放弃自动驾驶,也是一种和解
1 从辉煌到谷底,自动驾驶何去何从
自动驾驶行业自2013年起,开始进入快速发展阶段,2016年自动驾驶行业迎来了高速发展阶段,相关企业的投资融资事件逐渐增多,自动驾驶企业开始遍地开花,2018年到达顶峰,新注册企业多达472家,全面投融资事件78起,披露投融资金额高达811亿元。
2019年开始,自动驾驶行业开始走入稳步发展阶段,2020年由于不可控因素影响,自动驾驶行业发展步伐开始减慢,但自动驾驶行业投融资金额依旧高达436.3亿元,同比增长136.9%。2021年自动驾驶赛道热度依旧,仅仅前3季度投融资事件已经达69次,总投资金额达629亿元。截至2022年10月,我国存有的自动驾驶企业为5682家,2022年上半年,新增自动驾驶相关企业就有201家。越来越多玩家希望可以在自动驾驶行业中分得一杯羹,车企和互联网企业也走到了同一赛道,开启了竞争模式,自动驾驶行业呈现出多元化的态势。
回看2022年之前的自动驾驶行业,自动驾驶行业发展似乎进入了百家争鸣的局面,但进入2023年,自动驾驶行业似乎被撕开一个大口子,祥和发展的局面一次又一次被打破。2023年伊始,自主卡车新贵Embark宣布破产,作为市值曾高达52亿美元的独角兽企业,从巅峰顶端到破产只用了16个月时间。Waymo作为自动驾驶领域公认的标杆企业,也在2023年初宣布启动裁员计划。5月18日,正面临退市危机的自动驾驶卡车公司图森未来也发布公告,称其董事会于5月18日批准了一项“进一步重组计划”,将裁撤300个工作岗位,占公司全体员工的30%;同样是在5月,国内造车新势力爱驰汽车也频繁爆出工资拖欠、社保断缴的新闻,而在这之前,威马汽车早已爆出停工、关店的相关新闻;小马智行也曾爆出裁员50%的消息。
进入2023年的自动驾驶行业,被裁员、倒闭、市值暴跌等一系列热词不断萦绕,自动驾驶行业似乎已经走过了山峰顶端,正在探底的路上不断“狂飙”,而具体什么时候可以探底,似乎依旧没有一个准确的时间和答案。无论是车企,还是互联网企业,对于自动驾驶似乎没有了往年的执着和狂热。
2 盈利路茫茫,难获利或为原罪
自动驾驶行业的“寒潮”仍将继续,除了本身就是all in自动驾驶的企业,在缩减人员开支,希望努力挺过寒冬,很多决心布局自动驾驶行业的互联网企业,也正在裁减自动驾驶的投入,准备将更多的资源用在其他的项目上,究其原因,或许就是自动驾驶盈利路茫茫,而在市场环境并不理想的当下,割尾求生或许是唯一的选择。
自动驾驶行业就像是一个无底洞,投入的资金和实际可以获得的盈利完全不成正比。自动驾驶行业发展至今,实际可以体验的地方,可能只是在为数不多的工厂、学校等相对封闭的环境内,且更多的功能还是用来承担接送快递、景点观光等任务,而这些使用场景下的自动驾驶,只能算是低速自动驾驶,与我们一直追求的高速自动驾驶场景,还有很长的技术差距。即便低速自动驾驶已经相对成熟,但市场需求和市场规模并不大,想要靠其实现大规模盈利不太现实。
其实车企和涉足自动驾驶行业的企业,一直希望将自动驾驶应用在高速自动驾驶场景中,这也是自动驾驶技术研究的意义所在。2020年6月27日,滴滴就在上海嘉定开启了自动驾驶载人应用项目,希望能让高速自动驾驶的使用进入我们的生活。但由于技术的不成熟,投放成本的过高,3年过去,滴滴自动驾驶出租车依旧没有实现大规模应用。自动驾驶热潮已经炒了近10年,其技术并没有实现大规模的突破。
从技术层面来说,由于自动驾驶感知硬件和深度学习的缺陷,现在高速自动驾驶的发展离不开高精度地图的支持,而由于高精度地图探测涉及到交通环境的数据信息,国家并未给予大面积开放,这就导致基于高精度地图的自动驾驶只能在部分地区内实施,这就如同将自动驾驶关在了牢笼内,从技术上让其无法实现大规模发展和突破。即便现在很多车企都在追求“重感知,轻地图”的技术方向,甚至很多专家都提出了智能网联的发展模式,但由于其技术难度大、投入成本高,依旧处于初期阶段。
从成本方面来考虑,即便高精度地图探测可以大范围实现,但由于高精度地图需要及时更新,这就需要大量的人力成本,这也是为什么现阶段大多数车企在追求“重感知,轻地图”的原因之一。且由于现阶段自动驾驶硬件成本过高,想要让消费者真正享受到自动驾驶功能,单车成本超乎想象,想要让消费者大面积购买,其实不太现实,这也就造成了很多企业对自动驾驶进行了大量的投入,但盈利却微乎其微。
3 放弃or坚持,或许市场会给出答案
是否应该继续坚持自动驾驶?或许市场已经给出了答案。“懒惰”一直是科技进步的动力,驾车出行时,驾驶员这个角色将被高度绑定,解放驾驶员双手,让自动驾驶汽车载客运货无疑是解放了人这个角色在出行环境中的必要性。但自动驾驶发展至今,很多高速自动驾驶的体验也不断出现,但人们对于自动驾驶的态度,更多是尝鲜,想要让它真切地进入人们的生活,或许很多人还是会提出疑问和担忧。
现阶段的自动驾驶依旧处在L2级阶段,很多造车新势力为了突出其技术的先进性,会在销售宣传时,将其形容为L2 级甚至L3级自动驾驶,这无疑是给自动驾驶的发展提供了错误信号。很多自动驾驶的事故,都是由于驾驶员过度信任自动驾驶系统造成的。由于自动驾驶在现阶段对于消费者来说是一个非常新兴的事物,因此每次自动驾驶出现的事故都会获得大量的传播和热度,这也造成了大家对自动驾驶的不信任度不断扩大。
技术的不成熟、成本的不低廉、市场的不信任,让自动驾驶发展进入了一个死循环,这也导致了自动驾驶发展至今,没有出现大规模应用的原因。而为了解决这些问题,需要更多的时间和成本投入,这对于车企和互联网企业来说都是一个挑战,自动驾驶落地战线不断被拉长,让很多企业难承其重,只能放弃在自动驾驶相关项目的投入,对于他们来说,放弃自动驾驶,或许也是对自己的一种和解。即便如此,自动驾驶行业的发展道路依旧会有很多人继续走下去,但何时可以看到曙光,依旧无法评说!
以上是放弃自动驾驶,也是一种和解的详细内容。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

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
