自动驾驶“黄金十年”蓝图展开 各地加快布局抢抓机遇期
目前自动驾驶行业普遍认为,到2030年我国将实现规模化的自动驾驶商业化落地,2020年-2030年则被业内视为自动驾驶的黄金发展期。随着自动驾驶“黄金十年”蓝图徐徐展开,我国智能网联汽车相关法律法规体系不断完善,高级别自动驾驶呈现蓬勃发展态势。
与此同时,各地方也正加速制定相关政策,推进自动驾驶商业化。前不久,重庆、武汉双城率先开展全无人驾驶商业化出行服务,标志着我国自动驾驶商业化实现了里程碑式的破局。近日,北京、上海、广州、无锡等城市动作频频,自动驾驶新一轮布局相继展开,智能网联汽车迎来了技术快速演进、产业加速布局的关键时期。
北京:将全面启动3.0阶段建设任务
两年前,北京市正式启动全国首个网联云控式高级别自动驾驶示范区建设,为车路云协同的创新应用积累了标准化建设的经验。截至目前,北京高级别自动驾驶示范区已经圆满完成了1.0阶段和2.0阶段的建设任务。据悉,目前北京经开区已在329个智能网联标准路口、双向750公里的城市道路和10公里的高速路上,实现了车路云一体化功能的覆盖,为启动3.0规模部署和场景拓展阶段奠定了坚实基础。
9月16日,在2022世界智能网联汽车大会上,北京市高级别自动驾驶示范区相关负责人透露,下一步,北京市将全面启动3.0阶段建设任务,建设全市统一的智慧城市专用网络,将推广不少于1000台高级自动驾驶车载终端的适配应用,逐步拓展完成全市500平方公里的示范区扩区工作,支持车路协同、远程驾驶、在线监管等车联网业务,广泛拓展智慧城市的场景应用。
上海:全市首辆无安全员自动驾驶车发车
9月27日,随着上海市首辆无安全员的自动驾驶车发车,“无人之境”示范体验区正式启用,成为上海推动智能网联汽车创新发展的又一里程碑。此次“无人之境”示范体验区的开启,旨在进一步丰富智能网联汽车测试场景,通过搭建综合监管调度展示平台,为智能网联汽车无人驾驶常态化稳定运营提供真实环境依据及安全保障。
据悉,“无人之境”示范体验区将基于上海汽车博览公园内3.8公里的半开放道路开展无人驾驶示范应用,分两个阶段逐步开放,打造国内首个聚焦去安全员的无人化高级别自动驾驶示范运营样本。目前一期1.2公里道路已建成并投入使用,二期2.6公里道路仍在规划建设中,预计今年年底竣工。
目前,自动驾驶出行服务平台萝卜快跑提供的Apollo Moon极狐版自动驾驶车已在上海汽车博览公园内开启全无人测试,未来在测试有序推进下,萝卜快跑将在上海嘉定区域内更多路段,面向公众开展全无人自动驾驶出行服务。
广州:今明两年将投入260辆自动驾驶车
9月14日,交通运输部办公厅公布18个第一批智能交通先导应用试点项目(自动驾驶和智能航运方向),广州城市出行服务自动驾驶先导应用试点项目入选,今明两年将投入260辆自动驾驶车。
根据公布内容,该试点项目在2022年8月至2023年12月期间,在广州塔环线、生物岛环线等投入50辆自动驾驶巴士,累计服务不少于100万人次。在广州人工智能与数字经济试验区投入210辆自动驾驶乘用车,累计服务不少于30万人次,运行里程不少于400万公里,运行时长不少于20万小时。试点预期成果为形成试点工作总结报告,围绕自动驾驶城市出行服务场景,编制技术指南或标准规范不少于2项等。
无锡:将率先开展智能网联汽车全域测试
9月22日,新版《无锡市智能网联汽车道路测试与示范应用管理实施细则》(以下简称《实施细则》)正式出台,无锡率先将配备驾驶人的智能网联汽车道路测试、示范应用、示范运营的范围扩大到全市,成为全国首个智能车全域测试城市。
作为全国首个国家级车联网先导区和首批“双智”试点城市,无锡在智能网联汽车产业的发展一直走在全国前列。2021年,无锡试行《实施细则》,一年来智能网联汽车道路测试与示范应用有序开展,已累计开放177km公共测试道路,车联网基础设施已覆盖450km2、856个点段。此次新版《实施细则》不仅明确了开展智能网联汽车测试与示范的主体、驾驶人及车辆需要具备的条件,还明确了配备驾驶人和不配备驾驶人的两种模式,增加了示范运营的内容,给予智能网联汽车更大的技术创新和运营模式创新的空间。
此外,无锡首部车联网地方性法规——《无锡市车联网发展促进条例(草案)》也于近期通过,将进一步对车联网的基础设施建设、深度广度应用、技术创新和产业发展等方面做出全面部署,以立法形式保障车联网和智能网联汽车新技术、新模式、新业态的发展,为智能网联汽车相关科技企业在无锡的落地与发展提供充分的土壤。
武汉:自动驾驶车即将实现跨区通行
9月15日,武汉市第四批智能网联汽车测试道路风险等级评估通过专家评审,拟于近期正式开放。正式开放后,武汉市各类智能网联测试道路将突破400公里,位居国内前列。
据悉,目前武汉市已开放了三批共340公里智能网联汽车和智能交通测试道路,其中,武汉经开区有321公里5G商用网络全覆盖开放测试道路,包括106公里5G全覆盖的车路协同路段,是国内规模最大、场景最丰富、首个全5G接入的开放测试道路。第四批开放测试道路约为70公里,将连接武汉经开区和汉阳区的核心区域,这意味着自动驾驶汽车将驶出中国车谷,首次实现跨区通行。
结语:2022年以来,除了各大城市动作频频,相关企业也在竞相加码,在自动驾驶这一新蓝海中攻城略地,加快了自动驾驶落地的步伐。全无人化商业化运营也正从单个城市、单个区域的试点,逐步扩大到全国范围。
以上是自动驾驶“黄金十年”蓝图展开 各地加快布局抢抓机遇期的详细内容。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

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

目标检测在自动驾驶系统当中是一个比较成熟的问题,其中行人检测是最早得以部署算法之一。在多数论文当中已经进行了非常全面的研究。然而,利用鱼眼相机进行环视的距离感知相对来说研究较少。由于径向畸变大,标准的边界框表示在鱼眼相机当中很难实施。为了缓解上述描述,我们探索了扩展边界框、椭圆、通用多边形设计为极坐标/角度表示,并定义一个实例分割mIOU度量来分析这些表示。所提出的具有多边形形状的模型fisheyeDetNet优于其他模型,并同时在用于自动驾驶的Valeo鱼眼相机数据集上实现了49.5%的mAP

写在前面&笔者的个人理解这篇论文致力于解决当前多模态大语言模型(MLLMs)在自动驾驶应用中存在的关键挑战,即将MLLMs从2D理解扩展到3D空间的问题。由于自动驾驶车辆(AVs)需要针对3D环境做出准确的决策,这一扩展显得尤为重要。3D空间理解对于AV来说至关重要,因为它直接影响车辆做出明智决策、预测未来状态以及与环境安全互动的能力。当前的多模态大语言模型(如LLaVA-1.5)通常仅能处理较低分辨率的图像输入(例如),这是由于视觉编码器的分辨率限制,LLM序列长度的限制。然而,自动驾驶应用需

纯视觉的标注方案,主要是利用视觉加上一些GPS、IMU和轮速传感器的数据进行动态标注。当然面向量产场景的话,不一定非要是纯视觉,有一些量产的车辆里面,会有像固态雷达(AT128)这样的传感器。如果从量产的角度做数据闭环,把这些传感器都用上,可以有效地解决动态物体的标注问题。但是我们的方案里面,是没有固态雷达的。所以,我们就介绍这种最通用的量产标注方案。纯视觉的标注方案的核心在于高精度的pose重建。我们采用StructurefromMotion(SFM)的pose重建方案,来保证重建精度。但是传

写在前面&笔者的个人理解近年来,自动驾驶因其在减轻驾驶员负担和提高驾驶安全方面的潜力而越来越受到关注。基于视觉的三维占用预测是一种新兴的感知任务,适用于具有成本效益且对自动驾驶安全全面调查的任务。尽管许多研究已经证明,与基于物体为中心的感知任务相比,3D占用预测工具具有更大的优势,但仍存在专门针对这一快速发展领域的综述。本文首先介绍了基于视觉的3D占用预测的背景,并讨论了这一任务中遇到的挑战。接下来,我们从特征增强、部署友好性和标签效率三个方面全面探讨了当前3D占用预测方法的现状和发展趋势。最后

中科院自动化所深度强化学习团队联合理想汽车等提出了一种新的基于多模态大语言模型MLLM的自动驾驶闭环规划框架—PlanAgent。该方法以场景的鸟瞰图和基于图的文本提示为输入,利用多模态大语言模型的多模态理解和常识推理能力,进行从场景理解到横向和纵向运动指令生成的层次化推理,并进一步产生规划器所需的指令。在大规模且具有挑战性的nuPlan基准上对该方法进行了测试,实验表明PlanAgent在常规场景和长尾场景上都取得了最好(SOTA)性能。与常规大语言模型(LLM)方法相比,PlanAgent所

写在前面&笔者的个人理解目前,随着自动驾驶技术的越发成熟以及自动驾驶感知任务需求的日益增多,工业界和学术界非常希望一个理想的感知算法模型,可以同时完成三维目标检测以及基于BEV空间的语义分割任务。对于一辆能够实现自动驾驶功能的车辆而言,其通常会配备环视相机传感器、激光雷达传感器以及毫米波雷达传感器来采集不同模态的数据信息。从而充分利用不同模态数据之间的互补优势,使得不同模态之间的数据补充优势,比如三维点云数据可以为3D目标检测任务提供信息,而彩色图像数据则可以为语义分割任务提供更加准确的信息。针

1决策控制与运动规划概述目前决策控制方法可以分为三类:sequentialplanning、behavior-awareplanning、和end-to-endplanning。sequentialplanning:最传统的方法,感知、决策与控制三个部分层次较为清晰;behavior-awareplanning:相比第一种亮点在于引入人机共驾、车路协同以及车辆对外部动态环境的风险预估;end-to-endplanning:DL、DRL技术,借助大量的数据训练,获得从图像等感知信息到方向盘转角等车
