加州人民深感悔意:自动驾驶的可靠性真令人堪忧,无人出租车的折磨让人痛不欲生
在8月11日,美国最保守的地区加州举行了一场听证会,讨论无人驾驶出租车是否可以合法上路。经过长达6个小时的辩论,最终无人驾驶的支持者以3:1的投票结果取得了压倒性的胜利
克鲁斯(Cruise)首席执行官凯尔·沃格特(Kyle Vogt)在旧金山宣布,未来6个月内将投放数千辆支持L4级自动驾驶技术的出租车,为当地居民提供全天候的服务

然而,加州机动车管理局在解禁无人驾驶出租车后的一周后,后悔了自己的决定,并立即发布了严格的控制措施。令人惊讶的是,仅仅在一周内,无人驾驶出租车做出了什么让加州机动车管理局如此愤怒的事情呢?
一周时间,无人驾驶快把加州居民搞疯了
为了说服加州政府允许无人驾驶出租车上路,Cruise 提供了大量数据来证明无人驾驶的安全性,然而结果却……

在加州上路一周后,Cruise无人驾驶出租车发生了多起事故,下面我们来看几个典型案例
首先,上周四晚上十点,一辆无人驾驶出租车与一辆消防车在十字路口发生了碰撞。幸好,这起事故并不严重,乘客在安全气囊的保护下没有受到重伤,并且被及时送往医院
对此,Cruise解释称,汽车已经检测到并识别出了消防车,并且采取了制动措施,只是由于处于十字路口,所以无法避免事故的发生

好,这一点我认为你有理由,但接下来的问题呢?
同一天,一辆Cruise无人驾驶出租车不慎撞进了正在施工的道路中,被水泥牢牢困住。由于AI毕竟不是真人,无法判断水泥是否已经干透,但出租车公司仍然与此事有关
当然,主要责任应该由路政和道路建设公司承担,因为他们没有在修路地点设置隔离设施。出租车公司的责任在于他们的地图没有收集到修路的数据。要知道,国内几乎所有的在线地图平台都可以实时手机数据,除了官方的测绘人员,用户也可以上传道路信息
既然决定研发自动驾驶,就不应该忽视这一点
上周五,Cruise 闹出了一个最大的问题,十辆车突然在路口熄火,导致整条街道被堵塞了20多分钟。Cruise 给出的解释是,当地正在举办音乐节,扰乱了无人驾驶出租车的信号,导致车辆失去了数据
重新写成:这真是太不可思议了,难道汽车必须一直保持联网吗?那么在通过隧道的时候该怎么办呢?无论是4G基站还是5G基站,中国都有超过60%的覆盖率,但中国都不能保证信号无处不在。相比之下,美国的基站覆盖率远低于中国,不仅信号不稳定,还担心其他信号源的干扰,真不知道Cruise是怎么考虑的

8月18日,加州机动车管理局发布命令,限制旧金山地区Cruise无人驾驶网约车的运营数量。白天不得超过50辆,夜晚不得超过150辆。同时,该机构还对Cruise展开调查,并有可能撤销该公司的无人驾驶出租车运营资格
另一家出租车公司 Waymo 虽然这一次没有曝出太多事故,但之前也曾发生许多问题,比如 2018 年发生了第一起无人驾驶汽车撞人致死案例、与消防车撞了几十次等。 重写后的内容:虽然这次Waymo出租车公司没有曝出太多事故,但之前也发生了许多问题,例如在2018年发生了第一起无人驾驶汽车撞人致死案例,以及与消防车发生了多次碰撞
在一周的时间里,自动驾驶技术暴露出了许多问题,其中很多问题与安全有关。近年来,全球许多国家都开始推广商用自动驾驶技术,但面对这么多问题,我们如何能够放心地使用自动驾驶呢?
自动驾驶奔向未来,尚有重重难关待克服
汽车在路上以时速数十上百公里的速度疾驰而过,稍有不慎就可能造成车祸,导致人员伤亡。因此,我们自然更加关注安全问题
为了实现自动驾驶,首先需要通过传感器收集数据,然后需要将芯片与处理器结合起来,并下达指令。从安全的角度考虑,传感器的数量越多越好,收集到的数据也越精准越好。然而,大量高精度的传感器会给芯片带来较大的压力,更不用说成本问题了
在英特尔、英伟达和高通进军汽车行业之后,它们正在研发高性能芯片。其中,英伟达推出的Thor芯片的计算能力已经达到了每秒2000万亿次(2000TOPS)

在雷达领域,超声波雷达和毫米波雷达已经变得相当普遍,一些价格在15万元以下的车辆都会配备这些雷达。而激光雷达的成本较高,目前只有一些中高端车型搭载。国内的华为、禾赛等企业正在研究如何降低激光雷达的成本,希望能够让低端车型也有机会使用激光雷达
有一些车企认为雷达等传感器是多余的,他们认为只依靠视觉方案就足以实现自动驾驶。例如特斯拉即将发布的新款Model 3已经取消了所有雷达。然而,人体的复杂程度远远超过任何机器和人工智能,大脑的想象能力是计算机无法比拟的。此外,我们收集环境信息的方式不仅仅局限于眼睛,还有许多器官负责收集听觉、触觉等信息

没有任何车企使用纯雷达方案,要么是纯视觉,要么是摄像头+雷达的融合视觉。纯视觉方案对于算法的要求非常高,即使拥有雷达的自动驾驶方案也无法确保安全性,更不用说纯视觉+算法了。特斯拉自动驾驶事故屡见不鲜
一些国内企业已经认识到,仅仅依靠传感器,无论算法多么优秀,目前实现L5级自动驾驶是不可能的。因此,这些企业推出了高精度地图和车路协同等解决方案。其中,高精度地图需要通过持续测绘道路数据,精确到厘米级,无需实时收集道路信息,从而减轻芯片的负担
车路协同是在路况复杂、交通拥堵的地区增设摄像头,收集汽车摄像头和雷达无法侦测到的信息,然后将其发送给汽车,以提高驾驶安全性
但是,无论是哪个方案,都能看到一个明显的问题,那就是需要大量成本。特斯拉 Model 3 之所以要砍掉所有雷达,就是因为想要降低成本。车路协同、高精度地图都需要时间和人力物力不断完善,短时间难以实现全国覆盖。
自动驾驶的未来前景光明,但目前它尚未能够完全主导汽车行业
自动驾驶,应当被关回笼子里
从网上的宣传来看,自动驾驶似乎已经很成熟了,只需要相关部门的一句话,就可以立即投入商业使用。然而事实并非如此,目前商用的自动驾驶只是将一部分消费者当作试验品而已
关于自动驾驶是否应该开放商用,小通认为应该谨慎推进,不宜过于急躁。目前许多汽车制造商已经推出了高级辅助驾驶系统,如华为ADS和小鹏XNGP,它们的表现都非常出色

相较于可能存在夸大宣传的自动驾驶,或许今天消费者更应该关注的是高阶辅助驾驶功能。虽然自动驾驶有着美好的未来前景,但目前最好还是将其限制在实验阶段。毕竟,每个人的生命都是宝贵的,不应该成为自动驾驶企业和车企的试验品
国内自动驾驶车辆上路测试正在稳步推进,包括北京、武汉、广州在内的多个城市都已经开始运营自动驾驶网约车。虽然目前只能在小范围内运营,但价格非常实惠。大家有机会也可以亲身体验一下
当这些车企收集到足够多的数据,并愿意承担事故责任以保障消费者的安全时,自动驾驶技术才能真正进入千家万户
这篇内容来自微信公众号:电车通(ID:dianchetong233),作者是失魂引
广告声明:本文中包含对外跳转链接(包括但不限于超链接、二维码、口令等形式),旨在提供更多信息,节省筛选时间,结果仅供参考。请注意,本站所有文章均包含此声明
以上是加州人民深感悔意:自动驾驶的可靠性真令人堪忧,无人出租车的折磨让人痛不欲生的详细内容。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

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

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
