当前位置:首页 > 自动驾驶
  • Mobileye的创新科技与方案将助力自动驾驶汽车畅行世界、惠及大众

    Mobileye的创新科技与方案将助力自动驾驶汽车畅行世界、惠及大众

    Mobileye最新进展:自动化众包高精地图技术、全新的激光雷达系统集成芯片(SoC)、软件定义雷达以及在四个新国家开展自动驾驶汽车测试。 • 自动化、全球性的自动驾驶汽车(AV)高精地图技术使Mobileye得以扩展其自动驾驶测试车队。新测试汽车有望于2021年年初在底特律、东京、上海、巴黎上路行驶。同时,待监管审批通过后还将推广至纽约。 • 英特尔将利用其XPU战略以及在硅光子领域的专长和制造能力,为Mobileye打造一套自动驾驶汽车激光雷达系统集成芯片(SoC),并于2025年投入使用。 • Mobileye计划开发一款专门用于自动驾驶汽车的软件定义雷达(Software-defined Radar)。 • 据Mobileye透露,使用其现有技术的汽车已经在全球绘制了近10亿公里的高精地图,每天绘制的高精地图里程超过800万公里。 2021年1月11日,耶路撒冷——今日,英特尔子公司Mobileye介绍了其在全球范围内为实现“挽救生命”的使命所采取的战略和技术。在这周的国际消费电子展(CES 2021)上,英特尔公司高级副总裁、英特尔子公司Mobileye总裁兼首席执行官Amnon Shashua教授将通过两场主题演讲阐述Mobileye将如何制胜全球自动驾驶行业。 Amnon Shashua教授手持Mobileye全新的激光雷达系统集成芯片(SoC) Shashua教授表示:“得益于英特尔的支持和Mobileye三位一体的战略布局,我们能以前所未有的速度进行规模化扩展。从设计之初,我们所有的计划都旨在实现地域和经济层面的可扩展性,而今天的宣布很好地展示了我们的创新是如何支持这一战略的执行和落地的。” Mobileye三位一体的战略布局 在介绍Mobileye三位一体的战略布局时,Shashua教授将解释提供一种比人类驾驶员能力强几个数量级的传感解决方案的重要性。以及包括路网信息管理™(REM™)高精地图技术,基于规则的责任敏感安全模型(RSS)驾驶策略,以及基于全球领先的摄像头、雷达和激光雷达技术打造的两个独立、真正冗余的传感子系统在内的Mobileye技术是如何帮助如此先进的解决方案变为现实的。 Mobileye的方法同时解决了技术和商业层面的规模化挑战。降低技术成本并使先进技术与未来自动驾驶汽车市场的需求保持一致对于实现全球范围的规模化扩展至关重要。Mobileye的解决方案以平价摄像头作为主传感器,同时利用一个真正冗余的辅助传感系统,实现了至少超过人类驾驶员三个数量级的关键安全性能。相较于融合系统,使用真正冗余™(True Redundancy™)能够使Mobileye以更快的速度和更低的成本验证这一安全性能水平。 全新的雷达和激光雷达技术 Shashua教授表示,按照Mobileye的设想,未来的自动驾驶汽车将实现增强的基于无线电以及光的检测和测距传感能力,这是进一步提高道路安全标准的关键。Mobileye和英特尔正在推出创新的解决方案,这些解决方案不仅将为自动驾驶汽车提供先进的雷达和激光雷达功能,同时还对算力和成本效率进行了优化。 Mobileye全新的激光雷达系统集成芯片(SoC) 正如Shashua教授在“引擎盖下的秘密(Under the Hood)”主题演讲中所述,Mobileye的软件定义成像雷达拥有2304条通道,100dB的动态范围和40dBc的旁瓣电平,使雷达能够构建一个足以实现支持自动驾驶策略的传感状态。凭借完全数字化和先进的信号处理技术、多种扫描模式、丰富的原始探测和多帧跟踪,Mobileye的软件定义成像雷达代表着自动驾驶汽车在架构上的范式转变,从而实现了性能上的重大飞跃。 此外,Shashua教授还将介绍英特尔专业硅光子学加工厂如何将有源和无源激光元件置于硅芯片上。谈到将于2025年推出的激光雷达系统集成芯片时,Shashua教授表示:“光子集成电路(PIC)是一项变革性的技术。它有184条通过光学原理进行移动的垂直线,有能力制造这种电路的工厂是极少数的,这意味着英特尔在激光雷达制造领域具备显著优势。” 全球高精地图助力自动驾驶汽车畅行世界 在主题演讲中,Shashua教授还将介绍Mobileye众包高精地图技术的发展思路。 Mobileye独特且前所未有的技术可以以每天近800万公里的速度自动进行高精地图绘制,迄今为止,Mobileye已经完成了近10亿公里的高精地图绘制。与其它高精地图绘制方法不同的是,Mobileye的解决方案更加注重语义细节,而这些细节对于自动驾驶汽车理解和结合具体境况考虑环境的能力来说至关重要。 想要真正实现“挽救生命”的愿景,自动驾驶汽车必须要广泛普及并畅行各地。而Mobileye的自动化高精地图技术通过借助近100万辆配置了Mobileye高级驾驶辅助系统(ADAS)的汽车的力量令一切成为可能。 为了展示Mobileye自动化高精地图技术带来的可扩展优势,Mobileye将开始在四个新的国家开展自动驾驶汽车测试。Mobileye将直接把其自动驾驶汽车交给当地的客户支持团队进行测试,而无需派遣专业工程师前往这些新测试地点。在完成所需的安全培训后,这些自动驾驶汽车即可投入行驶。2020年,Mobileye在慕尼黑和底特律就已经采用了这种方法,仅用了几天时间就让自动驾驶汽车得以上路行驶。

    时间:2021-01-12 关键词: Mobileye 自动驾驶 汽车电子

  • 欧司朗光电半导体摄像头开发

    在众多不同应用中,捕捉周围环境的三维数据十分重要。从自动驾驶中的车载 LiDAR(光雷达)到用于解锁移动设备的生物特征识别系统,3D传感系统包括多个不同构建模块,这些模块之间需要充分进行协调。通常,我们用红外光源照射专用3D摄像头的指定视野。下游软件负责处理所记录图像或深度信息。 在Chronoptics深度处理专利算法和欧司朗红外 VCSEL技术的基础上。两家公司联合开发出一种独有的3D ToF摄像头系统,其性能优于iToF摄像头。Chronoptics KEA 3D ToF摄像头系统将用于工业、电子消费品和汽车等领域。该摄像头尺寸仅100mm x 40mm x 35mm,摄像距离0.2至15米,环境光抗扰度高达120,000 lux。 欧司朗Bidos P2433Q VCSEL之所以被一举选中,得益于如下优点:外形紧凑、输出功率和模块效率市场领先(目前模块效率达 38%,后期产品可达 50%)、成熟的量产经验。Chronoptics首席执行官兼创始人Richard Conroy解释说:项目研发期间,我们非常享受与欧司朗的合作。两家公司在项目上展开了密切的技术交流和通力合作。凭借获得专利的深度处理技术和深厚的ToF技术优势,我们优化了合作伙伴的3D摄像头解决方案的设计,更易于将其集成到未来智能产品中。KEA ToF摄像头采用欧司朗领先的 VCSEL 照明技术,可加速您的产品研发。新西兰Chronoptics开发的ToF摄像头可以提供干净、精准的三维数据,适用于任何应用。 来源:OFweek维科号 欧司朗光电半导体 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2021-01-08 关键词: 摄像头 LiDAR 自动驾驶

  • 华为与第三方机构发布白皮书:企业数据中心全面迈向自动驾驶网络

    华为与第三方机构发布白皮书:企业数据中心全面迈向自动驾驶网络

    [中国,深圳,2020年12月22日] 90%以上的企业表示完全自动驾驶的数据中心网络是他们的目标,以实现业务敏捷性,同时更加灵活和更具成本效益,这是华为与IDC开展合作,发布的《数据中心网络自动驾驶指数报告》中一项关键调研结果。自动驾驶的数据中心网络,有助于企业重构网络架构和运营模式,增强业务韧性和连续性。此外,无论当前数据中心网络自动化水平如何,IDC提供了一些指导建议——企业如何推进并逐步实现全面自动化。 围绕创新的角逐已经拉开帷幕。在云时代,仅仅提供业务应用所需的连接与带宽的数据中心网络已经无法满足要求。数据中心网络正处于一个关键的转折点。 为了更好地了解企业数据中心网络的自动化水平、面临的挑战和机遇,IDC 调研全球205家各行业、不同规模的企业数据中心网络的现状,定义出评估数据中心网络自动化水平的等级,并探讨完全自动化的实现路径。 数据中心网络成为支撑业务应用的数字神经系统,需要持续提升自动化水平 今天,应用程序和业务系统已成为企业的生命线,且新应用的需求和业务变更在快速发生,层出不穷。随着云运营模式、云原生应用架构的出现,企业数据中心网络面临诸多挑战,数据中心网络不仅需要实现可扩展性和高性能,还要通过广泛的自动化来获得更高的敏捷性和灵活性。 IDC数据中心和多云网络研究副总裁Brad Casemore说:“企业正在逐渐认识到数据中心网络自动化的价值,包括它能够增强业务韧性和连续性,因为数据中心网络提供了支撑应用程序和业务系统的数字神经系统。” 对数据中心网络自动化需求驱动因素的调查,也验证了这一观点。大约45%的受访者选择应用和业务的连续性和韧性(数据中心/云之间)作为首要因素。IDC认为,COVID-19疫情推动了此结果。各组织将业务弹性和连续性放在首位,因为它们专注于在不可预见的危机中保持组织持续运行。 90%以上企业以构建数据中心自动驾驶网络为目标,遍布所有行业 现状调研结果显示,约48%的受访者说他们使用了Ansible、Puppet、Chef、Salt和Terraform等自动化管理工具。同时,19%的受访者表示仍在使用命令行/SNMP,仅6.3%的受访者声称使用“基于意图的闭环网络、自动驾驶网络或其他自动驾驶网络”。 不过,从行业看,所有受调查的行业客户都正在进行数据中心网络自动化或已有计划做,其中政府客户仅40%已部署或正在部署,稍微落后于其他行业。从规模看,拥有3个或更多数据中心的企业在网络自动化这条路上要走得更远,有72.5%的受访者表示他们已部署或正在部署自动化。 当调研企业目标时,近91%的企业将完全自动驾驶的数据中心网络作为他们已经设定的目标或者未来1~2年内的目标,仅9.3%的受访者表示他们没有计划。 五个等级定义自动驾驶网络指数,指明迈向全面自动化之路 为了帮助企业确定他们所处的自动化阶段以及如何迈向全面自动化,IDC联合华为定义了数据中心网络自动驾驶指数。该指数通过五个自动化等级,覆盖从无自动化,逐级上升到完全自动化的每个阶段: Level 1 — 整个网络生命周期中,以人工操作和维护为主,通过CLI对网络设备进行一些工具辅助分析和决策。 Level 2 — 部分场景部分自动化,虽然标准工具为策略定义和分析提供信息,但决策和执行仍由人工完成。 Level 3 — 限定条件自动化,系统提供建议,由人工执行。 Level 4 — 网络具有广泛的自动化和高度自治性,在闭环的基础上动态实施声明性(基于意图的)策略,尽管运维者经常收到基于事件的告警并决定是否接受和允许自动建议。 Level 5 — 网络在整个生命周期中完全自动化,并且能够自动驾驶,能够应用策略、故障排除和补救事件。运维者相信,网络能够正常运行,并适应几乎所有已知场景。 该指数报告还基于与网络生命周期需求的匹配,给出了数据中心网络自动驾驶指数等级的衡量标准(详细衡量标准内容可阅读报告原文)。 IDC认为,无论企业此刻处于数据中心自动驾驶网络建设的哪个阶段,总能找到一条实现该目标的康庄大道。IDC分别从评估技术需求、评估技能集、考虑组织结构和运作模式和借助可信的供应商和第三方的协助等几个纬度为企业提升自动驾驶网络级别提供了指导。 最后,华为CloudFabric数据中心网络解决方案,作为业界首个达到L3级自动驾驶网络水平的方案被指数报告推荐。华为CloudFabric将AI技术与机器学习相结合,提供一个自动驾驶管理和控制系统,从业务自动部署到智能自愈、网络自优化等整个生命周期构建网络自治系统。 华为数据中心网络总裁王雷表示:“感谢IDC的调查和研究,数据中心网络指数报告的发布非常重要,为整个行业发展指明了方向。我们看到,虽然不同企业数据中心网络的自动驾驶等级不同,但各行业客户都在主动拥抱自动化,实现业务敏捷性和可靠性,降低运营费用(OPEX)和建设成本(CAPEX)。华为将在技术、应用和生态等方面坚持投入,持续提升数据中心网络自动驾驶等级,保持领先,最终帮助企业构筑网络自治系统,加速数字化转型”。

    时间:2020-12-23 关键词: 华为 自动驾驶

  • 自动驾驶终于出了第一个生态联盟

    自动驾驶终于出了第一个生态联盟

    自动驾驶行业终于有生态联盟了。 12月18日,T3出行、苏州高铁新城、江苏大运集团战略发布会在苏州举办,国内首个自动驾驶生态运营联盟——“鳌头联盟”正式诞生。据悉该联盟以科技公司、主机厂和出行平台组成“铁三角”,共包含32个产业内不同链条的合作伙伴,将在苏州落地推进自动驾驶的规模化商用。 T3出行作为发起者之一,其CEO崔大勇在发布会上阐述了“鳌头联盟”的目标,即“以场景为先导,积极开展商业化示范应用,从而加速技术更新迭代,推动自动驾驶上下游产业链合作,构建优势互补、协同合作的产业生态。” (T3出行CEO崔大勇在现场发表演讲) 于当前国内自动驾驶的行业现状而言,这一生态联盟的成立,将是一次对行业阵营化发展思维的强力破冰,意义非常特殊。 从1到10阻力大 之所以说破冰,是因为自动驾驶行业存在从1到10的巨大阻力。 纵览我国自动驾驶的追赶史,可以发现从大量资本和巨头追风口到产出各类技术成果,不过五年左右的时间。在快速完成0到1的过程后,国内在技术算法和工业制造领域,都出现了世界排名靠前的企业和平台。 但从1到10的过程,也就是自动驾驶的规模化商业落地,却显得慢得多。即使是综合目前已有的各类自动驾驶商业化案例来看,也几乎都是小范围地实现商业化,比如某个园区或某个码头,而且这些应用场景往往比较专业,且在物理范围上有比较大的局限性。 另外,不少商业化落地案例仍然比较初级,实验性质仍然比较浓重。而且最为典型的一点是,这些小范围、星星点点式发生的商业化落地案例,往往服务的是企业,而非消费者,所以很难铺开覆盖到更多的场景和个体。 从0到1走的很快,但从1到10却走的比较慢,这种反差客观来看是由自动驾驶的规模商用本身难度决定的,因为自动驾驶的规模商用,需要政策端、消费端、技术端、场景端通力合作。 但也存在致命的主观原因,即行业内过于浓厚的竞争氛围,所酝酿的割裂化、阵营化的发展生态,导致的自动驾驶规模商用存在场景和数据层面的物理隔阂及瓶颈。换言之,在商业化落地阶段,很难有更多人达成共识,力不往一处使,自动驾驶规模商用这个大滚轮就很难高速转起来。 共享是不二法门 从0到1可以封闭搞,因为技术的实现途径是多元化的,但是从1到10或者1到N,就必须要开放,因为规模商用必须要基于真实且海量的需求场景。面对自动驾驶从1到10的阻力,开放共享是唯一的解决方案。 自动驾驶商业化已经不再是一个单纯的技术问题,而是场景和数据问题。一来,商业化的服务对象主要是企业和人,需求海量且复杂;二来,商业化需要面对真实的路况和环境,理论上存在无限规模的差异化场景;三来,商业化关系到利益问题,降本增效是一个长期存在的客观需求。 而共享和开放的最大价值,在于解决了场景和数据在数量和质量供给量级上的问题,能够直接让技术在海量场景和数据上进行试验和试错,加快自动驾驶对不同场景的适应速度。 具体来说,开放共享会直接消除各企业及产业上下游之间的数据鸿沟,为自动驾驶带来数十倍甚至上百倍量级的数据池和场景池,让自动驾驶依实际需求和实际场景而进化。 拿“鳌头联盟”来说,其生态合作伙伴共有32个,科技公司存有自动驾驶的算法和模拟性数据,主机厂则有无人车整车和配件制造方面的数据,出行平台则有大量真实的出行场景和驾驶数据。值得注意的是,联盟成员还包括中国信息通信研究院、北理工重庆创新中心等学术研究机构,它们拥有很多宏观层面的自动驾驶数据。 通过开放共享形式的合作,这些数据的整合无疑将会释放出非常大的数据和场景动能,为实现自动驾驶规模商用带来数据和场景上的规模性优势。 “铁三角”互哺效应 在开放共享的基础上,“鳌头联盟”对于自动驾驶规模商用的助推在于其推崇的“铁三角”模式,即由科技公司、主机厂和出行平台三方共同赋能自动驾驶商业化落地过程。 在这一联盟中,科技公司包括中汽创智、初速度、轻舟智航等,主机厂(整车企业)包括一汽、东风、长安等,出行平台则主要是T3出行。 这样的组合并非传统意义上的分工合作关系,而是更加强调分工的同时互帮互助,从产业链角度看,就是闭环式的融合,任何一方都可与其他方共享数据,而非单一线性的合作模式。 比如平台场景端能够持续将海量数据“喂养”给主机厂和科技公司,让自动驾驶技术更安全高效有温度。据悉T3出行每天在运营中会产生1000万公里的真实路况数据,数据量超过10TB,而且T3出行目前峰值订单超过80万,用户出行场景极为丰富。 由于T3出行是商用化运营平台,所以这些数据的有效比例非常高,能够帮助科技公司的自动驾驶算法得到更快速的进化,并且基于完全真实的需求。 相应地,科技公司作为技术端,通过持续迭代算法,能够促使出行平台提供越来越好的自动驾驶服务和体验,并持续为平台运营降本增效。而T3出行是车联网平台,这意味着科技公司的算法迭代可以随时以OTA模式同步到终端出行场景。 至于主机厂,由于具备不同车型的规模化制造和装配能力,所以能按照科技公司和出行平台的需求,快速批量生产不同类型的无人车,这也是规模商用的前提。 综合来看,“铁三角”模式的本质是基于充足快速的硬件制造能力,AI和大数据的一次无限互哺,并最终促成自动驾驶的大范围、多场景商业化落地。 颠覆传统行业模式 比起那些单打独斗或三三两两合作的碎片化模式,“铁三角”模式的产业链生态优势,实际上让“鳌头联盟”站在了一条更靠前的起跑线上。 更重要的一点是,由于数据可共享,“鳌头联盟”实际上是从自动驾驶整个行业角度,而非单个企业的角度出发,去思考自动驾驶的规模商用实现路径。 这意味着“鳌头联盟”会将逐利以及竞争性思维放在更后面,而将自动驾驶规模化商用放在目标首位。简言之,在面对一些成本收益问题时,鳌头联盟会以是否利于规模商用为准则来衡量不同的抉择。 不得不说,“鳌头联盟”的出现为行业树立了一座跨越性的里程碑,因为它将自动驾驶商用化发展从以竞争为核心的阵营时代,带到了以开放为核心的共享时代。 这是对自动驾驶行业发展模式的一种颠覆,通过转竞为合,国内自动驾驶行业将逐渐迎来更多规模化的开放合作生态。而生态化的行业模式,将快速促成自动驾驶全面步入规模商用阶段。可以预见,大范围、常态化的自动驾驶商业化时代,已经越来越近。 文/刘旷公众号,ID:liukuang110

    时间:2020-12-22 关键词: 自动驾驶

  • 传苹果汽车明年9月面世,或将搭载突破性电池技术

    传苹果汽车明年9月面世,或将搭载突破性电池技术

    传闻已久的苹果电动汽车,将至少提前两年上市! 12月21日消息,据路透社援引知情人士透露,苹果公司正在推进其自动驾驶汽车项目,其首款电动汽车Apple Car将在2021年第三季度上市,并计划于2024年实现投产。 据悉,自2014年以来,苹果就从零开始设计自己的汽车,即所谓的“泰坦计划”,不过进展比较缓慢。此前有消息称,苹果甚至曾一度放弃了研发全车的努力,转而专注于研发自动驾驶软件,并重新评估了自己的目标。曾效力特斯拉的苹果资深人士道格·菲尔德(Doug Field)于2018年重返苹果公司之后,这项“泰坦计划”才取得了长足的进展。 该报道指出,虽然苹果公司计划2024年实现投产,但由于新冠疫情等相关因素,苹果汽车投产时间可能会“推迟到2025年甚至更晚”。 另据台媒《经济日报》报道,苹果公司已在美国加州秘密地对数十辆原型车进行了上路测试;而针对Apple Car的备货问题,按照此前iPhone备料催货的惯例,苹果近期将向和大、贸联-KY、和勤、富田等中国台湾汽车零组件厂提出备货要求,并将相关企业列入首波供应链名单。 虽然目前尚不清楚该款电动汽车将由哪家公司代工生产,但可以预见的是,该公司将依靠制造合作伙伴来进行生产;而至于新品的产能,预计前期最多不会超过10万辆。 值得注意的是,苹果公司除了抓紧造车之外,还在着力解决电池问题,而该款电动汽车将有望搭载其自主研发的“突破性电池技术”。 据一位知情人士透露,苹果公司计划使用一种独特的“单电池”设计,通过取消容纳电池材料的软包和模块来扩大单个电池,并释放电池组内部的空间。这种设计意味着,电池里可以装入更活跃的材料,有助于延长汽车的续航里程,并且可以大幅降低电池成本。与此同时,苹果公司还在研究一种名为LFP磷酸铁锂的电池化学成分,这种电池天生就不太可能过热,因此比其它类型的锂离子电池更加安全。 此外,该知情人士还表示,苹果汽车可能会配备多个激光雷达传感器,用于扫描不同的距离。其中,有些传感器可能来自苹果内部开发的激光雷达,该公司今年发布的iPhone 12 Pro和iPad Pro都配备了激光雷达传感器。此前曾有报道称,苹果与潜在的激光雷达供应商进行了谈判,但该公司也在研究制造自己的传感器。 结合上述报道,21ic家认为,苹果在造车这件事上,有利也有弊。一方面,虽然这款电动汽车拥有诸多的“高科技”,但按照苹果的调性来看,如果这款产品成功上市,其售价一定不会便宜,因为苹果的定价策略就是如此;另一方面,相较于特斯拉来看,苹果因造车战略摇摆不定已经浪费了多年,因此在汽车市场上仍然属于“新手”,其占据的优势可能并不明显。 不过,苹果拥有自己的操作系统,其在自动驾驶方面拥有着绝对的优势。未来,谁将会成为电动汽车的领军者,让我们拭目以待吧!

    时间:2020-12-22 关键词: 苹果 电动车 自动驾驶

  • 爱了爱了!特斯拉概念自行车曝光,惊喜感十足

    爱了爱了!特斯拉概念自行车曝光,惊喜感十足

    一提到“特斯拉电动汽车”,想必大家都不陌生,估计大街上多多少少都会见过。但是,你见过特斯拉电动自行车吗? 日前,特斯拉发布了一款概念电动自行车。这款自行车是由设计师Kendall Toerner研发的,其名字叫做MODEL-B,它可以让骑行变得更加迅速、安全、方便。 与传统的自行车构造不同,MODEL-B借鉴了很多汽车的设计,所以看上去更像是一款汽车。对此,有不少网友表示,这造型果然很特斯拉! 在设计方面,这款自行车整个外观非常的简洁和时尚,车轮上的钢丝辐条由3个减震器取代,有助于保持骑行平稳和舒适;并且两个车轮都配有自己的专用电机,可以同时驱动,形成双轮驱动系统。 此外,电动自行车的框架还集成了折叠式脚垫和车把。该车把还拥有一个非常人性化的设计,它并非只能朝着特定的一个方向才能旋转,而是具有检测力,可以允许你从不同的侧面来旋转它。 值得一提的是, 这款自行车还配有一个细长的液晶显示屏,可以实时显示行车信息,包括速度、时间、导航等。 当然了,特斯拉MODEL-B与传统自行车最大的不同之处,就在于其能够实现自动驾驶。 配备的自动驾驶仪,能够让自行车拥有自己的头脑,使用其框架上的多个传感器作为它的眼睛,在前、侧、后分别安装了激光雷达传感器扫描周围的环境,如路面情况和周围的环境,以操控自行车安全行驶。 怎么样?MODEL-B是不是吸引到你了? 不过,该电动车自行车目前尚处于概念阶段,至于售价,谁又能猜得到呢?

    时间:2020-12-14 关键词: 电动车 特斯拉 自动驾驶

  • ​一文读懂蜂窝车联网C-V2X

    ▉ V2X是什么 V2X,即vehicle to everything,车联万物。 简单来说,就是赋予车辆通信能力,通过V2V(车对车)、V2P(车对行人)、V2I(车对基础设施)、V2N(车对网络),让驾乘体验更加舒适,交通环境更加安全,使能未来的自动驾驶。 来源: Rohde & Schwarz 相信很多开车人都有这样的体会:行驶在一条道路,连续好几个路口都遇到红灯,一路走走停停,不仅浪费时间,而且特别耗油。有时候,明明前方一辆车也没有,却还要傻等红灯变绿。你一定会想,如果交通灯也有眼睛和大脑,那该多好啊! 其实,利用V2I(车对基础设施)、V2N(车对网络)技术,就可以掌控全局的交通流量,大幅缩减等待时间,从而实现“绿灯畅行”。 再举一个例子,你平时在开车的时候,有没有遇到过突然窜出的行人或者电瓶车,被他们吓个半死? 这个时候,V2P(车对行人)技术就可以派上用场了。它能够在非视距情况下,捕捉周围环境的信息,让我们拥有“上帝视角”,对潜在威胁进行提前准备。 来源: KEYSIGHT 实际上,我们应该把V2X技术理解为高级驾驶辅助系统(ADAS)的一部分。V2X和其它多种多样的传感器(如摄像头,激光雷达等)相辅相成,共同辅助完成高级别的自动驾驶。 从理论上来说,单车(例如Google的自动驾驶汽车)不计成本地堆砌传感器,也能完成自动驾驶。 但是,缺少了V2X的自动驾驶汽车,就好像是一座信息孤岛。它没办法有效地和周围车辆或者基础设施进行沟通交流,在感知和决策上存在极大的限制。 ▉ 两种方案(DSRC vs C-V2X)对比 目前,国际上有两套主流的V2X通信技术规范,它们分别是: DSRC(专用短距离无线通信):基于IEEE 802.11p,欧洲的ITS-G5同样是基于该物理层技术,我们在这里只讨论DSRC即可 C-V2X(蜂窝车联网):基于3GPP LTE 来源: KEYSIGHT DSRC已经存在很多年了,因为存在一些先天的不足,发展过程并不顺利。相比之下,3GPP的C-V2X有很多优势,所以这几年发展很快。 我们不妨从各个角度来比较一下这两种技术方案: 首先,从技术角度来看。 5GAA(5G汽车联盟)针对DSRC和C-V2X,在实验室及外场进行了试验对比。结果证实,C-V2X在很多方面的性能,都要优于DSRC。比如,C-V2X支持更远的通信距离、更佳的非视距性能、更强的可靠性、更高的容量和更佳的拥塞控制等。(详细的测试报告请参考文末附件) 来源: 5GAA测试报告P-190033 其次,再从成本和标准化的角度来看。 在这两方面,C-V2X也有一些显著的优势: C-V2X基于蜂窝网络,与目前的4G和5G网络可以复用,网络覆盖范围广,部署成本较低。相反,基于802.11p的DSRC技术,在组网时需要新建更大量的路侧单元RSU,部署成本很高 C-V2X基于3GPP标准,全球范围内具备更佳的兼容性 C-V2X演进路线非常清晰,且后向兼容(LTE C-V2X  NR C-V2X) 来源: Qualcomm 最后,从政策支持的角度来看。 在这方面,C-V2X也有后来居上之势: 美国之前一直支持DSRC,但是最近的态度开始有所转变,偏向C-V2X。美国联邦通信委员会FCC最近针对5.9GHz的重新分配进行了投票,结果,划了20MHz给C-V2X专用 欧洲的态度比较纠结,DSRC和C-V2X两种技术都表示支持 中国拥有全球最大的LTE网络,综合考虑应用价值、成本、性能、专利、政策、产业成熟度等各方面因素,C-V2X无疑是我国V2X技术路线的首选。频谱方面,划定了20MHz给C-V2X专用 ▉ C-V2X的3GPP标准化进展 C-V2X未来能否走向成功,仅靠通信行业的支持是不够的。它还需要来自汽车行业代表的有力支持。 2016年9月,5GAA联盟成立,截至目前已有一百多名汽车和通信行业代表参与其中,共同推进全球C-V2X的开发部署。 针对C-V2X,3GPP采取了分阶段迭代的发展策略: 第一阶段,是LTE-V2X (R14)和LTE-eV2X (R15),主要是针对V2X进行安全增强 第二阶段,是NR-V2X (R16及其演进版本), 聚焦自动驾驶场景 来源: KEYSIGHT R16已经支持车辆编队、高级驾驶、外延传感、远程驾驶等场景。 来源: 3GPP TS 22.186 笔者预计,与LTE-V2X类似,NR-V2X也将经历至少两个版本(甚至更多)的演进和迭代。当前3GPP已经启动了R17技术标准的研究工作,初步规划了R17的主要增强技术,继续对现有版本进行演进。 来源: 3GPP官网 ▉ C-V2X的关键技术 首先从架构的角度看。非漫游场景下,5G支持V2X的架构如下图所示: 来源: 3GPP TS 23.287 笔者认为,MEC将会是V2X很重要的一个关注点(并没有在架构图中直接画出)。 根据Intel的研究报告,2020年,一辆自动驾驶汽车每天将使用4000GB的数据。相比之下,一个互联网用户每天使用的数据大约是1.5GB。车辆和道路的数量庞大且复杂,加之传感器数量的增加,由此会带来的大数据处理和存储的难题。 MEC是解决这一难题的有效手段。借助MEC技术,很多服务可以部署到更加靠近车辆和道路等数据源的地方,节省网络资源并降低延迟。 接下来,我们从接口的角度看。 常常有人会问:“在没有网络覆盖的条件下,C-V2X如何工作?” 前面的架构图告诉我们,即使是在没有4G/5G网络覆盖的环境下,C-V2X还是可以利用PC5接口进行彼此通信的。 Uu接口 主要是用来实现时延不敏感业务,进行信息共享和提前预测。 PC5接口 主要是用来实现低时延的业务,提高非视距条件下的可靠性。 来源: Qualcomm PC5接口进一步区分为两种工作模式: 模式3:借助基站,通过控制信令接口Uu实现V2V数据的调度和接口管理。在这种情况下,采用动态的方式进行资源的调度,车车间采用PC5接口通信。 模式4:V2V数据调度和接口的管理是基于车车间的分布算法实现。 来源: Rohde & Schwarz 再从协议栈的角度来看。 基于PC5接口的协议栈,如下所示(基于Uu接口的协议栈和传统的5G协议栈一样,这里不再赘述): 来源: Qualcomm 3GPP定义了其中的PHY和MAC层,完全重用DSRC既有的高层协议规范(它们由SAT和IEEE制定)。这就意味着,用户从DSRC迁移到C-V2X的成本会相对较低。 最后,我们来简单了解一下最新的NR-V2X在物理层和协议层方面做了哪些提升(3GPP TR 38.885的第5、6章节有较为详细的描述。备注:协议规范中通常使用Sidelink这个词来描述PC5所承担的具体功能,简称SL),这里仅针对PC5的提升方面进行简要说明: 概念上提出了点对点播、组播的概念,之前PC5只支持广播 物理层处理方面,SL的PSSCH、PSCCH 的资源分配上更规整,便于实现(如下图所示),此外SL支持开环功率控制(OLPC) 同步方面,SL可以使用 S-PSS, S-SSS 完成同步 协议层方面,明确定义SL 通信有三种模式: RRC连接模式(RRC_CONNECTED)、空闲模式(RRC_IDLE)和未激活模式(NR情况下)(RRC_INACTIVE)。在空闲或未激活模式下UE的SL通信是通过SIB 消息里的小区配置信息来完成的。 ▉ 结语 目前,全球的C-V2X试验案例正在不断增加。 围绕C-V2X的通信芯片、模组、终端、整车制造、测试验证、运营服务、高精度定位和地图服务等上下游厂商,都在积极进行布局,希望抢占市场先机。 行业普遍认为,基于C-V2X的车联网,很可能成为5G时代最先成功的垂直行业应用场景。 来源: IMT-2020推进组C-V2X白皮书 在我们国家,政府层面非常鼓励包括C-V2X在内的车联网技术的发展。工信部、发改委、交通部、公安部、科技部等部委及地方政府,都针对性给出了一些明确的政策支持。 据不完全统计,目前全国已经拥有超过30个测试示范区,其中包括上海、北京-河北、重庆、无锡(先导区)、杭州-桐乡、浙江、武汉、长春、广州、长沙、西安、成都、泰兴、襄阳等16个国家级示范区。 这些示范区涵盖了无人驾驶和V2X测试场景建设、LTE-V2X/5G车联网应用、智慧交通技术应用等功能,提供了涉及安全、效率、信息服务、新能源汽车应用以及通信能力等的测试内容。 虽然车联网技术正在飞速发展,我们也仍需意识到,车联网最终目标的实现(包括自动驾驶的落地),是一个漫长的过程。除了技术和资金之外,还涉及到法律和伦理的问题。更重要的是,它是否能获得最终用户的信任和认可,被用户接受。 行业曾经指出,自动驾驶将分为若干个过程,逐步实现: 第一个阶段:辅助驾驶安全和提高交通效率 第二个阶段:在封闭园区的(商用车)的自动驾驶 第三个阶段:在开放道路的(乘用车)的自动驾驶 来源: 5GAA白皮书 总而言之, 路漫漫其修远兮,C-V2X将上下而求索。 —— 全文完 —— 参考文档: [1] 5GAA White Paper [2] 3GPP TS 22.186, “Enhancement of 3GPP support for V2X scenarios; Stage 1” [3] 3GPP TS 23.287, “Architecture Enhancements for 5G System to Support Vehicle to-Everything (V2X) Services” [4] 3GPP TR 22.185, “Service requirements for V2X services; Stage 1” [5] 3GPP TR 22.885, “Study on LTE Support for V2X Services” [6] 3GPP TR 22.886, “Study on enhancement of 3GPP Support for 5G V2X Services” [7] 3GPP TR 38.885, “Study on NR V2X” 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-12-08 关键词: 车联网 AI 自动驾驶

  • 在电磁干扰环境下验证基于毫米波雷达的自动驾驶功能

    在电磁干扰环境下验证基于毫米波雷达的自动驾驶功能

    为了提供更好的乘坐体验,未来汽车的自动驾驶等级会越来越高。 自动驾驶汽车会配置越来越多的传感器来保证汽车在复杂的交通场景和恶劣的天气条件下可靠运行。由于不容易受外界条件的影响,毫米波雷达传感器受到汽车厂家的青睐。目前的智能汽车已配置5个毫米波雷达,一般包括一个长距离和4个短距离雷达。 基于毫米波雷达的ADAS功能需要能够克服天气/光线条件和电磁环境的影响,也需要满足最高速度和最高精度的测试要求。在向SAE定义的L3级(或更高)自动驾驶或完全自动驾驶功能演进时,自动驾驶汽车将面临更大的挑战,更大的责任和更困难的验证手段。 罗德与施瓦茨公司作为电磁兼容、无线通讯和射频测试系统的引领者,针对自动驾驶车(Autonomous Driving Vehicle ,简称AV)在复杂电磁干扰环境中抗干扰测试设计构建了TA-ACE测试系统,来提高自动驾驶汽车的驾驶安全和可靠性。 TA-ACE测试系统 这个方案根据ISO 11451-2来开发,此次EMS测试便是专门用于整车的抗扰度测试。方案将主要为两个ADAS功能(ACC和AEB)提出测试方法。当VUT在测试转毂上运行时,应激活ADAS功能。当进行电磁干扰测试时,记录和观察到的VUT的ADAS功能异常或故障。VUT的响应观察可以通过测试轮毂控制器上的车轮速度,以及通过摄像头对仪表盘上的刹车灯及其它任何指示灯的监控。方案关键挑战之一将是如何复现一个真实交通场景,让带有车载雷达的ADAS功能在EMS测试期间激活。雷达目标回波发生器(R&S AREG)模拟VUT所探测的前方车辆,该车辆处于预定义的距离和速度变化状态下。雷达目标定位架(TA-RDS)模拟车道从左到右的变化,反之亦然。这两个子系统可组成验证VUT性能的场景,分别是ACC模式下的自动变速和AEB模式下的紧急制动。TA-RDS为R&S AREG模拟的目标提供方位角运动,因此可以模拟车辆切入场景,模拟实际路况。这增加了在不同场景下车载雷达的测试范围和可靠性。 上图场景远车突然刹车场景和远车危险变道场景,是使用AREG模拟前方车辆。当前方车辆作出急速刹车或紧急刹车停止动作时,VUT 的ACC 或AEB 应做出响应。 为了确保自动驾驶汽车的毫米波雷达在不同强度电磁环境干扰下正常运行,创新的汽车电磁兼容测试方案和流程是未来发展趋势。罗德与施瓦茨会举办研讨会详细说明。在此网络研讨会中,您将: · 了解在EMC电磁辐射下测试毫米波雷达功能的关键要求 · 了解在EMC环境中测试毫米波雷达功能的不同方法 · 了解罗德与施瓦茨相关解决方案 · 观看现场演示视频

    时间:2020-11-26 关键词: 毫米波雷达 电磁干扰 自动驾驶

  • 全国大学生智能汽车竞赛组委会技术研讨会在山东大学召开

    今天,全国大学生智能车竞赛秘书处与来自全国二十多位长期参与竞赛组织、指导队伍参赛的一线高校教师在山东大学举行了为期一天的智能车竞赛技术研讨会。 在会上就即将开始的第十六届全国大学生智能汽车竞赛相关赛事组织工作进行了深入的探讨和交流。这为下周末举行的第十六届全国大学生智能汽车竞赛第一次扩大会议相关议题做好准备。 会议一开始听取了竞赛秘书处就新的一届竞赛筹备情况的介绍,包括竞赛赛题内容就绪情况、承办学校落实情况、赞助企业合作情况等。 接着展开了对新一届赛题内容的讨论。赛题分为竞速组别和人工智能提高组别两大类。 竞速组别本着面向本科工科学生知识范围,赛题内容难易有度、继承与创新兼顾,分别从车模平台、赛道元素、比赛任务、嵌入式控制平台等方面进行设计更新。 与会专家与竞赛秘书处逐一对于各项赛题细节进行讨论,完善赛题内容,去除不合理的要求,理清每个赛题考察的知识点和技能要求,使的赛题各具特色,适合不同阶段学生参赛。 相比于往届比赛,今年赛题最大的不同就是嵌入式微控制器平台可选的的种类更加的丰富。这也要求参赛同学在嵌入式系统学习与设计实践中,能够到达举一反三、融会贯通,根据系统具体进行硬软件的合理剪裁,这也体现了迅速发展的电子技术的特点。 为了帮助参赛同学更好的掌握核心单片机开发技术,竞赛组委会也将与合作企业技术人员做好相关硬件设计工具和软件开发平台的准备。汇总相关开发文档资料,制作技术学习视频课程,组织线上线下培训活动等,减少参赛同学在单片机学习中的壁垒。 在讨论竞速赛题之后,大家对AI创意组别的软件和硬件平台的选定进行了讨论。由于这个竞赛大类涉及到的算法复杂度、硬件平台的价格都较高。如何做到普及与提高相融、公平与激励兼顾等难题,大家积极献策,为竞赛秘书处与合作赞助企业之间更好的合作提供相应的方案。 会议还对竞赛组织流程的优化,比赛奖项的设置,竞赛相关培训课程开发,专科学校学生参赛赛题设置,留学生组队进入国赛条件进行了讨论。 特别是,参会老师还对近些年来竞赛实践过程中出现的一些不好的现象,比如存在个别弄虚作假现象等进行了梳理,并给出了相应对策建议,最大限度保障大赛的公平公正。竞赛组委会将会在下周公布竞速组比赛规则草案,在吸收老师同学们反馈意见之后,于下周末在第十六届智能车竞赛第一次扩大会议中进行讨论,随后进行正式公布。人工智能提高组别的规则将会再晚几周进行公布。 最后,感谢这个周末参与竞赛技术研讨的各位老师辛勤的工作。 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-11-22 关键词: AI 自动驾驶 汽车电子

  • 第十五届全国大学生智能汽车竞赛安徽赛区获奖名单公布

    01 安徽中医药大学 卓大大我们是来自安徽中医药大学医药信息工程学院219智能车实验室的。 ▲ 安徽中医药大学智能车竞赛队伍 在第十五届全国大学生智能车竞赛中取得了双车组预决赛第一,斩获国一。四轮组决赛第一,斩获国一。节能组国二。AI电磁组国二。 未进决赛的另外两支四轮队都获得省一,另一队节能组省一。也就是说今年我们报名的队伍都获得了省一及以上的奖项。 ▲ 智能车竞赛队伍队员们 犹记得几个星期之前我们疯狂调车,没有一天是在十二点之前睡的觉。熬过的夜,吃过的苦,顿时就感觉值得了。 希望我们219智能车实验室在第十六届智能车竞赛中能够延续荣光,再接再厉。 ▲ 第十五届安徽赛区现场合照   02 安徽交通职业技术学院 卓大大,您好。我是安徽交通职业技术学院节能组的参赛队员,今年是我最后一次参赛了,真的很荣幸能参加这个比赛。 在学校AICIL(汽车智能控制创新实验室)备赛的时光真的是我人生中最美好的时刻,一群志同道合的人为了一件事全力以赴。同时也认识了很多优秀的学长,这也是我的荣幸。 上面视频中显示了一个神奇的直立节能车模,是2020年智能车竞赛中直立节能组中在国赛赛道上唯一一个跑进30秒之内的车模。它的主人是谁?为什么能够有如此高的成绩?它背后的故事之后另文说明。 看到我们在智能车这个公平公正的平台上不知疲倦的挥洒汗水,最后获得荣誉的那一刻,才知道了自己的价值在哪里,才知道了什么是一份耕耘一份收获,希望智能车越办越好,将智能车的精神一直延续下去!!! ▲ 比赛现场与同学们的合影 03 安徽赛区获奖名单 第十五届全国大学生智能汽车竞赛安徽赛区暨安徽省第十三届大学生智能汽车竞赛获奖名单 序号 学 校 团队名称 指导老师 队员信息 奖项 赛题组别 1 安徽工程大学 For Dream 刘世林、王冠凌 梁志豪、李 飞、项浩斌 一等奖(第一名) 四轮组 2 安徽中医药大学 Victory 阚红星、韩 茹 王超杰、谢 浩、朱 杰 一等奖(第二名) 四轮组 3 安徽工程大学 骑士BLEACH 王世芳、姚伟新 李隆玖、胡开鑫、张 璐 一等奖(第三名) 四轮组 4 合肥职业技术学院 众里寻他 王庆生、王 海 路子龙、王中奥、柏倩影 一等奖(第一名) 四轮组 5 安徽电子信息职业技术学院 信乐团 王志杨、唐子贤 王 政、章 勇 一等奖(第二名) 四轮组 6 安徽师范大学皖江学院 皖江之韧 张 辉、方明星 张波涛、朱志伟、董 虎 一等奖 四轮组 7 安徽大学 pininfarina 陈晓宁、廖素引 李 强、董少杰、刘俊杰 一等奖 四轮组 8 安徽中医药大学 完赛看运气 马 春、孟庆全 周 虹、吴慧琳、朱祥国 一等奖 四轮组 9 安徽大学 大蜀山AE86 琚 斌、刘永斌 郝亮亮、胡江涛、赵 威 一等奖 四轮组 10 巢湖学院 意大利炮 任玲芝、李岩岩 徐 林、臧 恒、李鑫朋 一等奖 四轮组 11 安徽信息工程学院 听幽兰二队 徐 旺、张 磊 沙儿爽、王 菲、张 迪 一等奖 四轮组 12 安徽师范大学皖江学院 皖江之智 吴 彬、高 丽 吕喜瑞、李阿辉、安 陈 一等奖 四轮组 13 安徽新华学院 黑曼巴 谢文娣、王恩亮 唐耀坤、刘少强、刘 健 一等奖 四轮组 14 安徽中医药大学 FXP 李芳芳、李 治 方 鹏、汤道明、汤国栋 一等奖 四轮组 15 巢湖学院 素质过硬 李岩岩、余建立 刘磊磊、阮开杰 一等奖 四轮组 16 安徽师范大学 鸠兹七队 黄云飞、杨 峰 崔 锐、赵 伟、胡家宏 一等奖 四轮组 17 安徽三联学院 心有灵犀 梁月放、韦良芬 秦洋洋、张小利、荣子旋 一等奖 四轮组 18 安徽中医药大学 自由电子 金 力、阚峻岭 罗一航、谢宇晗、吴 静、郭嘉伟、王俊俊 一等奖(第一名) 双车组 19 安徽工程大学 四叶草 高文根、娄 柯 李立群、赵金山、毛泽权、金建东、叶海燕 一等奖(第二名) 双车组 20 安徽师范大学 鸠兹一队 蔺玉柱、俞 硕 刘 涛、王 鑫、张 钰、耿秀侠、胡 斌 一等奖(第三名) 双车组 21 安徽汽车职业技术学院 安汽院蓝队 宋晓敏、张自学 张家豪、黄 荣、黄 飞、汪 峰、张洛非 一等奖(第一名) 双车组 22 合肥职业技术学院 比翼双飞 童友波、宋晓姣 卞 洋、万梦源、马丁照 一等奖(第二名) 双车组 23 安徽三联学院 搏一博双车变摩托 梁月放、张继山 陈雪儿、李芙蓉、刁 瑾、刘妍妍、赵祝举 一等奖 双车组 24 安徽财经大学 星马 王丽芳、付 明 张亚伟、刘建昊、林 豪、孙子旭、何可佳 一等奖 双车组 25 安徽三联学院 小小蜗飞侠 梁月放、洪 卫 毛丽莎、吴 越、隗 豪、王介睿、卫雅婷 一等奖 双车组 26 安徽师范大学 逐梦AHNU 曲立国、葛有根 陈玉熙、孙 鑫、陈益明、王小宝、代语赢 一等奖 双车组 27 池州学院 MCO 时国平、钱叶册 孟文号、梁 贺、彭林霞、陈 啸、黄 龙 一等奖 双车组 28 安徽工程大学 我们一起摸爬叉 戴家树、严 楠 赵亚琪、邱小宗、马成龙、张健健、陈礼静 一等奖 双车组 29 安徽师范大学皖江学院 皖江之星 张 辉、方明星 张国龙、吴 江、张 勇 一等奖 双车组 30 宿州学院 机创实验室一队 王 楠、朱 光 程 杰 一等奖(第一名) 节能组 31 淮南师范学院 芯动淮师 束仁义、胡艳丽 王松涛、宋庆庆、邹宇梦 一等奖(第二名) 节能组 32 安徽工业大学 吃瓜小分队 李 丹、程木田 张 旭、刘昌健、陈文文 一等奖(第三名) 节能组 33 合肥职业技术学院 节能先锋 杨光明、周泽山 李 铮、赵飞扬、江濡泽 一等奖(第一名) 节能组 34 合肥职业技术学院 节能勇士 彭元龙、储 骏 肖彦东、沈恺文、赵 阳 一等奖(第二名) 节能组 35 安徽工业大学 J 顾凌明、李 丹 蒋志伟、韦少鹏、吴 江 一等奖 节能组 36 安徽中医药大学 HXH 孙大勇、吴成海 姚瀚森、徐成成、姜 浩 一等奖 节能组 37 安徽中医药大学 FFF 张传耀、周 晴 昂文胜、魏英华、阚瑞娴 一等奖 节能组 38 宿州学院 机创实验室二队 刘 浩、朱 光 徐皖生、张继文、朱仁信 一等奖 节能组 39 合肥工业大学 一块一pig 张 阳、史久根 郭伟伟、张 蕾、张睿虎 一等奖 节能组 40 安徽三联学院 乘风破浪 梁月放、刘姗姗 陈 鹏 一等奖 节能组 41 滁州学院 步调 温卫敏、姚光顺 谢后君、洪淑芬、邵玉珍 一等奖 节能组 42 安徽大学 气旋 张道信、潘天红 万 鑫、宾健俊、邢 哲 一等奖(第一名) 信标组 43 安徽工程大学 孤独电台巷 严 楠、李 钧 李 豪、金煜轩、王玉莹 一等奖(第二名) 信标组 44 安徽师范大学 循声追迹 喻其山、蔺玉柱 周德舜、张映祥 一等奖(第三名) 信标组 45 合肥职业技术学院 合职3队 宋忠春、张 青 万 纪、刘文静、孙腾飞 一等奖(第一名) 信标组 46 合肥职业技术学院 合职1队 王克勇、张君继 娄昌程、李迪妮、孙 勇 一等奖(第二名) 信标组 47 合肥工业大学 biubiubiu 张 阳、李红莉 徐 蓉、苏余足威、余子健 一等奖 信标组 48 合肥学院 Yesl队 李秀娟、谢 宇 赖明刚、殷传韬、方昊鑫 一等奖 信标组 49 安徽新华学院 神运 徐慧芳、陈业慧 王 波、马 锵、仵东起 一等奖 信标组 50 巢湖学院 同声相应 任玲芝、陈海波 屈大志、杨国政 一等奖 信标组 51 安徽工业大学 Giao 武卫华、李修正 胡 铭、李 健、李 靖 一等奖 信标组 52 安徽信息工程学院 常青竹三队 刘传柱、李 美 王 浩、梁秋阳、汪厚明 一等奖 信标组 53 安徽财经大学 本来就对 段凯宇、王丽叶 时晶晶、周 旸、杨 成 一等奖 信标组 54 巢湖学院 小红旗 任玲芝、李岩岩 张 飞、张成功、陆兴元、王 锦、刘焕颖 一等奖(第一名) 电磁组 55 巢湖学院 起飞 李岩岩、任玲芝 程 峰、丁 磊、孙泽祥 一等奖(第二名) 电磁组 56 安徽工程大学 我的AI不学习 修 宇、高建纲 刘孝田、张非凡、吴忠辉、周世龙、周 帝 一等奖(第三名) 电磁组 57 合肥职业技术学院 四喜丸子 彭元龙、张 寻 朱 龙、张 蕾、楚栋梁 一等奖(第一名) 电磁组 58 安徽工业大学 闭门造车 吴玉秀、李 丹 朱小强、桂 永、沙文景、柏子文、孙沐阳 一等奖 电磁组 59 安徽信息工程学院 常青竹四队 张 磊、王 伟 赵吉强、王龙虎、张 康、黄梦雅、刘贵芳 一等奖 电磁组 60 蚌埠学院 江小白 罗少轩、王艳春 陈勇飞、涂 浩、黎俊辉 一等奖(第一名) AI组 61 合肥工业大学 阿巴阿巴阿巴 吴 晔、杨兴明 于枚可、孙 萍、胡 籍 一等奖(第二名) AI组 62 陆军炮兵防空兵学院 炮兵一号 岳伟甲、王鹏飞 余传水、向国栋、陈家冰、王玺贤、江海峰 一等奖(第三名) AI组 63 安徽工业经济职业技术学院 吉祥物 蒋鸣东、张 迪 吴海峰、王 玉 一等奖(第一名) AI组 64 阜阳师范大学信息工程学院 老农闹老龙 张宝玉、李淑敬 李 屹、安贺贺、徐鹏程 一等奖 AI组 65 安徽大学 大力男友 丁石川、耿 林 张 雷、黄艺宾、陈 宇 二等奖 四轮组 66 安徽信息工程学院 常青竹六队 张 磊、张天飞 毕宏伟、刘海洋、陈晴晴 二等奖 四轮组 67 安徽建筑大学 小毛驴快跑 赵汝海 张智杰、程浩然、朱康康 二等奖 四轮组 68 安徽师范大学 鸠兹九队 陈卫松、陈 瑾 孟筱森、吴 应、杨泽龙 二等奖 四轮组 69 安徽师范大学 满天星 刘小明、张津源 谢于清、张智昱、彭明宇 二等奖 四轮组 70 安徽信息工程学院 听幽兰一队 刘传柱、梁美玉 李 晋、徐 伟、汪 昊 二等奖 四轮组 71 蚌埠学院 计科精神小伙 肖 宇、丁 智 陈 刚、张 成、范文天 二等奖 四轮组 72 阜阳师范大学 ONLY ONE 石甲栋、李世刚 赵 智、路昌伟、吴 飞 二等奖 四轮组 73 安徽农业大学 你说的都队 吴 敏 洪瑞康、陈存宇、刘 露 二等奖 四轮组 74 合肥工业大学宣城校区 歪比巴卜 李春华、欧阳一鸣 郝晓健、夏 炅、李哲林 二等奖 四轮组 75 滁州学院 朱·朝阳 姚光顺、温卫敏 王明雪、吕双杰、刘 伟 二等奖 四轮组 76 阜阳师范大学信息工程学院 Land Rover 边玉亮、郭 辉 郝学锋、邹 新 二等奖 四轮组 77 池州学院 天羽 翟龙华、陈 艳 周 涛、苏长途、张 乐 二等奖 四轮组 78 蚌埠学院 ONE Dream 丁 智、肖 宇 胡振山、于小柱、朱丽丽 二等奖 四轮组 79 安徽建筑大学 不负时光 夏 巍、严 辉 吴 谦、武 钢、姚文龙 二等奖 四轮组 80 皖江工学院 侠盗猎车 纪 萍、朱 全 袁 野、吕龙祥 二等奖 四轮组 81 马鞍山学院 闪闪 豆勤勤、朱小峰 王耀耀、赵润钰、宋志豪 二等奖 四轮组 82 安徽三联学院 纵吾乖张 梁月放、王 祥 张 浩 二等奖 四轮组 83 皖西学院 飞影 徐宇宝、林 华 周芝杰、李 爽、赵明龙 二等奖 四轮组 84 合肥工业大学 想喝奶茶 张 阳、王跃飞 张 杰、闫宇楠、沙梦梦 二等奖 四轮组 85 池州学院 无限 姚大杰、张玉峰 魏晨鑫、朱庆香、焦 瑞 二等奖 四轮组 86 宿州学院 刻印时光 曹吉花、王 巍 刘傲迪、吴修丽、陈 龙 二等奖 四轮组 87 安徽交通职业技术学院 交通路龙 黄智勇、赵国珍 袁 健、邹涛涛、吴凌昊 二等奖 四轮组 88 合肥职业技术学院 合职跑得快 宋晓姣、丁小一 杨昆龙、孟 旭 二等奖 四轮组 89 安徽汽车职业技术学院 安汽院红队 宋晓敏、张自学 李彤彤、徐新雨、朱德第 二等奖 四轮组 90 合肥工业大学宣城校区 托马斯和他的朋友 李春华、张先宜 赵沛昂、刘原岑、谢 靖、王一铭、王昊辰 二等奖 双车组 91 阜阳师范大学 Epiphany 朱 辉、 朱 勇 王振宇、李 彦、陆露露、李浩然、黄亚蓝 二等奖 双车组 92 安徽工程大学 中江大队 邱意敏、李永明 朱正阳、王智勇、郑师远、顾劭傑、武 灿 二等奖 双车组 93 淮南师范学院 迅捷SL 苗 磊、张 龙 刘志龙、靳文卿、宋赛飞、洪 杨 二等奖 双车组 94 黄山学院 墨子一号 胡 伟、徐安国 邹天赐、邵文龙、倪 亮、王成阵、刘梦丽 二等奖 双车组 95 宿州学院 隐士 曹吉花、李恒征 佘胜安、唐 浩、崔德牛、郭天赐、王俊伟 二等奖 双车组 96 滁州学院 MAX极影 温卫敏、姚光顺 孙智康、倪 成、王之辰、朱玉珠、王 涵 二等奖 双车组 97 合肥工业大学 BOMBOMBOM 刘芳芳、张本宏 戴义雯、马仕亮、刘梦新、宋宇航 二等奖 双车组 98 安徽工业大学 菜鸟A队 程卫群、刘一帆 吕真真、钱星伊、刘永伦、陈有鹏、黄晓辉 二等奖 双车组 99 安徽大学 3WZH 苏亚辉、翁士壮 魏智翔、张 旭、王春雨、胡飞然、王 枭 二等奖 双车组 100 安徽新华学院 两辆帅气的敞篷车 刘毅强、陶彦辉 邓宇奇、邵 军、张振国、唐宇龙、邓 健 二等奖 双车组 101 合肥工业大学 咕噜咕噜咕噜 舒双宝、张 阳 陈浩云、吴 若、王珍妮、刘 伟、朱明慧 二等奖 双车组 102 安徽师范大学 鸠兹四队 高 伟、许长安 张文龙、卫自强、李东东、王雯超、杨 子 二等奖 双车组 103 滁州学院 风掣 姚光顺、温卫敏 姜大勇、张 珂、谢后君、周康、李 晨 二等奖 双车组 104 安徽理工大学 安理节能二队 徐公林、彭皆彩 何 杰、邹 宇、段 越 二等奖 节能组 105 阜阳师范大学 致一队 朱 辉、石甲栋 谢 旪、刘臻臻、张 扬 二等奖 节能组 106 安徽电子信息职业技术学院 光速angel 王志杨、唐子贤 孙国威、刘 阳 二等奖 节能组 107 安徽交通职业技术学院 逍遥 黄智勇、张 翼 吴 伟、程从新、张浩军 二等奖 节能组 108 合肥职业技术学院 合职2队 胡木林、宋忠春 万 纪、张依树、查海张 二等奖 信标组 109 安徽中医药大学 Quantum 李 梅、沈同平 吴 静、罗一航、汪文勇、侯杰文、谢宇晗 二等奖 电磁组 110 安徽新华学院 青春美少女的梦 李红星、王月琴 刘少强、姚健康、夏芝强、唐耀坤、刘 健 二等奖 电磁组 111 安徽信息工程学院 常青竹二队 徐 旺、束文强 李功强、朱文强、陈 思、沈婉琪 二等奖 电磁组 112 安徽师范大学 破风者 蔺玉柱、邹文兵 解 谦、叶宗晋、张新生 二等奖 电磁组 113 安徽三联学院 樱花残月 沈玉峰、涂胜倩 杨 成、张 毅、邹雯佳 二等奖 电磁组 114 安徽大学江淮学院 引擎之心 李双东、谢苗苗 袁中群、张文鹏、刘雨鑫 二等奖 电磁组 115 合肥工业大学 三棵小白菜 张 阳、马学森 吴韵婕、曹乐强、孙梦璟 二等奖 电磁组 116 安徽财经大学 安财AI电磁0队 王丽芳、付 明 董 虎、张 政、张李军 二等奖 电磁组 117 合肥职业技术学院 合职院梦幻组合 陈 攻、杨光明 孙常清、李伟陈、姚辰浩 二等奖 电磁组 118 陆军炮兵防空兵学院 守护者 黄 峣、吴 刚 魏小虎、宋星卓、闫帅康、崔前进、丁 奥 二等奖 AI组 119 阜阳师范大学信息工程学院 侠魁 李林国、于 干 赵 超、张明宇、王 克 二等奖 AI组 120 亳州学院 Ready! GO! 杨 明、周金芝 冯海喜、钟雪龙、蒯怡帆、杨宇航 二等奖 AI组 121 合肥职业技术学院 AI 筑梦1队 赵瑞雪、金谷香 陈 义、王海龙、石经伟 二等奖 AI组 122 安徽财贸职业学院 安财贸2队 孙成正、季红梅 王旭华、杨 筱、罗静茹 二等奖 AI组 123 宿州学院 追光者 李 莎、王 艳 李大一、邓淑蓉、孙帅帅 三等奖 四轮组 124 宿州学院 Unstoppable 邵 毅、杨 杰 程 振、张 倩、魏元鹏 三等奖 四轮组 125 阜阳师范大学 阜师旭日初升 吴 韬、朱 辉 昝路明、李馨慧、肖 扬 三等奖 四轮组 126 安徽工业大学 乐事 李绍铭、汪婧 朱 宇、耿自超、张伟健 三等奖 四轮组 127 安徽农业大学 科电二队 王玉伟 吴瑞刚、丁永康、贾文杰 三等奖 四轮组 128 合肥师范学院 稻香 齐 琦、吴剑威 殷创业、蔡绍哲、胡 明 三等奖 四轮组 129 黄山学院 无情小胖虎 钱 峰、李 铮 刘兴宝、徐何君、陶 辉 三等奖 四轮组 130 安徽三联学院 乘风破浪的姐姐 梁月放、张德青 邹雯佳 三等奖 四轮组 131 安徽财经大学 追光者 高 玲、王松涛 李开峰、马天祺、叶 凡 三等奖 四轮组 132 安徽财经大学 所有题全队 李明杰、包立远 张 波、孙 京、王佳慧 三等奖 四轮组 133 合肥职业技术学院 风驰电掣 范士领、袁 宏 周如浩、陈婉楠、黄天雨 三等奖 四轮组 134 皖江工学院 佛系小队2.0 纪 萍、汪金涛 赵良锐、叶苏雨、王 昊、陈 强、曹明珠 三等奖 双车组 135 安徽财经大学 安财双车1队 李明杰、包立远 张一楷、徐思昂、程美娟、陈鹏杰 三等奖 双车组 136 皖西学院 双车零队 张 鹏、徐宇宝 琚 凯、黄婉晴、杨森林、程 祥、张弘毅 三等奖 双车组 137 巢湖学院 小红旗 任玲芝、李岩岩 张 飞、张成功、陆兴元、王 锦、刘焕颖 三等奖 双车组 138 安徽中医药大学 节能A队 耿英保、许欢庆 侯杰文、汪文勇、金正贤 三等奖 节能组 139 皖西学院 电协一队 张晓东、徐宇宝 李荣志、江 威、邵中祥 三等奖 节能组 140 池州学院 新蜂 张勋友、孙 佐 李玉龙、何灿红、孙薇薇 三等奖 节能组 141 合肥职业技术学院 云起战队 张 杰、侯伦元 查海张、高杰、陈文斯 三等奖 节能组 142 巢湖学院 那个皮特队 钱 云、陈初侠 曹云飞、张明路 三等奖 信标组 143 皖西学院 陈胜追击 张晓东、叶运生 陈 晨、陈锦涛、陈杨浩 三等奖 信标组 144 阜阳师范大学信息工程学院 细节 边玉亮、余世干 陈雨翔、童 傲 三等奖 信标组 145 安徽大学 410驾校 丁石川、杭 俊 龚俊凯、汪 臻、徐子珺 三等奖 信标组 146 安徽师范大学 我们都爱周德舜 晏 菁、张道秧 刘思齐、夏禹芳、崔雨双 三等奖 信标组 147 黄山学院 冲冲冲 胡 伟、官骏鸣 陈洋洋、唐皖蜀、卢志强 三等奖 信标组 148 安徽财经大学 寻音小执着 王 浩、陈劲松 徐 睿、李繁华、周子强 三等奖 信标组 149 滁州学院 含光 姚光顺、温卫敏 管晨沛、张 浩、丁嫚嫚 三等奖 信标组 150 安徽信息工程学院 常青竹五队 刘传柱、王 伟 邓德程、张子轩、魏林龙 三等奖 信标组 151 安徽信息工程学院 听幽兰三队 刘传柱、卞程远 汤国豪、李 浩、胡永清 三等奖 信标组 152 安徽工业大学 霄哥最帅 钱牧云、刘 升 张凌霄、孙方策、何 煦 三等奖 信标组 153 安徽工业大学 星火 刘一帆、戴慧洁 钱佳维、向仁风、刘 帅 三等奖 信标组 154 安徽三联学院 金鸣 郑 春、梅莹莹 常函月、丁洪成 三等奖 信标组 155 安徽交通职业技术学院 脑瓜子疼 段明华、王 怡 毕鑫成、吴健斌、白家乐 三等奖 信标组 156 安徽三联学院 明月樱花 梁月放、潘立琼 李成武、王文韬 三等奖 电磁组 157 安徽财经大学 安财AI电磁1队 武 凌、李明杰 钟泽辉、赵高天、李娇娇 三等奖 电磁组 158 合肥职业技术学院 AI 筑梦2队 彭元龙、徐 皓 王子悦、姚玉军、李志勇 三等奖 AI组 159 安徽财贸职业学院 安财贸1队 孙成正、陈 林 孟 杰、胡 屹、罗永辉 三等奖 AI组 160 安徽工业经济职业技术学院 AI鹏飞 蒋鸣东、张 迪 张思成、蔚来鹏 三等奖 AI组 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-11-17 关键词: AI 自动驾驶 汽车电子

  • 中国研制的“空中出租车”在韩试飞,可垂直起降

    日前,据媒体报道,韩国首尔市政府11日在首尔汝矣岛上空开展了“空中出租车”无人试飞活动,一款中国研制的自动驾驶飞行器参加试飞。 据首尔市政府介绍,本次试飞活动由首尔市与韩国国土交通部联合举办,旨在验证自动驾驶空中飞行技术,为培育相关领域专业人才、引领下一代绿色城市航空交通发展奠定基础。 据悉,此次参加试飞的中国自动驾驶飞行器来自中国亿航智能技术有限公司,试飞机型是其研发的双座自动驾驶飞行器“EH216”。 “EH216”试飞中绕汝矣岛汉江公园、西江大桥、栗岛、麻浦大桥一带飞行约7分钟,航程为3.6公里。 据介绍,这款自动驾驶飞行器最大载荷220千克,满载最大航程35公里,主要用于载人交通,具有电动环保、安全系数高、噪音小、垂直起降等特点。 “EH216”飞行器的意思是具有两个乘客座位,共有8根传动轴,且有16个螺旋桨叶,机长5.61米,机高1.76米。续航时间为15-40分钟,平均飞行速度在130公里/小时,实用升限达到1000米。 首尔市代市长徐正协说:“‘空中出租车’是人类梦寐以求的未来交通工具。作为地面交通问题的解决方案,城市航空交通备受关注,发展潜力巨大。” 21ic家注意到,2019年1月份,亿航已经获得中国民航总局授权,成为第一家测试自主飞行器的公司,并已在广州试用低空无人机搭载乘客。2019年12月12日,亿航智能在美国纳斯达克上市,成为全球城市空中交通行业第一股。 -End- 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-11-13 关键词: 无人机 AI 自动驾驶

  • 控制车辆运行的19个神经元

    ▲ 神经元的网络控制车辆驾驶 自动驾驶汽车是当前机器学习研究者和工程师们正在探索的最复杂任务之一。它覆盖很多方面,而且要求必须高度稳定,只有这样我们才能保证自动驾驶汽车在道路上安全运行。通常,自动驾驶算法的训练需要大量真实人类驾车的训练数据,我们试图让深度神经网络理解这些数据,并复现人类遇到这些情况时的反应。 ▲ 驾驶过程中注意力地图 众所周知,当数据量足够多时,深度监督模型会被训练得很好,但目前的深度学习仍存在泛化性能不好和训练效率不高的问题,研究人员一直在寻求构建智能模型的新方法。当前人们探求的方向总是更深的网络,但这意味着更高的算力消耗。因此正如人们所思考的那样,必须寻找一种需要更少数据或更少神经网络层的方法,让机器实现智能化。 ▲ 模仿线虫进行控制的神经网络 最近,来自MIT CSAIL、维也纳工业大学、奥地利科技学院的团队已经开发了一种基于线虫大脑的新型AI系统。研究成果登上了最近的《自然·机器智能》杂志。 他们发现,具有19个控制神经元的单个算法,通过253个突触将32个封装的输入特征连接到输出,可以学习把高维输入映射到操纵命令。 这种新的AI系统用少量人工神经元控制车辆转向。而基于CNN和LSTM的神经网络打造同样的自动驾驶系统,网络结构则要复杂得多。 ▲ 使用CNN实现车辆届时系统 该方法受线虫等小型动物大脑的启发,仅用数十个神经元即可控制自动驾驶汽车,而常规深度神经网络方法(如 Inception、ResNet、VGG 等)则需要数百万神经元。这一新型网络仅使用 75000 个参数、19 个神经元,比之前减少了数万倍! 该方法还带来了额外的好处,由于神经元数量稀少,这样的网络不再是深度模型的「黑箱」,人们可以知道网络在每个运行阶段的情况。该研究项目负责人 Radu Grosu 教授表示:「正如线虫(nematode C. elegans)这种生命,它们以惊人的少量神经元实现有趣的行为模式。」 ▲ 三种不同的神经连接模型 这是因为线虫的神经系统能够以高效、协调的方式处理信息。该系统证明深度学习模型仍有改进空间。如果线虫在进化到接近最优的神经系统结构后,能够凭借极少量神经元做出有趣的行为反应,那我们也可以让机器做到。该神经系统可以让线虫执行移动、动作控制和导航行为,而这恰恰是自动驾驶等应用所需要的。 该研究参与者之一 Thomas Henzinger 教授表示,他们按照这一神经系统,「开发了一种新型数学神经元和突触模型」——liquid time constant(LTC)神经元。简化神经网络的一种方式是使之变得稀疏,即并非每一个单元都与其他单元相连接。当一个单元被激活时,其他单元未被激活,这可以降低计算时间,因为所有未被激活单元没有任何输出(或者输出为 0,可以极大地加快计算速度)。 ▲ 神经网络专注于图像的非常具体的部分 这一新系统包括两部分。 首先是一个紧凑的卷积神经网络,用于从输入图像像素中提取结构特征。使用这类信息,网络能够确定图像的哪些部分较为重要或有趣,并仅将这部分图像传输至下一个步骤。 该研究提出新架构的端到端表示。 第二个部分即「控制系统」,它利用一组生物启发神经元做出的决策来控制汽车。这一控制系统又叫做「神经电路策略」(neural circuit polic,NCP)。 它将紧凑卷积模型的输出数据转换到仅有 19 个神经元的 RNN 架构中(该架构受线虫神经系统的启发),进而控制汽车。 ▲ NCP 网络的实现细节参见相关论文及 GitHub 项目 这带来了参数量的锐减。论文一作 Mathias Lechner 表示「NCP 比之前的 SOTA 模型小了三个数量级」,参见下表 2。 ▲ 网络规模对比 由于该架构规模很小,因此我们可以看清楚其注意力在输入图像的哪一部分。研究者发现,用这么小的网络提取图像最重要部分时,这些神经元只关注路边和视野。在目前着重于分析图像每一个细节的人工智能系统中,这是很独特的行为。 与其他网络相比,传输至 NCP 网络的信息可谓少之又少。仅通过上图,我们就可以发现该方法比现有方法更加高效,计算速度也更快。 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-11-04 关键词: AI 自动驾驶

  • 知乎高赞:无人驾驶什么时候才会凉凉,估计还要多久?

    点击上方“大鱼机器人”,选择“置顶/星标公众号” 福利干货,第一时间送达! 作者丨zhzz 来源丨http://suo.im/5YjW6n 目前的自动驾驶存在这样一些问题:对数据要求太高,未来传感器的成本很难被接受,海量地图数据没完没了,同时还存在对系统鲁棒性要求很高的安全性问题......这些问题都似乎都难以用目前的AI技术来解决。 因此,最近有人在知乎上提问:“自动驾驶什么时候才会凉凉,估计还要多久?”引发了热议。对此,一位计算机工程师@zhzz用充足的论点详细论述了他认为自动驾驶目前所面临的困境,并对这一领域的未来提出了自己的见解与展望,也获得了很多人的认同。本文内容便是这位工程师的回答: 01 能问出这种问题说明是个内行人,目前自动驾驶的难点主要在于感知和决策规划,纯视觉的路线基本上game over了,虽然以后,算力会越来越大,越来越便宜可以实时跑更复杂的神经网络模型,但是,这些模型,或者视觉这种手段本身就很有局限性,并且,训练成本也高,受环境影响大,造成基本不可能达到商用级别的鲁棒性;而现实道路的复杂性,和真实世界近乎无穷无尽的变化,是很难利用有限的数学模型(神经网络模型)完全拟合出来的。一个典型的场景,红绿灯或者交通标致相对老说是很简单有限的一些图形,但是放在香港,东京那种狭窄的充满花花绿绿广告牌的街道目前来看也很难准确鲁棒的识别出来。当然可以通过一些技术手段,比如锁定搜索区域,借助V2X 5g车联网等帮助,但是这已经不是一个纯视觉的问题了; 另外,决策规划这一块,我个人感觉这属于深水区了,已知的可能只有google开始触及这个深度。人在驾车的时候,会实时的做出很多决策和预测,很多经验判断,做一些潜意识逻辑思考,目前深度学习也好,传统的方案也好,都没办法做到人类思考,推理,类比,联想的思考能力,举个简单的路上一个风吹上去的塑料袋,或者一大堆飘落的树叶,雷达,或者视觉看来就是一个障碍物,可能要停车或者做紧急避让,但是,人就会认识这个东西,直接开过去,或者,目前经常会遇到的,一个小水洼,或者阴影,视觉可能错误认为是障碍物,当然,这个时候可能雷达告诉你这里能通行,这个时候,你的环境融合建模逻辑怎么写呢?是更相信雷达,还是视觉?是走是停?当然这也涉及感知的问题,你说我感知都认出来了,我就开过去,这个基本是不切实际的,你的决策规划模块很难为每一种特殊场景都去写一个if - else判断,这样的情况在现实中几乎无穷无尽;此外还有,看到路边的小动物是否减速,听到警车或者救护车的警笛是否停车避让,跟渣土车保持距离,甚至车上的乘客有异样,是自动驾驶到最近的医院还是派出所等等,难道全部写成if-else判断么? 稍微懂点技术,就能马上意识到,上面提到的这些问题目前几乎看不到存在能够良好的,彻底的解决的工程化方法。 当然你说,以后我们这些都可以依赖大数据啊,我们可以收集非常非常多的驾驶的经验数据,通过云端大数据来进行判断,这相当于我们拥有一个全世界优秀司机的经验池,自动驾驶汽车完全不必理解这些行为的原因,只需根据场景进行最合理的引用; 实际上这也是目前自动驾驶的一个主要发展方向,就是车路协同,可能做自动驾驶的人是现在全世界最渴望5g,云计算早点铺开的一批人,目前纯车端智能遇到的各种瓶颈,我靠智慧的道路去突破,车端智能的局限靠智慧的城市智慧的道路去弥补,比如,目前到处存在的监控摄像头,以及可以畅享的未来可能出现的更加多种多样的布设在道路,城市的传感器,可以帮车辆提前并且更大范围,更加准确的感知周围的环境,通过更加实时的网络将信息发送到车端;路上车辆相互之间可以自组网,互相告知大家自己位置和行驶状态,相互协同,前车为后车分享经验,比如前面可能出现的拥堵,或者避开维修的路段等;数据中心将协调车流,这样像目前过十字路口,环岛等难题也会变得非常简单; 当然这是一个非常美好的憧憬;那么你可能也意识到了,要做到这个程度可能比目前最乐观的自动驾驶落地时间还要久远的多,所需要的投入也是天量的,毕竟这意味着,我们几乎要翻新整个城市交通的基础设施,变更整个城市的设计建造思路;中间可能还会遇到目前难以想像的技术和工程难题,全都需要时间和巨大的投入去解决; 那么,你说,为什么要搞这么复杂?难道不能让汽车像个街上的小老鼠一样,钻来钻去,见人就躲,见缝插针的行驶么?我确实很认真的思考过这个问题,因为,目前依靠多种雷达的组合,利用目前已知的技术手段,基本上是可以做到检测出车辆周围几乎所有可能构成危险的障碍物的,那么,我只用最简单的逻辑判断,不管是树叶,还是行人,车辆全都无脑躲开,利用算力强大的计算机,做到天下武功为快不破,就想街上逃命的小老鼠一样可以么?当然其中还涉及很多动力学的建模,并非一定是可以躲开所有障碍物,比如,躲开侧面的车,但是由于机动能力的限制可能会撞前面的车或者护栏; 事实上这种设计应该是已经存在了,用来躲避潜在的外来撞击,以及不去主动撞击别人。但是无人驾驶上路终究还是需要与其他车辆存在一定的互动,并且这种互动必须是遵循交通规则的,比如,跟车要保持距离和一定速度,转弯让直行,比如不能随意变道,红绿灯,环岛,十字路口通过,都有相应的规则需要遵守;无人驾驶系统的开发者必须去实现这些规则;而具体到规则实现,规则遵守运用,就又回到上面的提出的行为决策的问题了。对应到目前一直的情况,实际上装配有多个激光雷达,毫米波雷达的google和baidu的L4无人驾驶方案是基本上没怎么听说有撞车发生的,但是,经常会表现的很傻,尤其是通过路口的时候,经常有体验者提出反应比较迟钝,或者过于谨慎;(特斯拉的设计非常激进,不用激光雷达,只有一个毫米波和一些摄像头,并且看上去决策规划模块的驾驶策略设计也比较激进,感觉就是上面提到的小老鼠逻辑,所以总是撞); 所以,总结下来就是感知能力有限,不具有真正意义上的思考和判断能力; 其实这也是目前所有人工智能的局限所在,推荐UCLA朱松纯教授的一篇很火的探讨目前人工智能发展现状的文章给大家参考: https://www.sohu.com/a/227854954_297710 那么回到题主的问题,无人驾驶什么时候凉,如果认真看完上面分析的无人驾驶面临的困境,和朱松纯教授的文章,那么是有可能得到这样一个结论的: 真正能大规模应用的,能让人完全放开手脚的无人驾驶在目前这个阶段很可能并不是一个很好的商业尝试。 或者说通用无人驾驶技术(注意是排除了限定场景的通用无人驾驶)现阶段不适合工程化和商业化; 根据以往的经验,能够大规模铺开,大规模商用的东西,必然能够较为容易的利用现有的技术和工业基础,首先进行工程化,然后,通过大规模的工业化生产压低成本,进而广泛应用,并且创造利润。 而能够工业化生产的前提是,技术本身已经完整的走完了三个准备阶段:1.理论突破,就是一件事情,科学家很早的就从理论上预见,并且证明了其可行性。2.技术突破,这一阶段基本上相当于在研究机构以非常精英化专业化的团队突破了技术实现上的壁垒,做出来达到或者接近理论预期的Demo,样品;3.工程化,主要解决产品设计,方案优化,功能完备,性能提升,良品率,鲁棒性,可用性提升,大规模复制的技术准备,成本降低等工程问题。 比如手机,无线通信相关的理论和尝试大概100年前就开始了,然后,三元电池大概80年代做出目前的原型,低功耗芯片也基本在90年代就出现了,其他的射频,组网之类理论和技术储备也都有好几十年的历史。从理论到概念设想到成品经历了相当漫长的时间。 事实上,目前能看到的工业化,工程化的高科技产品,大规模集成电路,OLED,量子点,其对应的理论和技术储备从实验室走向实用通常都会经历20年甚至更长的时间;毕竟企业里的工程师一般都是踩在科研人员的肩膀上干活的,首先是科学家,大研究员们给我们把方向指名,把路铺好了,我们才去做成一件事情。我想在任何其他领域的工程师熟练的运用着成熟的方法进行着产品开发的时候,只有无人驾驶工程师们成天紧紧盯着行业顶会,知名期刊上发表的所谓最新进展在干活,我甚至看到某大厂招聘无人驾驶相关工程师明确要求要熟知各种state of the art的研究最好发过顶刊,投过顶会,简直有点可笑。可见都是一帮学生(博士研究生)在做着自娱自乐的开发。也可见目前这一领域还多么的不成熟。正常来说,工程领域更倾向于成熟稳健经过实践,经过产品检验的方案,而这些在无人驾驶恰恰是不存在的。 最关键的,人家的理论从最开始就能清楚的证明,这些产品要达到一个什么样的性能,在技术上是一定可以实现的; 而通用无人驾驶,实际上,在第一,第二阶段都还没有完全走完的情况下,就在资本的驱动下直接进入了第三阶段; 目前没有理论证明,我前面提到的问题是能够完备的解决的,这涉及回答目前的人工智能,机器学习技术(包括但不限于深度神经网络)所能达到的能力极限;至少孤陋寡闻的我目前还不知道有任何能够回答能力边界的研究。或者更明确的,能够证明通用无人驾驶所需要的智能程度是在目前已知技术的能力边界内的。 显然,当时参加darpa竞赛的科研团队做出的无人驾驶Demo,包括目前又经过这么多年,这么多投入各个大大小小的公司做的Demo也没有能够从技术上验证这一可行性。(这里特指通用无人驾驶所需要的在各种真实世界复杂场景下,全面超过人类的驾驶能力和行为能力。低速跑个园区,跑个仓库这种限定场景目前很多方案都是可以的); 所以,其实我个人认为,通用无人驾驶最好还是老老实实待在大学或者研究机构里面,进行基础性工作的探索,当基本理论,技术,能力积累到一定程度的时候,工程化,商业化落地就是自然而然的事情了。 投资无人驾驶的人,目前其实都是在赌博,都在赌目前欠缺的这一点理论,技术的突破在近期就能突然冒出来,当然存在这种可能性,但是,这种突破也可能姗姗来迟到几十年之后,这都是未知的。 我个人的观点,甚至都用不了10年,最多5年之内,如果还是突破不了目前的瓶颈,投资就会大规模撤出这一个领域,也就是楼主说的无人驾驶凉凉的那一天。其实目前这个趋势已经很明显了,新的投资已经很少进来。但是,这个技术本身不会消失,还是会继续存在于各种限定场景的应用(市场规模很小,承受不了大规模投资),同时,退而求其次的方案,无人驾驶技术衍生出的智能辅助驾驶将获得极大应用和推广,用来提升司机的驾驶体验和行车安全。 而当终于有一天,我们的城市,我们的道路都变得更加智能,或许期望中的无人驾驶就将到来。 引用一篇比较新的文章支持一下观点 https://zhuanlan.zhihu.com/p/162110742 02 统一对评论中的一些争议跟疑点做个解释: 首先再次说明一下上面的主要观点,感知能力有限,驾驶行为决策的实现上目前业界主流还是人为的写各种规则(可以是基于状态机,基于各种参数判断,或者一些相对来说比较简单粗暴的自适应逻辑,上面简单用if-else这种比较不严谨的说法,大家知道啥意思就行了),其实就是根据测试发现的一些badcase,cornercase去用一些trick规避掉,要表达的就是目前这些规则的实现还是程序员告诉车(电脑)去怎么干,车本身是不具备智能的,不具备推理,类比,联想的能力,本质上这些规则的实现跟实现一个淘宝下单,外卖点餐的业务逻辑没有太大区别。 你针对某个特定场景,你实现什么规则车就怎么开(比较理想,假设没有其他bug),你不实现或者环境稍微有变化,车就不知道怎么办,表现的很傻,或者出现一些危险的行为。这就是业内通常说的泛化能力,目前的现状是,这种搞法泛化能力很弱,甚至没有泛化能力,泛化就是去堆砌规则,或者,对于感知,就是重新训练新的模型。 评论里面还有提到waymo,cruise等发布的视频看上去很美好,我一点不怀疑这些视频全都是真的(当然也有厂商的是假的,比如我就明确知道国内某厂某次发布会上的视频是花了很多钱找拍电影的人一小段一小段拍完然后剪辑出来的,曾经还有创业公司找风投忽悠的时候,背地里实际上是让人拿笔记本遥控的车辆,这个国内国外都有,不是啥秘密)。 业内人士可能会比较容易理解一些,waymo,cruise等发布的视频看上去很美好的原因是他们发布的视频里面那些场景,绝大多数视频,本身就是相对来说比较理想的测试环境,晴天丽日,道路开阔,车不是很多,行人车辆也都很遵守交通规则,车流,人流都相对稳定,需要通过的路口,岔口视野也比较开阔。 而实际上目前无人驾驶工程师大部分工作都是在想办法cover一些测试中遇到的badcase,或者是做泛化;也就是常说的无人驾驶做到60分70分80分不是特别难,github上各个业务模块的开源方案简单改吧改吧,拿来拼都可以拼个五十分甚至六十分能让你简单场景下,上路跑起来的方案,做到85分,90分难的上天,如果要商用要求你做到99分以上。 上面是曾经遇到的一个case,一个通道两边是墙,墙中间开个岔口,有车辆行人进出,在岔口前后的车辆根本看不到岔口里面,不管是上多少雷达,多好的传感器,就是视野盲区,然后有次正好有车要出来,幸好提前减速,车速不快,不到10km,如果安全司机不接管可能就直接撞了。你说我实现策略,见到路口就减速,确实是这样,减速了,减速不够我停车,看清楚再走,好了,这就到上面提到的问题,有报道(网上可以搜到)体验waymo,baidu的有反应车辆过路口,或者车多的时候,无人驾驶就表现的很迟钝,车少的时候你迟钝就迟钝了,你可以想像上下班高峰,你后面跟一屁股车,还有性急加塞的,明明就可以走,你在那里趴窝不动了,后面车喇叭能按翻天;事实上,有路测经验的多少都遇到过,刚开始做的不太好的时候,无人驾驶莫名其妙就来个急刹,或者好好的停下来趴着不动了,你不干预就不走,你能回去查日志,回放包,看看啥情况。你说上面的情况人也处理不好,我可以明确的告诉你,人高明多了,绝大多数情况下人类司机都是很安全顺滑(注意顺滑这个词)通过,人类可以听声音(waymo 现在已经上道路声音检查,貌似报道出来的是检测警笛之类的,这种比较模糊复杂判断不知道有没有),或者看通道有没有车灯打出来,或者看前面不远有车通过,就能推理出岔口没车或者岔口里的车提前让了,然后紧跟着开过去,根据经验估计会不会突然有个美团,饿了么小电驴窜出来,总之老司机可以根据各种蛛丝马迹,还有经验来动态的做出最优的决策。目前已知的手段,你很难通过人工智能也好,或者别的什么办法也好去模拟人类的这种能力。 还有与其他车辆,行人的互动,中间可能是有个相互试探的,比如超车,狭窄道路对向错车,最终形成一致的策略,无人驾驶就很傻,你要超车我就让,你要错车我就停,因为这个实现起来最简单。但是在某些目前还没测试到的地方,这种可能也会造成一些不可知的问题。比如对向错车,要是两个都是无人驾驶,都主动停下让对方,执行这种简单的策略,可能两个车全趴着不动等对方先过,就堵死了。当然肯定可以有办法设计一个复杂一点的策略避免这种情况。还有高峰期,一堆人,一堆车过十字路口,我就想看这些的视频,这些waymo,cruise怎么都不放啊?当然高峰期,十字路可能也不允许他们去测就是了。 更不用说下大雨,下雪,下雾,路面积水,长隧道,天黑满大街霓虹灯各种闪。反正没听说哪家工程师找刺激(给自己挖坑找加班)去测这些的,但是你商用的话,cover这些是最基本的,因为这些环境人都能开,我印象中很多年前我上学的时候,当时请一个日本老头给我们讲无人驾驶,老头举个例子我至今印象深刻,就是他们日本北海道,一到冬天就大雪一片白,连树都是白的,做视觉的知道一片白就是缺少纹理,目前的视觉手段大概率要吃瘪。人也不好开,但是可以开,可以通过起伏,绿化带之类的判断车道,可以跟前面的车辙,视觉怎么搞,烧香求祖师爷显灵,让自己辛辛苦苦训练的交通标志模型,正正好好的把车辙识别成车道线吗?当然你说我靠RTK,靠高精地图,靠激光保持定位,OK,先不说RTK某些时候会失败,激光这个问题我们原来也是遇到过的,不考虑成本,不考虑数量什么都认为非常理想,我们原来夏天采的激光地图,到秋天不好使了,为啥呢?树叶子秋天都掉了,点云配不上了,你说你更新快,好的,上面下雪的情况,你前天没下雪,光秃秃树枝采的地图,下一场雪可能也就几个小时,树枝挂满雪了,我估计相当大概率你点云还是配不上。配不上还好,就怕配歪了,雪地打滑你轮速积分也可能是错的,配歪了可以把你的kalman滤波也好,sliding window优化也好给拉歪了,用卡方检测,上联邦滤波,用各种冗余核验可以干掉绝大部分拉歪的情况。毕竟还有IMU是好使的,如果无遮挡GPS/RTK也是好使的。那么有没有可能就是给你拉歪定位到沟里的情况呢?很有可能,概率问题,这种情况车就很傻,一定是闷头往沟里冲,人就不会,人可以根据环境做非常综合的判断,这种综合判断的能力,目前很难用程序实现。 最后说泛化的问题,无论感知,定位,规控做到目前最头疼的就是泛化。泛化能力才是人工智能的深水区,人类的智能强就强在能推理,归纳,类比,联想举一反三。感知,规控的日常各种调参,调参干嘛呢?就是去适配各种场景,各种badcase,但是缺少泛化能力。常见的一个现象就是费力吧啦的调了一套参数,写了一个规则把一个badcase覆盖过去了,场景一小变,又不好使了,甚至,动一个参数这个badcase 混过去了,另外一个曾经已经pass的场景又挂了,跟打地鼠一样,按住这个洞,另外一个洞又露头了。 评论区有个貌似做控制出身的大佬说,其实万变不离其宗,车辆控制就只有那几个变量,那些个状态,这句话说的非常对。但是,现实场景是千变万化的,针对某个具体的场景你需要去调整这些状态,然后形成一个最优的行为,那么怎么让车辆自己在无人干预的情况下做出这种调整是最难。现在主流还是开发人员去识别这些场景,然后,编程教车去怎么干,车没有这个自主的智能。或者仅仅具有非常非常有限的泛化能力。有提到什么模糊控制,智能控制,自适应之类的,我也不懂,也只是听说,评论区有控制专业的大佬,可以解释一下在实际工程中这些高端玩意儿到底有多实用?应用范围多广?反正我自己见到的情况目前普遍还是PID为主,加各种针对特定case 的rule或者少量的自适应逻辑。其实这就是我上面说的加if-else的意思。 再次注明一下,上面讨论的车端实现,文章前面也提到过,评论区也有说明,配合云端大数据可以为这些问题提供一些解决思路,并且特斯拉,mobileye已经在做这方面的探索,甚至业内有怀疑特斯拉的无人驾驶能力近两三年突飞猛进就是因为他们有海量的第一手的人类司机实际路况的驾驶数据,方便他们后台训练模型或者优化算法。但是具体怎么做的,都是各厂的机密不会公开出来的。 03 重申一下我对「凉凉」这个词的观点,不是无人驾驶就消失掉了,不发展了,而是商业化落地受阻,资本大规模退出将会在可预见的较短时期内出现,产业界无人驾驶投资和研发热潮会冷掉。 我只说我了解到的基本情况,做的好的waymo,mobileye,他们具体怎么去实现,都是机密,我不可能了解到,从公开的资料看即便他们依然在努力突破瓶颈,做的时间最长的Google差不多做10年了吧,依然没突破,Google有钱,再养10年也能养,也还是为了财报好看把这块业务单独剥离出去融资成立了waymo,其他靠风投吃饭,今天搞个大新闻,明天拉个大项目的创业公司呢?注意看我的回答,我不是说这个技术会消失,而是追求短期回报的资本不可能一直耗下去。 有评论要求对5g,以及云端智能做补充说明,这里补充一些观点: 5G标准很庞大的,有关工业物联网的那块标准有个局域的概念,比如50米100米范围内车辆局部组网,这个局域网内延迟很小,就好像你自己家WIFI,假如ipad连你电脑需要经过某个应用厂家数据中心的服务端再回来就很慢,但是局域网内部仅经过WIFI路由器直接互相访问就很快。这个可以解决需要快速反应的车间互动问题,数据中心那边延迟大,且不说数据中心处理延迟,就是从基站通过若干个路由器,经历各个不通网段走到数据中心,然后再返回车端,这段的时延以我粗浅的理解5g跟现在不会有太大区别的。云端解决大范围,时效性要求不高的宏观性问题,以及收集海量数据做某些后处理的形式的分析,优化。比如,局域网内通讯的汽车互相沟通相互间位置,速度,自己局部行驶路径,云端调度整个车流的状态,比较大的区域内,道路传感器节点观测信息,通过海量数据分析训练出更好的驾驶策略下发车端等。 有个问题必须明确:上5g也好,上云端也好不是为了取代车端智能,而是简化车端系统的设计,降低对车端智能系统实现上各种指标的需求,来帮助突破目前车端智能无法突破的瓶颈性问题。 如果通过联网知道其他车辆的状态是不是相当于多了一个非常可靠的观测数据源,并且实际上其他车辆还可以把他们观测到并且经过处理的周围环境,周围其他车辆检测到的障碍物,道路状况实时发送给你,是不是相当于单辆车的感知能力成倍增长,很多还在你的盲区之内,比如前车遮挡住的你的视线,或者,经常遇到的,某些漏检,误检,但是其他车辆在它所处的观测角度能够更好观测更准确检查出来,算上路上其他传感器,比如监控摄像头,路边测速仪等,对于做感知的是不是发现突然生活就变得美好许多了。如果车辆信息互通,超车,过十字路口,对向错车,提前给周围车辆发请求告知,然后通过统一的策略协调是不是可以大大简化规划控制的设计逻辑,提高安全性和效率,是不是比目前要靠猜测去预测其他车辆的行为安全靠谱?车端你自己去识别,然后设计逻辑回避破损需要维修的道路,或者你之前某处突发交通事故,然而,你前面的车辆正好挡住你视线,它突然急刹车,你要跟着做出反应,先不讨论车端怎么实现,能实现多好,这个问题方车端是不是又困难,又不可靠,如果你之前的车辆给你共享了这些信息,你只需要最简单的规避逻辑是不是就可以,你前方车辆的突然行为比如马路上突然穿出一条狗,它要紧急刹车或者猛打方向盘避让,通过数据链共享给你,你甚至能在它发生可观测的运动状态变化之前做出反应,毕竟数据传输速度远快于车辆制动速度。超车,过路口,错车提前告知周围车辆获得确认,是不是比你设计一个无比复杂行为逻辑或者人工智能模型简单靠谱的多?再加上云端能力的加持,是不是整个系统的能力又可以有巨大提升? 当然,正像我上面段落里说的,整个基础设施的改造投入巨大,且旷日持久,但是不可否认有些事情一定会去做,并且做成之后就可以实现一定的效果,个人觉得期待基础设施的更新换代,然后,推动整体交通系统能力的提升,远比在已经榨不出什么油水的技术路径里抓瞎靠谱得多。 而且通讯端的改造成本摊薄之后真的没多少钱,5g基站总是要架起来的至少国内已经列入规划了,这个不需要无人驾驶的人操心,花钱。不给无人驾驶用也是要架的,这是通讯网络改造的钱,天量的,具体到车端,成本非常少,相当于加了个5g上网卡而已,这个通信模组是5g手机里都有的东西,以后肯定是集成到车载电脑上的,批量生产之后会很便宜。跟现在随便一个传感器比简直忽略不计的。当然考虑到交互问题,很多目前的设计思路都要改,然后,由于这些改进对车端智能复杂度要就的降低从而带来的研发成本降低也非常显著。 04 主要驳斥一下那些说我技术悲观主义,充满挫败感的评论! 理工屌丝,从小语文不好,可能我的行文,或者表达方式上让读者产生了这种想法。 但是,仔细读过的读者应该不难得出结论,我的主要观点和论证都是基于目前的已知事实和客观的分析得出的。我个人的态度是很客观,甚至很乐观的(对于限定场景无人驾驶,智能辅助驾驶,以及基础设施升级之后可能带来的种种新的改变)。 比如,你不能说我不认为我会突然基因突变,明天就能长出一对可以飞的翅膀,就是悲观主义挫败感。就算有这种突变,并且我还没有因为剧烈的基因改变猝死,以细胞分裂的速度,我每天摄取的新物质,还有转化比看,我也不太可能明天就能长好。这是基于基本事实基本规律得出的。 同样,你也不能说,孙中山死前说:革命尚未成功,同志还需努力;老毛写《论持久战》是悲观主义,挫败感。我们知道这反而是革了一辈子命,对形势有了全面,理性,深刻的认识,彻底想明白了才能得出的结论。一腔热血小年轻,期望革命速成的想法反而是非常危险,并且多数白白送了人头。 事实上,根据之前的分析,一个读者中的专业人士基本上是有一个共识的,突破目前的瓶颈需要需要新的技术出现。已有的路子已经没有太多油水可榨了。具体来说最好这个突破是更加深度的智能,更加类似人类的智能。 通常进行科学探索,工程研发,先观察现象,总结规律,再运用规律解决问题。一个典型的例子,现在的人工神经网就是受了神经科学领域对神经系统结构和基本工作原理的研究的启发。 那你现在需要搞高端智能,推理,联想,类比等等,更具体的你要基于现在的冯诺依曼架构的计算机去编程实现,模拟这些能力(先不说可能不可能)。你起码要大概知道这些到底是怎么回事儿吧,要基本了解它的形成机制,运作原理吧? 然而一个事实是,不管认知科学也好,神经科学也好,生物也好,医学生理学也好,甚至不那么涉及基础科学研究的心理学领域也好。目前对这些问题的研究基本上都还停留在一些很表观的现象上,对深层次的机制上,全都知之甚少。 事实上,在这类问题上,任何一项基本的发现都会被整个科学界视为极为重要的突破,一定是会被放到新闻联播里面吹的。比如,左右脑分工的研究就被颁发了诺贝尔奖。不说你能搞出或者模拟生物体的这类高端智能,哪怕你把人类对此类问题的认识向前推进一小步,炸药奖或者同等份量的科学认可一定是要给你的。 所以,我认为,就算有什么突破,也必然是那帮搞认知,生理,神经等基础学科的先去突破了。我自始自终都不能理解为啥总有一大帮EECS的码农能够有如此狂妄自大的优越感,自己能够凌驾于所有其他学科之上。还是自己过于无知或者目光狭隘? 再重新回到人工智能的问题上,哪怕你搞不出更牛逼的技术,更吊的方法去模拟高端智能。如果能回答我上面的提到的问题,目前深度学习也好,强化学习也好能力边界在哪里?或者问题范围继续缩小,目前你们口口声声的说要实现的L4是否在目前已知技术的能力边界范围内,或者再进一步,L4还需要做哪些突破就圆满了,不用你去给具体解决方案,只把方向指出来? 这个问题无论是理论上,还是工程上都有巨大价值吧。要是能回答出来,多的不说,给评个院士,或者再不济,各种顶级杰出人才的头衔要给你一个的吧。自己可以掂量一下上面的问题哪个是自己有希望能在可预见的未来搞定的,要是真的是认识清楚还有这个自信的旷世奇才,干嘛还窝在小创业公司里面996搬砖呢? 上面关于能力边界的问题连我这种水平的都能提出来,热血小年轻,大忽悠老中青们最喜欢拜业内大神,祖师爷,祖师奶奶们会想不到?会看不到这类问题的价值?只不过人家水平足够看出这类问题的深度和复杂度,大概率是故意很鸡贼的回避掉不去碰这个钉子罢了。 所以,很多热血小年轻的乐观就是什么都没想明白盲目乐观? 至于不少老中青的盲目乐观成分可能就比较复杂了。可能有些是真的不懂,没琢磨透,有些就是忽悠牟利,给无知小年轻们画大饼,打鸡血。比如我曾经的某位领导,某大专家,虽然本人并非相关专业出身,也没搞过相关领域的工作。至少表现上对无人驾驶落地是极其乐观,我就非常不确定他表现的如此乐观,是真的无知,还是纯粹为了找上头把项目,经费,人员忽悠到手,以及给我们下面这些小兵打鸡血。因为哪怕从最初的接触,我就强烈的感觉到这个人无比的鸡贼,并且有相当的技术领悟力。毕竟这个社会上能混的好,爬的高的多多少少都有其过人之处。 那些对人工智能前景,L4中短期内落地前景依然乐观的朋友们,我个人这里来说就很简单。我就盯着每年的诺贝尔奖,图灵奖,院士增选。你们要真能搞出什么革命性的东西,这些都少不了你们的。我期待在新闻联播,各大头条上看到你们的身影。 对了还要插一段关于这个行业的“专家”: 不用奇怪,只用稍微想一下,10年前全世界都没几个人搞的东西,google最早开始搞产业落地,满打满算也就10年,怎么就这么短短几年时间突然冒出来这么多从业人员,甚至大专家呢?专家这么多,这么容易混的么?其实很多都是从其他领域转过来的,有些是相关领域,有些连相关领域都算不上。对了还有一个有意思的现象,越是成熟的领域,你见到能称为业界公认专家少说都是领域内深更20年往上的,再不行10年也是有的,人家是真专家,一般情况下,自己领域内没有搞不定的工程问题。你看搞无人驾驶的,尤其是那些近些年才冒出来的创业公司的专家,半路转行来的专家,各种不知道什么会议水过几篇文章的小年轻博士各个都是专家,连关注这个问题,给过回答和评论的人里,貌似就有口口声声要落地L4,研究L5的行业大佬,业内专家。整个行业连个靠谱的商用解决方案都没有一个,结果全他妈是专家,请问这是什么专家? 05 评论区有很多评论在问法律问题,伦理问题怎么解决。出了事故怎么处理纠纷之类的,是否有这方面的进展。 首先,我对这方面不了解,我个人觉得目前无人驾驶应该还远远没进展到这个地步。毕竟现在能商用的东西都没做出来,目前都还在研发阶段,而且似乎都还远远不是研发收尾阶段。法律,伦理都是以后的事情了,是要做产品工业化量产,商业推广才需要考虑的事情。 不过我个人认为,这些问题其实都好说的,只要东西做出来,并且有利可图,自然会有资本争先恐后的会去推动这些事情的(尤其是那些早期投入巨大研发资金的,马上就能收获了,谁不兴奋呢?)。 当然肯定会有新老资本的博弈,不会一帆风顺,就好像现在国内的高铁,基建,互联网,5G领先了,可以去全世界割韭菜了,国内的资本和政治力量就会去推动这个事情。美国佬,欧洲人看你要赚他的钱,割它的韭菜,就会用各种,伦理,法律,政治上的问题跟你搞事情。比如最近炒的比较火的封禁华为,逼字节跳动把tiktoc卖给美国公司之类的。比如以后无人驾驶先被谷歌之类的互联网公司搞出来了,那么传统车厂一定会用你说的问题攻击无人驾驶,直到做出利益上的妥协,比如让他们合资入股,搞技术转让,或者别的什么办法能够让大家都能分到肉吃。 哪怕你是先进生产力,代表未来的发展方向,你也不能把那些比你落后的全都一棒子打死,不然作为脆弱的新生事务,被干死的可能性反而更大。正常的社会发展进程都是在新旧力量的博弈斗争中曲折前进的。 总之一个原则就是没有人能把所有好处占完,不然全世界都会来反对你,这也是人类社会永远的法则。伦理也好,法律也罢,不过是协调利益冲突的工具。而我个人的观点最大的利益冲突来源于资本的博弈,具体到终端用户那里,反而,不是主要的矛盾了。最终胜利的一方资本力量,一定会定一个对他们有利的规则来解决这个问题的,并且通过强大的宣传机器来取得全社会对这个规则,或者某些伦理观念的广泛认同,至于少数头铁的,从来都不足以造成实质性的障碍。 06 很多人说法律问题,其实仔细分析,根本不存在所谓的法律问题。 只要能做出来,法律问题,理赔什么的很好解决。 刚上市的头两年,车厂,或者无人驾驶运营商为了打消公众疑虑,必然大幅度补贴,大包大揽,把事故的理赔揽下来。其实这个也花不了太多钱,因为,如果能够商用,那么那个时候,无人驾驶的安全性一定是远好于正常人类司机,甚至你碰瓷都不太容易碰。 分析如下,无人驾驶会上各种摄像头,传感器,相当于360度的行车记录仪,包括,行车过程中会把传感器数据,和程序处理过程日志全部录下来。那么出了事故,谁的责任拿数据或者日志一分析就行了。 大概率是,行人或者人类司机的全责,因为如果程序或者传感器没有错误或者故障,无人驾驶是绝对不会违反交通规则的,因为程序就是按照交规写的。 如果分析发现是设备故障,或者程序bug造成的问题,那么,车厂,或者无人驾驶运营商的责任,这种责任判定是非常清楚容易的,出事故相当于帮车厂或者运营商测出来一个bug,他们赔钱也不冤枉。因为,如果不修复可能大量出现,那么他们赔的更多。 这个相当于你买手机,电视,厂家给你的保修条例,保修期内没有不正常使用出了问题,一定是要厂家负责维保的。厂家为了少赔钱必须努力把质量,这里是安全性做高,良品率提高。 其中还有一种情况,就是,一般车厂把车卖给用户,会有一些使用规范,包括车上本身会设计故障检测预警。比如开几万公里你要去检修一下,传感器不好使了,自检系统给个报警,这个车你不要用了要去修,这个时候,如果用户强行使用出了问题,根据免责协议,车厂不负责,用户全责也是很清楚的。而且这个也很容易从车上记录的数据分析出来,责任判定会比较容易。 最后,如果无人驾驶事故率选低于人类司机,那么,保险公司会非常愿意来赚这个钱,并且可以想象,这个保费,是会低于目前的费率的。可以想象,车厂为了推他们的产品,甚至你购买无人驾驶车,送你两年三年保险这种促销活动,不过羊毛出在羊身上,这个成本完全可以加在售价里面,转移到用户身上。 车厂可以通过定期维保协议,和保险降低自身的风险,甚至可能还可以通过这种方式赚钱,他们一定是有这个动力来做这件事的。 以上分析是针对L4及以上等级无人驾驶的,其实也适用L3及以下。因为L3及以下的适用条件更加严苛,那么对应的用户使用协议也会规定的更加严格。比如,全神贯注,手不能离开方向盘之类的鬼东西,那么你用户违反了,不好意思,哪怕是车辆本身的问题,我厂家不认账的。打官司也打不赢,毕竟我当时用户协议说的清清楚楚。这也是为啥L3及以下的自动驾驶不实用的原因,无良厂家拿这些东西吹逼自己有多高科技,有不把风险说清楚,以便自己卖车,简直就是无耻。 所以,你看分析下来,其实根本不存在所谓的法律问题。 --------------------------------------------------------- 对于这一问题,你怎么看?可以在本文留言区发表自己的看法~ -END- | 整理文章为传播相关技术,版权归原作者所有 | | 如有侵权,请联系删除 | 往期好文合集 百度无人驾驶车北京上路!网友:没有司机我有点慌 自行车实现无人驾驶,背后究竟有何“天机”? 关于「无人驾驶」的学习路线...   最 后      若觉得文章不错,转发分享,也是我们继续更新的动力。 5T资源大放送!包括但不限于:C/C++,Linux,Python,Java,PHP,人工智能,PCB、FPGA、DSP、labview、单片机、等等! 在公众号内回复「更多资源」,即可免费获取,期待你的关注~ 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-11-03 关键词: AI 自动驾驶 汽车电子

  • 分享一款基于串级PID算法的粉色车模

    徐厚华 何哲嘉 向颖锋 00摘 直立平衡车因其动力学系统同时具有多变量,非线性,不稳定,强耦合等特性,传统的单环PID控制平衡已经略显吃力。本文将采用内环角速度PI控制、外环角度PD控制及最外环速度PI控制组成的串级 PID算法来控制直立车的平衡及运动,串级PID控制器比常规PID控制系统具有较强的稳定性、抗干扰性。 关键词: 串级PID 直立车 姿态控制 耦合 ▲ 制作的节能直立组车模 ■ 前言 智能车是现代汽车工业和电子计算机等科技成果相结合的产物, 具有自动识别道路的功能从而实现自动驾驶。两轮直立小车广泛的应用于仓库物流运输以及巡逻的代步工具等方面[1]。两轮直立智能车赛题在大学生智能车竞赛中已经出现快十年,直立车的控制算法也日趋多样,两轮直立智能车在赛道中,需同时兼顾速度、平衡与循迹,姿态与循迹控制效果的优劣直接决定行驶平均速度的高低[2]。直立车模本身只具有一个执行机构,即两个主控马达。对于传统PID控制,涉及到平衡角度环和速度环控制输出复用一个执行机构问题,为提升在较高速度下的运行性能,对传统算法进行了一定程度的改进,提出一种基于串级PID的直立车姿态控制算法。 01串激PID控制 直立车由双电机驱动,左右电机为控制对象,控制器需具有直立、行驶同时兼顾转向的功能。传统直立车控制算法,大多采用角度环输出与速度环输出线性叠加,在高速行驶状态时姿态的跟随能力欠佳,在此在传统算法基础上将速度-角度进行了串联,并增加了角速度为最内环回路。串级PID 控制器输出后经过处理换算为PWM,输入驱动板后可使直立车行驶。 ▲ 系统总体框图 1.1传统直立车PID控制系统 直立车传统控制系统如图1所示。为使其具有速度控制与姿态平衡能力,利用2个单独的闭环分别进行控制,输出电机控制信号为各环输出的叠加。该控制方案虽简单但存在一定问题,如:仅单独施加直立控制,其车身平衡效果虽能满足要求,但此时如果在该基础上额外施加速度控制,速度控制势必会打破直立车的平衡姿态,使得速度与直立控制互相耦合,此时如果再施加转向控制,就会导致高速时转向控制实时性和姿态的平衡性欠佳。 ▲ 图1 直立车传统控制框图 传统位置式PID控制算法公式[3]: 其中P(k)为调节器输出,e(t)是当前角度误差,Kp比例系数,Ki积分系数,Kd微分系数。 1.2直立车串级PID 控制 串级PID控制系统结构如图2所示。 ▲ 图2 直立车串级控制系统框图 串级PID外环控制算法如公式2: 式中 \omega \left( k \right) ω(k)为外环调节器输出, \theta \left( k \right) θ(k)是当前角度误差。 内环PID控制算法公式: 式中p(k)为内环调节器输出,e(k)是当前角速度误差, \omega \left( t \right) ω(t)为当前角速度。 如图2所示,行驶闭环控制车模的行驶姿态和运行速度。在行驶速度闭环中,速度PID 计算输出的值为直立车在机械零点角需要前倾或者后仰的角度,该输出值需与机械零点角相加才能将速度控制转化为角度控制,而角度的变化是要由角速度产生的俯仰角度PID 计算输出值为直立车需要保持的角速度,俯仰角速度PID 计算结果即为串级行驶闭环的输出值 直立车平衡控制使用串级PID,外环角度,内环角速度,最外环速度,只需要通过姿态传感器采集一个轴的数据即可。速度环100ms环控制一次,角度环10ms进行一次控制,角速度环2ms控制一次,外环输出先加一个限幅才传给内环,实测效果非常稳定,不会震荡,也不会出现明显的反应滞后。速度控制和平衡控制,转化为角度和角速度的控制,整个控制系统中仅仅有角速度环的输出给电机控制,原理上可以有效地消除传统速度PID 与直立平衡PID 并联所产生的耦合。 1.3算法实现 串级PID算法的实现在于角速度环、角度环和速度环控制的不同周期。初始化程序完成之后,启动周期为2 ms的定时中断。PIT 中断要为循环中的算法提供程序执行的时序标志位控制,根据标志位实现不同周期执行不同控制环节,这种程序结构有助于提高算法的执行效率以及实时性。中断服务函数中具体控制的算法流程[4]如图3所示。 ▲ 图3 中断程序框图 1.4串级PID参数整定 由于串级控制,速度环、角度环和角速度环会互相影响,所以调节参数时应该从内环开始整定。先令外环(角度环、速度环)调节器目标值为零,然后开始整定内环(角速度)PID参数,因为陀螺仪在测量角速度过程中会不断积累误差以及各种噪声的干扰,最终造成系统的稳态误差,所以角速度环采用PI控制来降低系统的稳态误差,调整参数至直立车能够做缓慢的自由落体运动,此时内环参数整定完成。 调整好角速度环后就可以开始整定角度环PID参数了,角度环采用PD控制,调节到直立车能够快速响应在机械零点保持平衡,给一个干扰后能快速回到平衡位置且不发生震荡就算调节好外环参数。 速度环采用PID调节,速度环的参数整定最后来完成,先应该通过设定目标值为零来确定参数的极性,然后通过观察车模实际运行状态,通过上位机观察各数据来给定参数。 02方案对比分析 当系统受到多级噪声时,内环会先进行调整,再由外环进行调整,所以控制的精度和稳定性都优于单极PID控制[5]。通过实际小车运行状态来看,如图4所示。传统算法围绕中线产生了较大过调;串级PID算法过调明显较小,且跟随能力远强于传统算法,可以看出常规PID 的稳定时间比串级控制短。串级PID控制器比常规PID 控制系统具响应迅速,稳定性高等优点[6]。 ▲ 图4实验数据图 03结论 串级 PID 相比典型的 PID 算法控制更精准、稳定,系统内环为角速度环,外环为角度环,经过系统测试,能够实现良好的平衡控制效果。由于串级算法实现简单且实用,对传统方案进行改进不需要额外的硬件要求,在直立车控制上具有一定的工程推广和参考价值。 参考文献: [1]潘飞.基于KEA128芯片的直立电磁小车设计[J].电子技术与软件工程,2019(10):98-99. [2]王英杰,孟威李灵恩,姚晓晨,张宁博.改进的两轮直立车多回路控制[J].自动化与仪表,2019,34(12):39-44. [3]徐涢基,肖城钢,李婷,龚明,陈芳.串级PID算法在滚球控制系统中的应用[J].现代电子技术,2020,43(09):122-125. [4]谢丹妮. 直立智能车运动控制设计与实现[D].湖南大学,2017. [5]乔纬国. 一种采用双PID串级控制的双轮自平衡车的研制[D].吉林大学,2017. [6]周瓒,徐海荣.基于串级PID闭环控制的飞行控制原理仿真实验[J].电子制作,2019(21):52-54. 安徽赛区组委会扩大会议 安徽赛区组委会扩大会议通过腾讯会议刚刚结束。会议上,安徽赛区组委会和承办学校首先对于下周末即将进行的第十五届安徽赛区的智能车比赛安排进行了介绍。随后,会议上对参赛学校的指导教师对于比赛规则提出的疑问和建议进行了探讨。 在这里,预祝安徽赛区参赛同学能够在下周比赛中能够充分展示自己车模的示例取的好成绩。 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-11-02 关键词: 自动驾驶 汽车电子

  • 百花齐放的自动驾驶,距离真正上路还有多远?

    本文来源:物联传媒 本文作者:短颈鹿先生 自动驾驶概念从诞生以来一直都是资本和技术创业者青睐的领域之一。新基建大背景下,伴随着5G商用的逐渐成熟,自动驾驶领域的热度自然是居高不下。 而这一点,从历年的融资数据也可以看出。2015年起,伴随着自动驾驶技术研发应用的火热,全球自动驾驶行业投融资规模迅速增长,2018年行业投融资规模达到近年来峰值。 根据数据显示,2019年全球自动驾驶行业共发生104起融资,虽然融资规模相比2018年有所下滑,但融资笔数仍然是居高不下,融资单笔规模也是屡创新高,就如Nuro获得软银旗下愿景基金9.4亿美元单轮融资,直接将融资水平拉至顶峰。 回到非常不容易的2020年,疫情似乎也没有影响到自动驾驶领域资本的流转。2020年2月,Pony.ai(小马智行)获得丰田投资的4亿美元B轮融资,总融资额接近8亿美元,另外一家自动驾驶公司Momenta,自从成立至今也已经获得超过2亿美元融资,投资方包含腾讯、戴勒姆集团、真格基金等高质量资本。 融资事件的不断发生,"烧钱"发生的化学反应似乎并没有很多企业预想得那么快。自动驾驶的很多玩家仍卡在L3级别,路面上仍然没有看到不需要人控制的L4、L5级车辆(自动驾驶分级如下图所示),与当时自动驾驶热潮下,很多公司撂下"计划在2020年实现L4级别的自动驾驶" 的豪言壮语形成鲜明对比。 图片来源网路 回归本质,自动驾驶最终能否在公开道路上安全行驶?上路前还要经历哪些考验?何时才能上路? 我想这些才是我们一直想要知道的答案,下面我们一起探讨下。 百花齐放,春天已来 上面我们说了自动驾驶历年来的融资数据,下面我们不妨把视角转回国内。 10月21日,全国首个常态化运营的5G无人公交在苏州落地。此次亮相的无人公交在开放的城市道路上运行,且速度可达20—50千米/时。这辆无人公交车除了具备避让行人车辆、自动变道、自动转向、红绿灯识别等基本功能,还能应对各类城市复杂交通场景,例如穿行人车混杂的路口、应对后车加塞、"鬼探头"等。 图片来源于新华社,任超摄 此前,10月12日,百度无人驾驶出租车服务Robotaxi正式在北京开放运营。此次开放的区域大约700公里,覆盖了海淀、亦庄等15个站点的测试区里,用户可以无需预约,直接下单试乘。在百度推出无人驾驶出租车服务的第二天,单站点自动驾驶出租车的约车累计就达到了2608单。 今年6月,滴滴出行也在上海推出了自动驾驶出租车服务。阿里也布局了自动驾驶业务,将以物流配送作为主要切入点。美团同样提出布局自动驾驶业务,先是和DeepDrive达成合作,又在去年推出了"美团地图"。 而早在今年4月,长沙已经全面开放了无人驾驶出租车服务。 眼看着自动驾驶服务在国内陆续落地,自动驾驶的商业化已经不言而喻。 国内自动驾驶商业化的发展,离不开国家政策的大力推动。2019年12月,国内首次提出了新基建的概念,其中5G、AI、云计算这三大板块正是自动驾驶软件的核心技术。 而自动驾驶处于这几大领域的交汇点,是新基建的典型落地应用。加上近年来不断完善的智慧城市、智慧交通相关政策,正如行业资深人士所说,自动驾驶在国内的商业化落地正迎来最佳的时机。 百花齐放的景象背后,预示着自动驾驶的春天已经到来。曾经在科幻电影中才能看到的自动驾驶汽车服务场景,如今正在走进现实。 政策鼓励发展,技术成为关键 除了自动驾驶服务落地速度加快,我们还注意到,因政策因素对自动驾驶落地应用产生的阻力效应也在减弱。 10月28日,交通运输部新闻发言人、政策研究室主任吴春耕在国新办发布会上表示,交通运输部将自动驾驶作为科技创新支撑加快建设交通强国的重要领域之一,始终坚持"鼓励探索、包容失败、确保安全、反对垄断"的原则,积极推进自动驾驶技术的研发试点和应用工作。 针对于近期在北京开放的百度无人出租车服务,吴春耕还表示,百度和有关企业推出的自动驾驶出租车,是一种在实际道路交通环境下的技术性能测试。我们欢迎和支持有关城市、企业大力开展创新,在确保安全的前提下,依法依规开展试点,加快推进自动驾驶技术发展。 虽然自动驾驶汽车上路,其与现行法律法规仍存在诸多冲突,包括《道路交通安全法》、《公路法》等都不涉及自动驾驶方面的内容,没有明确法律界定。例如交通责任的认定缺失,客户购买自动驾驶汽车会有很多疑虑,将影响高级别自动驾驶汽车实现市场化。 但我们从上面也可以了解到,政策鼓励正推动自动驾驶不断拓宽边界,向前发展,就如今年疫情下,自动驾驶被应用在疫区物资的无接触输送上,而随着政策法规的相继出台和完善,相信也将会有更多地区开放测试自动驾驶车辆。 行业资深人士表示,政策上虽然是鼓励的,但技术上还有一段很长的路要走,我们现在已经解决了90%的技术问题,剩下的感知和决策规划、边界化问题是关键。 在目前开放的测试场景中我们会发现,在真实行驶场景中,开放试乘的道路多是路广人稀环境单纯的郊区,试乘的时候车速也很较低,而且无人车也不是真的"无人",每辆车上都配备了安全员,如果遇到紧急情况,还是要安全员来处理,就如百度的无人出租车服务。 而前几年已经有各种物流车、摆渡车试运营,但这些试运营都只局限在园区里头,并未在公开道路中落地行驶。而就拿今年落地在苏州的无人公交来说,其也需要按照固定路线中低速行驶,最高也只能达到L4级别自动驾驶,距离L5级别仍有很大的技术空间需要突破。 说了这么多,我们发现,自动驾驶仍然是应用在限定的环境下,目前并不能应付复杂多变的真实场景。针对于这一点,一方面是因为自动驾驶应用仍然需要更多成功案例去获取人类社会的信任,即使目前的技术真正达到了L5,获取信任也需要一定的时间,这是创新性技术必然的演化过程。 另一方面,自动驾驶仍需要跨越边界内和边界外的技术鸿沟,边界内指的是感知和决策规划的问题,边界外指的是边界化问题。 目前在自动驾驶的感知上,虽然有多种传感器,比如360度激光雷达和摄像头,但这些传感器大多都输出原始数据。人类看摄像头和激光雷达的数据很容易能出识别内容,但计算机很困难。 普通模式下识别率会很快达到瓶颈,这时候就需要深度学习,以及大量的数据进行训练,而当下受技术所限,电脑并不能无法识别很多显而易见的场景。同时,当数据量猛增时,计算时间会延长,系统响应变慢,这也是无人车只能低速行驶的原因。 做不到快速的感知和决策规划,自动驾驶就难以应对高速环境,当然这并不是无法解决的问题,属于自动驾驶技术的长尾问题。随着产业发展,各层技术不断精进后,这类问题也将会解决。 而边界化问题则有可能需要花费比前期更多的精力去解决,原因在于边界化问题有可能是无穷的。就如自动驾驶车辆遇上野鸭子之前,工程师甚至不知道会有野鸭子的问题,而除了野鸭子、还有野狗子、野兔子等边界外因素,所以面对这类边界化问题,自动驾驶车辆该如何正确处理呢? 除了不断收集数据,通过自动化工具将有效数据加工成可用模型,并纳入边界内系统,对自动驾驶车辆实行在线OTA的系统更新外,似乎并没有更好的办法。这或许会成为解决边界化问题的通用办法。 不管是边界内还是边界外的技术问题,解决技术问题除了时间因素外,更重要的还是数据因素。只有经过大量数据的检验和优化,自动驾驶系统才有可能更稳定,才有可能无限接近人类期望的L5级别。 特斯拉与奔驰,你更喜欢哪一个? 上面说到了数据因素是解决技术问题的关键,有两位玩家值得我们关注,一个就是"新玩家"特斯拉,一个就是"老玩家"奔驰。 据了解,如今特斯拉正在大张旗鼓地宣传其全自动驾驶软件,称其车辆有着最先进的自动驾驶功能,近期表示其自动驾驶系统将有重大升级,今年有望达到L5级。 就在上周,据国外媒体报道,特斯拉向一小部分车主推出了"完全自动驾驶(FSD)"软件,他们将在公共道路上测试这款软件,允许车辆在繁忙的城市内通勤中进行自动驾驶。但在其网站上隐藏着一份免责声明,称这一价值8000美元的系统并不能使车辆自动驾驶,司机仍然需要对它进行监督。 这些相互矛盾的信息让该领域的专家指责特斯拉进行了欺诈且不负责任的营销,这可能会使道路更加危险,因为到今年年底,该系统将向多达100万名电动汽车司机推送。 而在另一面,梅赛德斯·奔驰公司表示,他们已经开发出了一个类似的系统,但是并未允许公众在道路上使用这个系统。该公司工程师需要通过资格认证考试,才能成为测试驾驶员,而测试自动驾驶系统,还需要通过另外一个考试。 这家德国企业不希望客户成为他们的试验品,对车辆的处理器、软件和机器进行测试,从而让系统随着时间的推移获得更多能力,他们希望车辆可以先获得工程师的验证,在验证了车辆和系统的可靠性之后,再将其开放给公众。 奔驰和特斯拉所采用的方式,一个较为保守,另一个较为激进,但是两家公司的目的相同,都是为了将高度自动化驾驶技术推上公共道路。小编也相信,随着各路玩家不断加注自动驾驶赛道,技术问题的突破指日可待,而自动驾驶必将更快地走进现实。 那么,特斯拉与奔驰,你更喜欢哪一个呢? ~END~ 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-11-02 关键词: AI 自动驾驶 汽车电子

  • 联接力就是生产力!华为助上汽宁德智能工厂揽IDC数字化转型大奖

    10月16日,2020 IDC中国数字化转型年度盛典暨第五届中国数字化转型领军用户颁奖典礼隆重举办。作为中国ICT行业年度盛事之一,大会同期揭晓的IDC数字化转型大奖因全面展示数字化转型在各个行业中带来的重大变革、实现的巨大突破和取得的卓越成就而备受关注,被视为深刻反应中国数字化转型进程及未来发展方向的风向标。 在今年的中国数字化转型颁奖典礼环节,华为助力的上海汽车集团股份有限公司乘用车分公司(以下简称“上汽乘用车”)收获满满,获颁运营模式领军者、数字化转型领军人物、技术应用创新大奖等多项大奖。 这其中,华为智能IP网络助力上汽宁德智能工厂(以下简称“上汽宁德基地”)于全面互联实现数据驱动的智能制造,一举斩获2020 IDC中国重点行业技术应用创新和运营模式领军者大奖,树立了中国汽车行业智能制造的新标杆,充分展示了联接力就是生产力,引发广泛关注。   汽车行业全面转型智能制造智能工厂网络建设面临业务挑战 汽车行业在“新四化”(电动化、智能化、网联化、共享化)变革趋势的推动下,竞争越发激烈。新造车势力崛起不断冲击老牌车企销量,传统格局面临大洗牌。在这样的大背景下,通过新技术的应用提升整车制造的柔性化、数字化、智能化和快速响应能力,赋能设计、营销、服务等全环节,实现生产系统和商业系统的全面数字化和智能化,成为汽车行业的必然选择。   作为年生产能力超过百万辆、年营业收入达到上万亿元的知名汽车“大厂”,上汽乘用车较早便提出了“1+4”数字化战略,致力于构建“智能装备”、“智慧供应链”、“大数据智脑”三位一体的汽车智能制造体系,力争以互联互通为基础,以大数据、AI等为技术手段,依托数据平台,构建“数据-信息-价值”的数据赋能与增值,基于全面互联实现数据驱动的智能制造。   可见,全面互联是智能制造的基础,网络建设是打造智能工厂的先决条件。而在传统典型的“两层三级”的工厂网络架构下,工厂级的IT网络与车间级和现场级的OT网络之间无法互通与融合,办公网、生产网、工控现场网等多张网络及其承载的数据呈现“七国八制”“孤岛隔绝”的状态,无法满足数据驱动的智能制造对网络连接多样性、安全性和可靠性的高阶需求。   华为智能IP网络赋能高品质园区网络全面助力汽车智能制造 如何破局?上汽乘用车公司与华为在网络领域全面合作,通过最领先的IP技术,为上汽宁德基地打造了一个数字化的生产和办公园区,满足各业务部门在协同、降本增效和创新领域的需求,推动数字化转型与智能化升级。   细探这背后的技术解决方案可以发现,高品质园区网络发挥了基石作用。得益于华为CloudCampus园区网络解决方案及多款智能IP网络产品构建的全无线化的新一代园区网络,上汽宁德基地构筑了扁平化、标准化、网络融合的智能工厂网络架构,实现了IT与OT网络互通与融合,支撑了大数据及AI等技术的叠加运用,充分挖掘了业务数据价值,优化了用户体验。   具体而言,通过综合运用华为的CloudEngineS系列交换机、新一代Wi-Fi等产品构筑高可靠、低时延、无阻塞的品质园区网络,上汽宁德基地在办公网络部署了超宽的现代化全无线办公网络,提供超Gbps的千兆接入体验,使得任意用户、任意终端都能实现千兆接入。   在生产网络层面打造一网多用、应用体验可保障的虚拟网络,实现一张IP网承载多种业务并自动化隔离,保障应用体验且确保整网安全。华为CloudEngine系列交换机和HiSecEngine USG6650防火墙的引入,以超高性能保障了生产网和办公网两网隔离、互不干扰,同时实现了万兆吞吐和接入上联,为大量过程数据的上传提供了畅通的管道。   在管理运维层面引入华为CampusInsight让体验可视、故障可定位,实现业务的分钟级发放、网络故障的分钟级修复,并自主学习实现干扰分析、预测及调优的自动化,实现园区网络的自治自愈,让园区网络越运行越智能,有效应对规模庞大且日益复杂的网络挑战。   基于高品质园区网络这一联接基石,上汽宁德基地在生产制造、厂内配送、车辆调度、排程调度、车辆配载、仓储管理、供应商协同、运营管理等领域进行创新,开拓汽车制造与数字化、智能化技术深度融合应用的全新场景,率先推出汽车行业基于数字营销的新零售体系,将To C新零售营销与To B营销全生命周期移动应用相结合,为业务开展开辟全新渠道,跑在了中国汽车行业智能制造转型的最前列。   联接力就是生产力上汽宁德基地收获大幅度降本、提质与增效 在获奖颁奖词中,IDC总结称上汽宁德基地通过自动化工艺装备与工业物联网、工业大数据、Wi-Fi 6、IoT、AI技术的深度融合,实现在线连接700+零部件供应商、500+在制车辆、2000+智能终端设备。深度集成21套信息化系统,实现亿级数据的实时采集、秒级分析反馈,不仅取得了良好的经济效益, 更引领汽车行业数字化转型的发展方向。   高度评价的背后,上汽宁德基地的数字化转型与智能化升级成果可用六个字总结——降本、提质、增效。数据显示,自2019年8月建成投产以来,上汽宁德基地相交传统工厂实现了单车人力成本降低14%、交付周期缩短10%、生产效率提高48%、产品产量提高50%、质量缺陷降低36%、单车成本降低22%等显著的提升,取得了大幅度的降本、提质与增效!   这样的显著提升,对于一家体量巨大且锐意创新的汽车厂商来说无疑意义深远。尤其是在汽车行业“内外交困”的当下,面对新造车品牌来势汹汹的“变道超车”,没有什么比直面而上、深挖科学技术第一生产力更加重要了!   时代的号角已经吹响,面向万物互联的智能时代,联接力就是生产力——智能制造需要智能联接“筑基”,全面数字化、智能化转型升级也需要智能联接这个“基石”。上汽宁德基地的成功为制造业打破困局、创新发展提供了新样板,也为千行百业利用联接力重塑生产力、实现全面转型升级提供了新思路,值得关注和探究! 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-11-02 关键词: AI 自动驾驶 汽车电子

  • 四维图新程鹏:云+芯,构筑智慧出行时代竞争力

    四维图新程鹏:云+芯,构筑智慧出行时代竞争力

    10月28日,四维图新以智能汽车“芯”势力的身份站在了第十五届“中国芯”集成电路产业促进大会的现场,荣获“中国芯”优秀市场表现产品奖,四维图新CEO程鹏在现场分享了公司发展自主智能汽车芯片背后的故事、意义与展望。 始于创新 持续创新,探索边界,是刻在四维图新基因里的。“四维既指物理空间加时间,也代表仁义礼信,图新则是力图创新的意思。”程鹏这样解释四维图新的来由。 2002年成立的四维图新于今年迎来了自己的成人礼,回望18年发展历程,最为关键的一次转型发生在5年前。 2015年,四维图新开始着眼汽车智能化,发展自动驾驶与高精度地图等业务,也正是在这时,四维图新前瞻性的看到了布局自主芯片的意义。 程鹏在演讲中回忆道:“我是‘码农’出身,那时候写软件就时常纠结于算力,尤其在做嵌入式开发时,而在自动驾驶时代,要想实时构建现实世界三维还原,只有云端能力是不行的,必须要有终端的算力,及时的感知、收集现实世界变化,2015年当我们决定转型自动驾驶的那一刻,我们就在思考布局自主芯片。” 四维图新转型汽车智能化是真正的all-in,经过两年的调研评估,时间来到2017年,公司正式完成对专注汽车电子芯片设计的自主品牌——杰发科技AutoChips的全资收购,踏足汽车半导体领域,并于同年正式明确“智能汽车大脑”顶层战略。至此,四维图新将产业链延伸至芯片关键环节,依托云+芯构筑智慧出行时代解决方案服务能力,全面进入全新的历史发展阶段。 协同发展 自收购杰发科技AutoChips以来,公司捷报频传。 2018年底,公司量产中国首款自主研发的通过AEC-Q100 Grade 1,工作温度-40℃~125℃的车规级MCU车身控制芯片;2019年11月,代表中国本土最高技术水平的首款胎压监测全功能单芯片解决方案正式量产;2020年,经过近4年时间的研发,新一代车规级高性能智能座舱芯片——AC8015成功流片,获多家系统商新平台定点,实现了国产车规级大型SoC的突破。 目前,全球140多款车型选用四维图新汽车应用处理器,超过6000万套芯片遍布于全球汽车市场;车规级MCU和胎压监测芯片均实现百万级出货,逐步打破国际大厂的垄断。 除了在市场上的大步向前,芯片也正在成为四维图新其他业务协同发展的战略核心。 把对软件算法、产品技术的深入理解,结合到芯片的设计开发,四维图新依托云+芯,为行业下游带来更多更好的解决方案,赋能客户合作伙伴创造价值。芯片+导航、芯片+车联网和芯片+自动驾驶的能力,深入的融合让四维图新和杰发科技AutoChips收获1+1>2的化学反应,共同开发面向未来的智能芯片。 其中,在备受关注的自动驾驶芯片方向上,程鹏讲道:“目前我们的智能座舱终端芯片AC8015已经能够支持部分辅助驾驶,支持L3级别自动驾驶算法的大型SoC芯片已经在计划中。” 责任担当 作为来自数据与软件行业的“外来者”和“跨界者”,四维图新承载着推动汽车电子中国芯发展的使命,程鹏坦言,在汽车半导体领域,中国是落后者,我们清晰知道自己的责任,要做出世界级的中国芯产品去争夺国内甚至国际市场,这势必是一条荆棘丛生的道路。 杰发科技AutoChips副总经理马伟华,在本次大会分论坛的主题演讲中就谈到,汽车电子芯片拥有超高的设计工艺技术门槛,自主产品的每一步向前都得来不易。“相较消费级、工业级芯片,汽车电子芯片在实现车内各类场景应用的同时,要对安全性、可靠性有更高的要求,包括运行稳定要求、可靠性要求、一致性要求、产品生命周期要求、交付良率要求等等,需通过如AEC-Q100、IATF16949、ISO26262等严苛的测试与标准认证。这让有较大基础环节差距的中国芯,面临更大的发展挑战。”马伟华说到。 前路漫漫,也意味着其中蕴含无限机会和可能。来自Gartner与北京市半导体行业协会的数据显示,2020年全国汽车半导体市场规模达到476亿美元,而自主品牌中国芯的市场份额只占到了2%。伴随汽车“新四化”演进,越来越多的颠覆性技术正在加速进入百年汽车行业,产业链对汽车半导体的需求势必还将持续迎来爆发增长。 “机遇挑战当前,四维图新希望产业链更多的伙伴能够加强协同合作,不服输有志气,逐步掌握自主核心技术,提高国产化率,共同开创智能驾驶时代的‘中国芯’。”程鹏在演讲的最后如是说到。

    时间:2020-10-30 关键词: 集成电路 自动驾驶 汽车电子

  • Arbe推出首个2K高分辨率成像雷达开发平台

    Arbe推出首个2K高分辨率成像雷达开发平台

    10月29日,新一代4D成像雷达系统提供商Arbe宣布推出其雷达开发平台,为客户的成像雷达系统带来颠覆性改变。一级供应商、整车厂以及新型汽车汽车行业的公司,能够基于该2K高分辨率成像雷达开发平台或样件来优化其感应算法。 目前,Arbe正在与来自美国、欧洲、中国、韩国和日本的20多家一级供应商和整车厂合作,开发基于Arbe成像雷达开发平台的新一代雷达系统。这将助力基于Arbe技术的雷达最早于2022年搭载到道路上的车辆中。 与市面上其他雷达相比,Arbe雷达开发平台拥有绝对的技术优势。目前市场上的雷达大多只有12个信道,研发中的雷达信道预计达到192个,而Arbe芯片组远超任何其他雷达,支持 2304(48×48)个信道,并提供2K超高分辨率。凭借其在所有环境条件下卓越的分辨率和目标检测能力,Arbe成像雷达解决方案不仅能追踪如行人、自行车、电动车等更易受伤害的道路使用者,还能检测诸如停靠的车辆或高速路上的道路施工标志等静态物体,从而有效避免因ADAS导致的道路交通事故的发生。除此之外,它还消除了目前市场上雷达的痛点——误报,由此提高了雷达读数在ADAS和自动驾驶系统中的可信度。 Arbe首席执行官Kobi Marenko表示:“迄今为止,无论是为ADAS提供最高的安全标准,还是为无人驾驶汽车提供无可匹敌的感应能力,我们的解决方案已向业界展现了巨大的潜力。而Arbe雷达开发系统的推出,让我们的解决方案更为切实可行,实现了从理论到全球客户都能实施的跨越。这一里程碑让Arbe在汽车雷达行业处于领先位置。” “此外,4D成像雷达的开发平台作为高级感应能力的基础,包括对车辆自身速度以及车道内定位精确的实时推断。雷达数据的后处理可以实现在车辆的全视野中跟踪和分类物体,确定其方位和运动矢量,并提供精准的自由空间地图,以判定在任何天气或照明条件下是否具备安全的驾驶环境。” Arbe成像雷达开发平台包括: ◆ 整套Arbe成像雷达芯片组,搭配射频发射机和2K信道接收芯片(48个发射信道×48个接收信道),以及能够处理30Gbps雷达数据的专利成像雷达处理器。该专利芯片组提供超高分辨率,支持每帧超过1万次检测; ◆ 业内信道阵列最密集的雷达天线,且外形完美适配汽车制造商目前的尺寸和车辆安装规格; ◆ 用于访问和调度硬件的软件层; ◆ 用以指导一级供应商和整车厂客户雷达系统开发的参考。 关于Arbe: 新一代成像雷达芯片组解决方案提供商Arbe正在引领一场雷达革命,通过启用真正安全的驾驶员辅助系统,为完全自主驾驶铺平道路。Arbe的技术产生高精度的4D图像,在远距离和广角范围内以2K高分辨率、在仰角和方位角上优化目标区分、识别和追踪物体,并辅以基于人工智能的后处理和SLAM(同步定位和映射)。Arbe的专利技术使汽车制造商和一级供应商能够开发下一代雷达,这种雷达的细致程度是市场上任何其他雷达的100倍。 Arbe于2015年由半导体工程师、雷达专家和数据科学家组成的精英团队创立,迄今为止Arbe已经获得了超过5500万美元的融资,其中投资者包括:Canaan Partners Israel,iAngels,360 Capital Partners,光控Catalyst中国以色列基金,有着韩国现代汽车背景的AI Alliance,北京汽车集团产业投资有限公司(BAIC Capital),源清资本(MissionBlue Capital),O.G. Tech Ventures,Maniv Mobility,Taya Ventures 和 OurCrowd。Arbe总部设于以色列特拉维夫-雅法,在中国和美国设有办事处。

    时间:2020-10-29 关键词: 雷达 自动驾驶 汽车电子

  • 红岩为智慧物流行业发展添光添彩

    红岩为智慧物流行业发展添光添彩

    前段时间举行了第22届中国国际工业博览会。会上,上汽依维柯红岩商用车有限公司(以下简称“上汽红岩”)的“5G+L4智能重卡”项目获得了CIIF2020工博会大奖。 据了解,近年来,随着大数据、云计算、人工智能、区块链等新技术的不断创新和应用,以及5G网络的快速建设和投入商用,“智慧物流”进入人们的视野。截至2017年,物流数据、物流云、物流技术服务的市场规模已超过4000亿。综合国家经济增长及物流行业发展趋势等众多因素,专家预计,2025 年智能物流的市场规模将超过万亿。在这一市场背景下,上汽红岩5G智能重卡应运而生。 上汽红岩5G智能卡车是上汽红岩根据未来自动驾驶多个场景研发的一款L4级的自动驾驶重卡,目前已经在上海洋山港实现了复杂场景下的高阶自动驾驶、自动转向、变道、加减速、自动避让行人等等。此外,在结合实际场景的基础上,它还实现了在港口区域自动驾驶、精准停泊、和港口装卸系统对接完成自动装卸集装箱的动作。这些出色表现,恰恰证明了其在智慧物流领域的无限潜力,无论对于物流安全保障还是物流效率提升,都有着深远影响。 在行驶过程中,许多物流车辆之间由于没有合理的规划通行距离、速度,常出现交通事故、堵车,区域通行能力也大打折扣。而上汽红岩5G智能重卡特有的队列行驶功能可以有效改善这一交通痛点。基于5G和V2X技术,上汽红岩5G智能重卡在队列形式功能的支持下,能在20毫秒内建立车队间的实时交互通讯,确保自动跟车、车道保持、绕道换行、紧急制动等队列行驶功能即时实现。正因此,在今年东海大桥的示范运营中,上汽红岩“5G+L4”智能重卡实现了5辆车的队列行驶,车速达到60-80公里/小时,队列行驶间距缩小到17米。不难看出,在未来真正投入商业化运营时,上汽红岩5G智能重卡有望缓解交通压力,提升物流运输效率,保障物流运输安全,为智慧物流添彩。 值得一提的是,上汽红岩“5G+L4智能重卡”实车道路测试里程已超过18.5万公里,台架虚拟仿真测试里程超过700万公里,应用场景从深水港物流园区-东海大桥-洋山一期扩展到洋山四期。在今年洋山港准商业化运营的基础上,上汽集团将与上港集团、中国移动等伙伴们携手并进,下一步实现百辆级,并迅速向千辆级智能重卡大批量商业化运营推进。 从技术研发到示范运营,上汽红岩在打造5G智能重卡方面始终保持锐意进取的精神,紧跟上汽集团“新四化”发展战略 ,以科技创新引领重卡行业智能化。上汽红岩“5G+L4智能重卡”能够脱颖而出,获得CIIF2020工博会大奖,无疑是实至名归。

    时间:2020-10-25 关键词: 5G 智慧物流 自动驾驶

  • 挽救生命的传感器:半导体如何改变汽车安全

    点击蓝字关注我们 请私信我们添加白名单 如果您喜欢本篇文章,欢迎转载! 作者:Joseph Notaro 安森美半导体汽车战略及业务拓展副总裁 随着世界上人口增多和道路上行驶的车辆增多,交通安全的改善还不能很快实现。尽管自2000年以来死亡率已降低了一半以上,从每100,000辆车辆中的135例降低到64例,但死亡总数仍在继续攀升。今天,有94%的事故归因于驾驶员的行为。 现在的汽车比以往任何时候都更安全。安全气囊、强制安全带以及车辆结构和功能设计的改进让驾驶员和乘客更有可能从撞车事故中离开。 更好的制动和转向子系统,以及防抱死制动系统(ABS)或电子稳定控制(ESC)等常见的创新,都依靠精确的传感器来提高安全性,而先进驾驶辅助系统(ADAS)使得交通事故的可能性更低。 随着汽车变得更加自主,其目的是进一步降低这种风险。最终目标是全自动驾驶,即“5级”,这可有效地消除人为错误。 零伤亡愿景是一项多国计划,其设想没有道路交通事故导致死亡或重伤。 改善汽车安全性的主要因素之一是提高汽车中电子器件的水平。例如,目前全球平均每辆汽车中有超过230个安森美半导体器件。 如果我们要实现零愿景,就不能自满,还有许多工作要做。尽管汽车更安全了,但至少在发达国家,道路交通伤害仍然是5至29岁人群最普遍的死亡原因,根据世界卫生组织(WHO)报告,每年因道路交通事故造成的死亡已达135万人。 传感器整合 二十年前,您汽车中的任何传感器都非常简单。您有一个测量油箱内液位的燃油表,还有一个发动机温度表。连同您的速度计和一些警告灯,也许还有转速表,可能就是这样。 如今,众多电子传感器帮助您确保安全。例如,相机和成像传感器有很多用途,包括ADAS、安全倒车和停车的后视图以及车内监控。 这意味着对于汽车制造商、整车厂商(OEM)和Tier-1来说,与具有广泛产品的供应商合作非常重要,以便他们可以为每种应用选择最佳的传感器。传感器还应设计用于关键任务,并能够在扩展的温度范围内运行。 Blind-Spot Detection:盲点检测 Backup Camera:后视摄像头 Car DVR:行车记录仪 Driver Monitoring:驾驶员监控 Lane Departure Warning:车道偏离警告 Pedestrian/Object Detection:行人/物体检测 Collision Mitigation:缓解碰撞 Adaptive Cruise Control:自适应巡航控制 Smart Headlight/Mirror:智能大灯/车镜 Night Vision:夜视   图1:图像传感器在汽车上的应用 性能也很重要-传感器必须具有足够高的分辨率以捕获ADAS和其他系统的足够细节,并且必须提供出色的图像质量以应对黑暗、恶劣的天气、眩光和其他问题。 例如,出色的动态范围可以极大地改变从传感器发送到ADAS系统处理器的图像(见图2)。可以毫不夸张地说,这是生与死之间的区别,如果这意味着汽车可以更快地识别前方的问题。 Competition:竞争对手 ON Semiconductor:安森美半导体 图2:动态范围对比 - 请注意,左侧图片中缺少隧道尽头的详细信息 除图像传感器外,雷达和激光雷达(LiDAR)是当今汽车的必备工具。雷达可用于短距离、中距离和远距离应用,例如躲避转向、交汇点辅助和自适应巡航控制,可望向前250 m。对于每种使用情况,选择合适的雷达收发器将确保最佳性能。 LiDAR补足雷达,其光子探测器能够基于测量飞行时间(ToF)生成图像以及3D地图。这使LiDAR能够提供高分辨率的深度数据,从而实现仅使用雷达或摄像机无法实现的目标检测能力。 实际上,最好的方案通常是在一种车辆中结合多种感知模式:成像、雷达和LiDAR,以及超声波感知。使用多种类型的传感器,它们的优势可以一起发挥作用,并且内置了冗余。 付诸实践-1亿次 让我们看一个示例系统:SUBARU的EyeSight驾驶员辅助系统,使用安森美半导体的120万像素AR0132AT CMOS图像传感器。 EyeSight系统于2014年首次安装在SUBARU的Levorg模型中,随后又在Legacy、Forester、Impreza和SUBARU XV模型中提供。 EyeSight在其立体相机系统中使用图像传感器,以实现安全功能,包括自适应巡航控制、车道保持辅助和摇摆警告、预碰撞制动和预碰撞油门管理。 该系统已获众多奖项,包括日本新车评估计划(JNCAP)的高级安全车三重加(ASV +++)最高评价。 现在,ADAS已成为一种主流技术,而不仅仅是高端汽车的保护。事实证明,安森美半导体已付运超过1亿个AR0132AT图像传感器用于驾驶员辅助应用,包括EyeSight。 似乎没有其他供应商达到这种数量(并且在2018年,安森美半导体在用于驾驶员辅助的感知摄像头拥有81%的市场份额),这表明了技术采用的规模。 驾驶时打瞌睡是交通事故的另一个主要原因。技术可以帮助监控驾驶员的表现,并在他们似乎驾驶不稳时发出警报或警告。 另一种选择是使用基于摄像头的系统来观察驾驶员,并在发现疲劳迹象(如闭眼或头部下垂)时触发警报。例如,最近的演示系统集成了多个图像传感器,包括安森美半导体的AR0144AT 100万像素传感器,为运行人工智能(AI)软件的车载系统提供图像。 安全驾驶的未来 如今,仅美国就有28%的交通事故可以通过ADAS来防止,而安森美半导体的传感器每年已经挽救了81,000多条生命。这很好,但必须更好,我们将继续努力改进传感器,并与合作伙伴合作,使汽车和道路更安全。 成本也很重要;在低收入国家,交通事故的发生率要高得多,因此任何安全创新都应该可以广泛地负担得起。  展望未来,我们还必须确保安全系统不仅能保护驾驶员和乘客,还需要帮助减少行人、摩托车手和骑自行车者的伤亡率。 法规和标准正在认识到这一点,例如欧洲新车评估计划(EuroNCAP 2020),传感器技术可以在保护弱势道路使用者方面发挥重要作用。  行业的长期目标必须是努力朝着零死亡、甚至零伤害和零事故的方向努力。这条路还有一段路要走,但我们正在努力尽快实现。 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-10-24 关键词: 半导体 自动驾驶 汽车电子

首页  上一页  1 2 3 4 5 6 7 8 9 10 下一页 尾页
发布文章

技术子站

更多

项目外包