。如何定义端到端的自动驾驶系统,应该期望端到端解决什么问题?按照最传统的定义,端到端的系统指的是一套系统,输入传感器的原始信息,直接输出任务关心的变量。例如,在图像识别中,CNN相对于传统的特征提取器+分类器的方法就可以称之为端到端。在自动驾驶任务中,输入各种传感器的数据(相机/LiDAR
