十年后可以实现无人驾驶普遍化吗?
在知乎上看到这么一个问题,十年后可以实现无人驾驶普遍化吗?并提出现在是否还有必要学习驾照。这是一个非常有趣的问题,因为这个问题涉及到了自动驾驶商用化的时间可能以及自动驾驶落地后我们的生活会发生哪些改变。在这个问题中,还涉及到了一个概念,即普遍化,这也是非常值得讨论的问题。智驾最前沿将从这一个问题着手,与大家进行讨论。
自动驾驶关乎智能出行、智能交通、智能城市,是未来发展的一大趋势,也将会是改变社会生活方式的一项技术转变。自动驾驶,简而言之就是汽车控制角色的转变,现在我们的出行过程中,完全离不开人的角色,无论是汽车、还是摩托车、或者是电动车、亦或是自行车,都是需要人去控制驾驶工具,这些驾驶工具更多的是用来加速出行过程,让长距离的出行变得更加迅速和便捷。但是这样的出行过程并没有解放人们的双手,在出行过程中,还是需要人花费大量的时间来观察路况,即使是打车,司机的角色依旧是人,只是将自己出行过程中对交通状况的观察任务交由了司机的角色,其实并没有减少人在交通出行过程中的参与度。
自动驾驶的概念,从根本上解决了人参与交通出行时需要观察交通路况的需求,让人从控制交通工具的角色上剥离出来,能够用更多时间来进行娱乐和休息。自动驾驶的概念并非近几年才提出,但技术发展至今,依旧没能看到普遍化使用的可能,未来十年或者更长一段时间,可能依旧如此,自动驾驶的发展还涉及政策、技术、社会接受度等方面的问题,很多内容并非是“简单”的技术实现,更多的是社会发展相关的问题,这或许是最难,且最不容易解决的问题。
回到最初的问题,“十年后可以实现无人驾驶普遍化吗”,这里要抛出一个概念,即无人驾驶是指哪一类无人驾驶?从技术层面来说,无人驾驶可分为低速自动驾驶与高速自动驾驶,低速自动驾驶就是我们在园区、餐饮店、校园等封闭场所看到的送快递、送外卖、接驳乘客的无人驾驶小车,这类的无人驾驶有几个特点,即封闭性和低速性,这类无人驾驶工具有固定的工作范围,运行路径也是相对固定的,在工作过程中行驶的速度也较低,很好解决了人们外卖、快递等最后一公里的问题。
随着技术的发展,低速自动驾驶将会越来越普及,甚至会应用到社会的方方面面,除了现在常见的送外卖、送快递外,如旅游景点的游客接驳、港口货物的运输装卸、矿山矿料的运输放置等工作环境简单、变化不会特别大、工作路程比较短的场景,将会被低速自动驾驶所取代,更多人将可以用来完成其他复杂的工作,实现人力资源使用的最大化。
但是在高速自动驾驶这一方向上,或许不会和低速自动驾驶一样,很快地实现落地,高速自动驾驶真正实现落地后,将会和现在路上的汽车一样,可以载人实现长距离、多场景的活动。高速自动驾驶概念下,需要自动驾驶汽车可以和人类驾驶员一样,对不同的交通路况做出判断,并可以在出现突发问题的交通环境下快速做出反应,这将是非常难的。
自动驾驶对于路况的判断和行动的决策主要是根据写入的代码,写入的代码将决定自动驾驶汽车在遇到某些交通状况时做出的反应,想要让自动驾驶汽车脱离代码的束缚,产生和人类驾驶员一样的思维,从技术层面上来说,根本不可能。
高速自动驾驶的发展有单车智能和车路协同两种,单车智能的发展模式,由于成本过高,需要更多的技术来让汽车完成驾驶,这不仅需要漫长的设计时间,还要在设计过程中考虑到设计成本是否可以让大众所接受,车路协同的发展模式下,可以有效减少自动驾驶汽车加装的硬件设备,但是对道路的升级、互联网速度提升等方面提出了更多的要求。
而且现行的交通法律法规也是以“人”为基础,更多考虑的是“人”在参与交通出行过程中可能出现的问题,现阶段还未有针对自动驾驶汽车的法律法规,相对于低速自动驾驶,高速自动驾驶由于以“载人”为主,则需要更多的法律法规来规范,以保证乘客安全。为保障制定的法律法规能达到让自动驾驶汽车普遍化的要求,则需要更多的时间来讨论和规划,以考虑到所有可能发生的问题。综上这一系列的条件限制,将让自动驾驶普遍化变得更难。
在问题中,还提到了普遍化,即自动驾驶已经可以随处可见,甚至所有的出行工具均为自动驾驶汽车,这中间就出现了一个值得讨论的问题,自动驾驶的落地,是否会有自动驾驶汽车和人类驾驶员驾驶汽车并存的阶段?如果有这一阶段,自动驾驶汽车和人类驾驶员驾驶的汽车是需要分开行驶,还是直接共用同一条道路?如果有这么一个阶段,当自动驾驶汽车达到多少比例,才算是自动驾驶普遍化了?
自动驾驶的落地,是否会有自动驾驶汽车和人类驾驶员驾驶汽车并存的阶段?现在有很多的主机厂在对外宣传时,都会以高级辅助驾驶系统为切入点,来宣传自身技术的先进性,但这类的高级辅助驾驶并不能代表无人驾驶,仅是一种减少驾驶员驾驶疲劳,增加驾驶安全性的一种辅助工具,只有完全满足SAE中L5级的要求,才算是真正的自动驾驶,因此现阶段并不能算是自动驾驶汽车和人类驾驶员驾驶汽车并存的阶段。
当自动驾驶汽车真正落地后,人类驾驶员驾驶的汽车并不可能直接换成无人驾驶汽车,作为一个出行工具,汽车的更换主要取决于其功能是否可以满足出行要求及消费者的购买能力,因此当自动驾驶汽车落地后,必定会出现自动驾驶汽车和人类驾驶员驾驶汽车并存的阶段,就像是智能手机普及前期,还是会有很多人使用功能手机,即便智能手机已经普及了多年,功能手机依然有很多人使用。
那自动驾驶汽车和人类驾驶员驾驶汽车并存时,是否需要给自动驾驶汽车开设专用车道?就如智能手机出现初期,使用智能手机人普遍偏少一样,自动驾驶技术落地前期,参与交通的自动驾驶汽车并不会很多,开设专用车道将会是非常耗时耗力且浪费成本的,因为想要让自动驾驶汽车达到驾驶员所有可以涉及到的地点,想要开设专用车道的话,需要在所有路段都进行开设,包括高速公路、城市道路、城镇道路甚至乡村道路等。因此,在自动驾驶落地后,自动驾驶汽车和人类驾驶员驾驶汽车更多是共用道路,且自动驾驶汽车落地的标准中会有一项为:是否可以适应交通环境的要求。
那自动驾驶汽车的比例达到多少了,才算是普遍化了呢?这是一个很难衡量的标准,每个人都对这一概念抱有自己的想法,智驾最前沿认为,自动驾驶普遍化,应该是大家都适应了自动驾驶的存在,且大部分的出行都将由自动驾驶来提供。回到最初的问题,十年后可以实现无人驾驶普遍化吗?难,很难,由于涉及到的领域过多,无人驾驶的普遍化还将有更长的路要走,因此学习驾照还是非常有必要的。
以上是十年后可以实现无人驾驶普遍化吗?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、

如此强大的AI模仿能力,真的防不住,完全防不住。现在AI的发展已经达到了这种程度吗?你前脚让自己的五官乱飞,后脚,一模一样的表情就被复现出来,瞪眼、挑眉、嘟嘴,不管多么夸张的表情,都模仿的非常到位。加大难度,让眉毛挑的再高些,眼睛睁的再大些,甚至连嘴型都是歪的,虚拟人物头像也能完美复现表情。当你在左侧调整参数时,右侧的虚拟头像也会相应地改变动作给嘴巴、眼睛一个特写,模仿的不能说完全相同,只能说表情一模一样(最右边)。这项研究来自慕尼黑工业大学等机构,他们提出了GaussianAvatars,这种

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
