首頁
>
企業(yè)商訊
>
行業(yè)動態(tài)
行業(yè)動態(tài)
在自動駕駛運營范圍內(nèi)進行自主采集、構(gòu)建、更新地圖。這條路線運營成本相對較高，比較適合有限區(qū)域或者特定場景內(nèi)的自動駕駛，比如固定園區(qū)、機場等。
利用諸多終端車輛進行眾包建圖。這些終端車輛為云端服務(wù)器構(gòu)建、更新高精地圖的數(shù)據(jù)，同時也共享更高質(zhì)量的高精地圖服務(wù)，形成數(shù)據(jù)閉環(huán)。這條路線比較適用于當前比較火熱的Robotaxi或者乘用車領(lǐng)域。
一種比較激進的路線，即自動駕駛系統(tǒng)不會過度依賴高精地圖，車輛具有很高的局部區(qū)域感知能力，結(jié)合道路級的普通地圖就可以支撐自動駕駛功能，特斯拉是這條路線的代表之一。
感知模塊主要通過傳感器信息解決“周圍環(huán)境是什么樣”的問題。當前火熱的深度學習技術(shù)推動了感知技術(shù)的發(fā)展，感知技術(shù)又可以細分為檢測、跟蹤、預測。
檢測主要是將不同傳感器的觀測信息輸給深度學習模型，可以檢測出車輛、行人、交通標識等目標物;跟蹤的作用是給每個目標物一個track ID，以實現(xiàn)對這個目標的持續(xù)觀測，進而計算出這個目標的速度以及預測未來軌跡。預測基于時序上的檢測和跟蹤結(jié)果，結(jié)合道路信息預估目標物未來可能的運動軌跡，可以為路徑規(guī)劃提供更多的信息，也使系統(tǒng)更加智能。
模擬給予數(shù)據(jù)支撐
除了傳感器、定位、感知、規(guī)劃和控制幾大核心技術(shù)之外，還有仿真技術(shù)，它是自動駕駛技術(shù)中容易忽略的一部分。自動駕駛領(lǐng)域的“長尾”問題是急需解決的問題，比如基于深度學習模型的各種感知技術(shù)。現(xiàn)階段，深度學習模型對于“見過”的或者類似的場景能夠準確感知，但對于未見過的場景大概率會出現(xiàn)錯誤的感知，這對于自動駕駛尤其是高自動駕駛來說是很致命的。
仿真技術(shù)中一個很重要的應(yīng)用就是可以虛擬化很多逼真的場景，為深度學習模型的訓練提供海量數(shù)據(jù)，而且可以針對一些不常見的場景進行足夠的數(shù)據(jù)生產(chǎn)，從訓練樣本的數(shù)量和多樣性給予深度學習模型足夠的支撐。
此外，仿真技術(shù)還有很多其他應(yīng)用，比如可以模擬一些危險的駕駛場景，包括碰撞、各種交通事故等，一定程度上使得自動駕駛系統(tǒng)測試不再強依賴于真實場景的測試驗證，很大幅度降低測試驗證成本、提升效率。
目前，高自動駕駛技術(shù)雖然仍不夠成熟，存在爭議，但相信隨著科學技術(shù)的發(fā)展，經(jīng)過一代代人的努力，自動駕駛技術(shù)定會走進千家萬戶，改善人們生活。
利用諸多終端車輛進行眾包建圖。這些終端車輛為云端服務(wù)器構(gòu)建、更新高精地圖的數(shù)據(jù)，同時也共享更高質(zhì)量的高精地圖服務(wù)，形成數(shù)據(jù)閉環(huán)。這條路線比較適用于當前比較火熱的Robotaxi或者乘用車領(lǐng)域。
一種比較激進的路線，即自動駕駛系統(tǒng)不會過度依賴高精地圖，車輛具有很高的局部區(qū)域感知能力，結(jié)合道路級的普通地圖就可以支撐自動駕駛功能，特斯拉是這條路線的代表之一。
感知模塊主要通過傳感器信息解決“周圍環(huán)境是什么樣”的問題。當前火熱的深度學習技術(shù)推動了感知技術(shù)的發(fā)展，感知技術(shù)又可以細分為檢測、跟蹤、預測。
檢測主要是將不同傳感器的觀測信息輸給深度學習模型，可以檢測出車輛、行人、交通標識等目標物;跟蹤的作用是給每個目標物一個track ID，以實現(xiàn)對這個目標的持續(xù)觀測，進而計算出這個目標的速度以及預測未來軌跡。預測基于時序上的檢測和跟蹤結(jié)果，結(jié)合道路信息預估目標物未來可能的運動軌跡，可以為路徑規(guī)劃提供更多的信息，也使系統(tǒng)更加智能。
模擬給予數(shù)據(jù)支撐
除了傳感器、定位、感知、規(guī)劃和控制幾大核心技術(shù)之外，還有仿真技術(shù)，它是自動駕駛技術(shù)中容易忽略的一部分。自動駕駛領(lǐng)域的“長尾”問題是急需解決的問題，比如基于深度學習模型的各種感知技術(shù)。現(xiàn)階段，深度學習模型對于“見過”的或者類似的場景能夠準確感知，但對于未見過的場景大概率會出現(xiàn)錯誤的感知，這對于自動駕駛尤其是高自動駕駛來說是很致命的。
仿真技術(shù)中一個很重要的應(yīng)用就是可以虛擬化很多逼真的場景，為深度學習模型的訓練提供海量數(shù)據(jù)，而且可以針對一些不常見的場景進行足夠的數(shù)據(jù)生產(chǎn)，從訓練樣本的數(shù)量和多樣性給予深度學習模型足夠的支撐。
此外，仿真技術(shù)還有很多其他應(yīng)用，比如可以模擬一些危險的駕駛場景，包括碰撞、各種交通事故等，一定程度上使得自動駕駛系統(tǒng)測試不再強依賴于真實場景的測試驗證，很大幅度降低測試驗證成本、提升效率。
目前，高自動駕駛技術(shù)雖然仍不夠成熟，存在爭議，但相信隨著科學技術(shù)的發(fā)展，經(jīng)過一代代人的努力，自動駕駛技術(shù)定會走進千家萬戶，改善人們生活。
- 下一個：溫濕度記錄儀怎么讀取？