减少交通事故,提升城市宜居性,自动驾驶“浪潮”奔涌而来
自动驾驶汽车能够准确绘制周围环境的地图,并监测附近车辆、交通灯、行人和车道标记等的位置以及实时情况。目前的研究表明,尽管仍需对其中每个子系统进行重大改进,才能实现功能全面、安全的自动驾驶汽车,但一旦实现了这些里程碑式的改进,人们不仅会改变汽车的操作方式,还会发现其所带来的影响远远超出自动驾驶汽车领域。美国《福布斯》双周刊网站在近日的报道中,展望了自动驾驶汽车有望改变未来世界的4种方式。
减少交通事故
世界卫生组织提供的数据显示,全球每年约有130万人死于交通事故,这一数字在2030年有可能达到220万人,这些事故大多由人的判断失误造成。此外,美国每天约有32人死于醉酒驾驶导致的撞车,这意味着几乎每45分钟就有一人因此丧命。如今,道路交通伤害已经成为全球第八大死因。
自动驾驶汽车可以避免因为驾驶员的失误而造成的交通事故,减少酒后驾驶、恶意驾驶等行为的出现。自动驾驶汽车车身上搭载的传感器和摄像头可以帮助汽车感知前方情况、恶劣的天气情况以及其他汽车向特定方向行驶的可能性。谷歌母公司“字母表”旗下自动驾驶汽车子公司Waymo在其第五代自动驾驶汽车配备了补充传感器,包括激光雷达、360度摄像机等,这些技术设备有助于车辆根据天气条件、时间和其他类似因素调整行驶情况。
如果自动驾驶汽车成为主要的交通方式,交通事故死亡人数将减少94%。国外机构的研究显示,如果美国公路上90%的汽车转变成自动驾驶汽车,死亡人数将从每年3.3万人降至1.13万人。
汽车保有量下降
拥有一辆汽车,每年花费不菲,但大部分汽车多数时间都静静地待在停车场里。
未来大多数自动驾驶汽车可能会作为共享车辆运行,主要由共享车辆公司拥有。因此,车主数量将减少,这有助于减少交通问题并节省不必要的停车位。麦肯锡咨询公司估计,自动驾驶汽车将为美国节省大约610亿平方英尺的停车位面积。
自动驾驶汽车还可以让用户节省买车的费用。美国国家汽车交易商协会的数据显示,美国人购买一辆新小汽车的均价为3万美元左右。美国汽车专业调查公司IHS估计,到2035年,自动驾驶技术可以达到完全不需要人工控制的水平,其价格也将进一步下降至3000美元。
美国密歇根大学交通运输研究所提供的数据显示,一旦采用自动驾驶汽车,美国汽车保有量最高将下降43%。美国斯坦福大学计算机专家赛巴斯钦·特隆也指出,一旦自动驾驶汽车成为主流,公路上只需要30%的汽车。
除了提升运营效率外,由于自动驾驶汽车在加速、制动以及变速等方面都进行了优化,其还将提高燃油效率和车辆利用效率。预计到2050年,城市车辆的使用成本将减少40%。
物流加速实现自动化
自动驾驶汽车未来也可以被用于运送食物和包裹。自动驾驶汽车将使企业能够快速、顺利地满足客户需求。自动驾驶汽车和半自动卡车可以配备各种特殊的传感器和摄像机来识别物体和地址。
例如,优步公司已经通过UberEats,成功进军食品递送行业;而通用汽车子公司Cruise Automation也开始与DoorDash合作,探索实现自动驾驶食品递送。此外,美国陆军正在开发能在冲突地区运送食品、燃料和物资的自动坦克和自动驾驶车辆,美国海军也在研发能够扑灭船上火灾的自动驾驶车辆。
提升城市生活宜居性
2022年测得大气中二氧化碳浓度为百万分之421,比工业化前水平高出50%。在美国,乘用车排放出的温室气体约占温室气体排放总量的16.4%。
随着自动驾驶汽车逐步推出,道路上的交通工具数量大幅降低,有助减少温室气体排放量,人们也因此可以呼吸到更新鲜的空气。据麦肯锡咨询公司预测,自动驾驶汽车每年帮助减少3亿吨温室气体排放,这相当于航空业二氧化碳排放量的一半。毕马威公司的报告显示,自动驾驶汽车可以将高速公路容纳汽车的能力提高5倍。美国德克萨斯大学奥斯汀分校一项研究表明,每辆自动驾驶汽车可以取代约11辆常规汽车,运营里程可以增加10%以上。这意味着,基于车辆分享的约车或出租车将大幅减少交通拥堵和环境恶化,大大提升城市的宜居性。
自动驾驶的浪潮已经向我们飞奔而来!波士顿咨询公司预计,到2035年,全自动驾驶汽车将占全球新车总销量的近四分之一,而应用于特定场景的自动驾驶汽车还会更多。自动驾驶将给人们的生活带来这么巨大的变化,是不是非常值得期待呢?
以上是减少交通事故,提升城市宜居性,自动驾驶“浪潮”奔涌而来的详细内容。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、

一先导与重点文章主要介绍自动驾驶技术中几种常用的坐标系统,以及他们之间如何完成关联和转换,最终构建出统一的环境模型。这里重点理解自车到相机刚体转换(外参),相机到图像转换(内参),图像到像素有单位转换。3d向2d转换会有相应的畸变,平移等。重点:自车坐标系相机机体坐标系需要被重写的是:平面坐标系像素坐标系难点:要考虑图像畸变,去畸变和加畸变都是在像平面上去补偿二简介视觉系统一共有四个坐标系:像素平面坐标系(u,v)、图像坐标系(x,y)、相机坐标系()和世界坐标系()。每种坐标系之间均存在联系,

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
