- 综合排序
- 最热优先
- 最新优先
- 来自专栏量子位
照着这本“书”，3年量产自动驾驶卡车
贾浩楠 发自 凹非寺 量子位 | 公众号 QbitAI 自动驾驶卡车规模化离落地还有多远？ 不远了。因为你现在网购的商品，很可能就有自动驾驶卡车参与运输。 与之相关的一份成绩单，刚刚对外公布： L3级自动驾驶卡车2个车型、200台车下线。截止2022年8月底，在30余条常态化运营线路上，智能重卡的自动驾驶商业运营里程已超600万公里。 规划和控制的难点在于要同时满足安全、精准、舒适、耐久、经济5大商业运营要求，这不可避免会带来3大矛盾，包括精准建模与一车一调、精准控制与耐久经济、规划控制分层与融合之间的矛盾。 嬴彻科技创始人兼CEO马喆人说： 嬴彻基于过去3年多的实践深刻认识到，自动驾驶整车的量产，需要的是全新定义的全栈研发能力、前装量产的工程极致能力、自动驾驶安全的完整设计能力。 嬴彻作为3年内跑通研发到量产的玩家，凝练认知，经验、方法的《量产白皮书》，其价值从整体上看已经远远超过对嬴彻形成内部指导的意义，比起证明嬴彻这家公司的技术先进性、工程化能力、商业进展，更重要的，是给自动驾驶卡车赛道
51510编辑于 2022-09-02 - 来自专栏点云PCL
综述：生成自动驾驶的高精地图技术（3）
综述：生成自动驾驶的高精地图技术（1） 综述：生成自动驾驶的高精地图技术（2） 高精地图框架 随着高精地图的日益复杂和需要提取的环境特征数量的增加，有必要使用一定框架形式的软件以充分存储地图中的相关信息 MLS 3D点云上的特征提取是向高精地图添加详细道路信息的更常见和更强大的方法，具有提取的三维特征的高精地图提供深度信息和更新的环境信息，但需要昂贵的激光雷达和高计算成本，收集可用的点云数据也很耗时。 这些局限性导致了需要进一步研究和开发的一些挑战性问题： 1，向2D地图添加更多功能，如深度信息，并保持持续更新； 2、提高3D地图生成过程的效率，并使大规模高精地图的3D地图成为可能，而不需要花费太多时间和计算能力 总结 在这篇综述中，分析了最近用于自动驾驶的高精地图生成技术，将高精地图的基本结构概括为三个层次：道路模式，车道线模式，定位模式。 （3）介绍支持高精地图的框架，包括Lanelet2、OpenDRIVE和Apollo，还提供了一些用于在三个框架之间转换地图格式的有用工具。
2.3K10编辑于 2022-09-13 - 来自专栏腾讯高校合作
Wiztalk | 徐一梁 Part 3 《自动驾驶的过去、现在和未来—自动驾驶的未来发展》
自动驾驶的过去、现在和未来 Part 3 自动驾驶的未来发展 简介：自动驾驶的研究现今已初见成效，在未来，它又能有哪些可能呢？ 本期腾讯专家研究员徐一梁将会结合自身过往的研究经验，对自动驾驶的未来发展进行讲述。 内容难度：★☆☆（高中/大学非计算机专业学生均可以轻松学习） ?
64020发布于 2021-01-14 - 来自专栏WOLFRAM
Wolfram 语言构建 3D 自动驾驶汽车仿真
介绍 在本文中，我们将创建一个简单的驾驶模拟以训练分类器来自动驾驶虚拟汽车。我们的模拟将由用户或计算机组成的 3D 场景组成，该场景由多风的道路和单个汽车控制器组成。 我们将在“前进”方向生成训练数据，然后在相反方向测试训练好的自动驾驶汽车。 让我们来看看一些训练示例： TableForm@RandomSample[sim["History"], 3 训练自动驾驶汽车 生成示例数据后，我们现在准备训练分类器来驾驶汽车！ 尽管如此，凭借我们少量的示例数据，自动驾驶汽车表现良好。 Information[selfDrivingCar] 为了预览我们的自动驾驶汽车，我们将使用我们的新分类器来驾驶汽车进行一百次模拟。 结论 总之，我们可以使用 Mathematica 来创建和渲染 3D 模拟，同时还可以与其机器学习工具连接以构建完整的端到端实验系统。
67220发布于 2021-10-11 - 来自专栏量子位
奇瑞采用英伟达GPU，将实现L3自动驾驶
Root 编译整理 量子位 出品 | 公众号 QbitAI 汽车制造商奇瑞，将会使用德国采埃孚ProAI自动驾驶系统，以及英伟达专为无人车设计的DRIVE Xavier，实现L3级别的自动驾驶。 奇瑞入局自动驾驶后，不仅可以保证L3自动驾驶功能最大限度触及市场，还能以大众买得起的价格推出。 奇瑞汽车的优势，就是能把科技融合到物美价廉的汽车上。 根据发布会的消息，奇瑞也会继续在自动驾驶这块业务延续这个思路。 不过，消费级别的汽车中加上L3自动驾驶功能是个争议很大的话题。 部分汽车制造商和评论家认为，L3的车依然需要驾驶员实时监控路况，手动接管车辆。 如果驾驶员形成惯性依赖自动驾驶的功能，那么在车辆需要人工接管的时候，驾驶员可能就无法及时正确响应。 References： https://techcrunch.com/2018/01/16/chinas-chery-will-use-nvidia-powered-zf-proai-for-level-3-
64270发布于 2018-03-22 - 来自专栏新智元
特斯拉全自动驾驶3次撞上儿童假人，却是个阴谋？
---- 新智元报道 编辑：好困 桃子 【新智元导读】特斯拉连撞3个小孩，实则是一场「阴谋」？ 昨天，「黎明计划」一则特斯拉全自动驾驶连撞3次儿童假人的视频在网上爆火。 虽然在「黎明计划」的测试视频中，司机有按下自动驾驶杆的动作。 然而当我们暂停视频并放大之后，可以清楚地看到，FSD并没有被激活——路线指示是灰色的，自动驾驶的「蓝方向盘」也没有出现。 不仅悄悄地在PDF版里加入了一张「开启FSD的特斯拉Model 3的内部视图」，而且还补充了额外的视频片段来展示「测试时」的车内视角。 然而不管是图片还是视频，都和最初测试时候所呈现的并不一致。 特斯拉Model 3经过测试后，在32km/h下，整体表现比较难堪，刹车的力度和效果不理想。 红色为五次实验时撞击假人的平均速度 经过不断改进，特斯拉FSD在行人检测方面着实有很大提升。 前段时间，特斯拉自动驾驶被指虚假宣传。 加州机动车辆管理局(DMV)当时提交了2份诉讼称，特斯拉在宣传自家自动驾驶和全自动驾驶技术时做了虚假广告。
47230编辑于 2022-08-26 - 来自专栏人工智能快报
沃尔沃联合优步投资3亿美元发展自动驾驶汽车
据venturebeat.com网站报道，沃尔沃汽车集团联合优步投资3亿美元发展自动驾驶汽车。硅谷公司长期以来被传统汽车制造商视为本行业的颠覆性威胁，而这项联合投资则是两者合作的最新动向。 此次合作将见证这家瑞典汽车制造商（由中国吉利汽车所有）与网约车服务公司优步整合资源，对其旗舰车型XC90 SUV的自动驾驶功能进行初步开发。两家公司对此次合作的投资比例大致相当。 沃尔沃将在自己的自动驾驶项目中使用相同的汽车，该项目仍然会考虑汽车中有驾驶员的情况。 这项投资将用于研发适用于自动驾驶汽车的硬件（例如用于检测交通状况和障碍物的传感器）和软件。
57870发布于 2018-03-14 - 来自专栏决策智能与机器学习
【自动驾驶专题】|自动驾驶技术概况及挑战
而现阶段，大多数汽车则处于Level 2和Level 3之间，可见自动驾驶技术还任重道远。 ? 下图一目了然的展示了自动驾驶汽车相关的软、硬件技术。 当然，让自动驾驶汽车真正走入现实，还需要克服一系列的软、硬件上的技术难关。 现阶段，主要面临的有以下几点挑战。 数据存储 自动驾驶汽车会产生海量的数据。 但现阶段的自动驾驶技术，激光雷达对大多数环境感知都是必需的，它仍将是制造Level5级自动驾驶汽车昂贵的“拐杖”。 极端案例的获取 自从Uber和Tesla自动驾驶车辆卷入交通事故后，制造商意识到获取极端案例对训练自动驾驶汽车的重要性。极端案例（Corner Case），只在特殊情况下出现的路况。 黑箱问题不解决，难以让监管机构相信自动驾驶汽车是足够安全的。 ? 以上是自动驾驶汽车所面临的一些基本问题，还需要大量的资金投入和研究人员来解决。
1.5K10发布于 2020-08-04 - 来自专栏Frank909
ADASISv3简述，自动驾驶怎么进行地图数据传输？
简而言之，ADASIS v3 就是一个用于地图数据传输的通信协议。 2. 为什么需要 ADASIS? 做自动驾驶的公司很多，有主机厂、零部件供应商、图商等等。 ADASIS v3 面向车载以太网通信，带宽更大，所以能够支持高度自动驾驶。 本文快速讲解 ADAS v3 这个版本，我参考的是 v3.1.0 这个版本。 3. ADAS Application ADASIS v3 Protocol AHP、AHR、ADAS Application 它们代码可以位于不同进程，甚至不同的 ECU，这算异构技术，当然，高度自动驾驶没有那么多 5 辅助性 Data Provider 和传感器融合 在自动驾驶当中，摄像头和 GPS/IMU 结合地图一起做定位，而 ADASIS v3 没有强制只能有一个 Data Provider 存在。 数据融合在自动驾驶当中是个永恒的话题，在 ADASIS v3 也分了两种情况。 5.1 下游融合 这个算后融合吧。
2.8K11编辑于 2021-12-06 - 来自专栏深度学习和计算机视觉
自动驾驶汽车可用于处理急转弯的 3 种技术
自动驾驶汽车需要感知不同颜色和不同光照条件下的车道线，才能准确检测车道。除了速度和汽车动力学之外，它还应该知道车道曲率，以确定保持在车道上所需的转向角。 我们将介绍几种技术，使自动驾驶汽车可以用来在不同条件下找到车道线 技术 色彩空间 索贝尔算子 曲率半径 色彩空间 RGB 颜色空间适用于带有白色通道的图像，它与其他彩色车道相比有局限性。
82530编辑于 2022-02-12 - 来自专栏Frank909
自动驾驶激光点云 3D 目标检测 PointPillar 论文简述
SECOND 将速度提升到了 20Hz，但是仍然保留了 3D 卷积。 好了，轮到 PointPillar 出场了。 L 是 3x3 尺寸的 2D 卷积层数 F 是输出通道数 上采样的操作用 表示。 in 和 out 代表 stride 是从 in 的数量到 out 的数量. Detection Head PointPillar 中是用 SSD 来做 3D 检测的。 与先验的 box 对比采样的也是 2D 的 IoU。 AOS 是 average orientation similarity (AOS) 的意思，自然是衡量 3D box 的方向相似度。 所以，它很棒，点个赞，在自动驾驶世界中，快是王道，不讲速度的模型是耍流氓。
2.5K30编辑于 2021-12-06 - 来自专栏3D视觉从入门到精通
IDA-3D:基于立体视觉的自动驾驶深度感知的3D目标检测
标题：IDA-3D: Instance-Depth-Aware 3D Object Detection from Stereo Vision for Autonomous Driving 作者：Wanli 3.我们提供了KITTI 3D数据集[7]上的详细实验，与没有深度地图监督的基于双目的方法相比，达到了最先进的性能。 ? 算法流程 ? Bottom: Instance-depth-aware模块构建一个4D cost volume，并执行3DCNN来估算一个3D边框中心的深度。 2. 自3 d对象的中心有一个大动态范围的深度及其偏差占大多数的差异3 d对象检测,在本文中，我们单独设计了IDA模块来获取一个三维边界盒中心的深度，也称为实例深度。 依靠网络正则化，最终将3D CNN下采样的特征合并为3D box center的深度概率。
1.2K30发布于 2020-11-19 - 来自专栏新智元
苹果自动驾驶部门又走人了！这 3名高管相继离职
Tim Cook在2017年也在公开场合表示，苹果将专注于自动驾驶领域的研究，当时正是各大自动驾驶公司开始创业的初期，同时自动驾驶领域也被认为是AI技术最大的应用市场之一。 在2018年，苹果从特斯拉手中将老员工Doug Field重新招致麾下，他是特斯拉Model 3研发团队的核心之一，如今苹果自动驾驶团队的负责人，以及今年离职的那位来自Waymo团队的资深工程师Jaime 同年，苹果的自动驾驶团队由3台测试车辆扩张至55台自动驾驶车辆以及83名安全员，一跃成为美国仅次于通用Cuise的第二大自动驾驶车队。 疫情给美国经济带来的严重影响，加之自动驾驶商业化之路漫漫，开始让许多投资人对于自动驾驶失去了耐心。 自动驾驶被认为是AI技术最广阔的应用市场之一。 据麦肯锡公司预测，中国可能是全球最大的自动驾驶市场，到2030年，自动驾驶汽车总销售额将达2300亿美元，基于自动驾驶的出行服务订单金额将达2600亿美元。
32810编辑于 2023-05-22 - 来自专栏决策智能与机器学习
【自动驾驶专题】| Apollo自动驾驶 |定位技术
大多时候，GPS的精度在1至3米之间，在一些情况下，比如被高楼、山脉围绕或位于峡谷内时，可能只有10米，甚至50米，这对于无人驾驶汽车来说太不精确了。 对于自动驾驶汽车，加速度可以用三轴加速度计来测量。但仅使用加速度计还不足以计算我们的位置和速度。加速度计是在车辆坐标系记录中进行测量，我们需要知道如何将该测量值转换到全局坐标系。 但是，即使将二者结合使用，也不能完全解决自动驾驶的定位问题。比如，我们在山中或者地下隧道中行驶时，可能会长时间没有GPS更新，这会让整个定位系统面临失效风险。 3. 视觉定位 对于自动驾驶汽车，图像是收集起来最简单的数据类型。摄像头便宜且种类繁多，而且易于使用。 我们能够使用图像来定位汽车吗？事实上，单纯通过图像来实现车辆精确定位非常困难。 target=3
2.7K41发布于 2020-08-04 - 来自专栏决策智能与机器学习
【自动驾驶专题】|小白都会玩的自动驾驶算法
今天，我们介绍一个可实现自动驾驶的简单算法。 Conv2D(48, kernel_size=(5, 5),strides=(2,2),activation='elu')) model.add(Conv2D(64, kernel_size=(3, 3), activation='elu')) model.add(Conv2D(64, kernel_size=(3, 3), activation='elu')) model.add 可以看到，本算法实现了基本的自动驾驶功能，非常适合于初学者进行尝试。
91810发布于 2020-08-04 - 来自专栏Frank909
自动驾驶激光点云 3D 目标检测 VoxelNet 论文简述
自动驾驶感知视觉有 2 个流派，分别是摄像头视觉和激光雷达视觉，本文分析激光雷达视觉当中经典的算法模型 VoxelNet。 激光点云数据要做 3D 检测，效果如下图： 激光雷达也对环境进行测量，产生的是点云数据，所谓点云就是一个坐标有(x,y,z,r)这样的数据，xyz 代表 3 维坐标，r 代表信号反射强度。 点云是 3 维的，所有的点形成了点云，但可以想像用一个大的长方体能够把所有的点云装载进去。 论文中提到，RPN 中的 FCN网络分为 3 块。 每一块都会实现 2x 效果的下采样率。 然后，又实现了向上采样，将倒数 3 块上采样到固定的尺寸，然后拼接起来。 数据增强 在论文中数据增强洋洋洒洒写了 3 段，核心思想无非就是提出一种“pertutation"的操作。 将 3D box 绕 Z 轴旋转一定角度，然后 xyz 施加随机范围内的偏移量。
2K30编辑于 2021-12-06 - 来自专栏新智元
特斯拉自动驾驶系统FSD连撞3个假人小孩
了不得了，特斯拉的FSD在测试中， 连撞3个假人小孩，见一个撞一个，丝毫不带犹豫！ 特斯拉著名黑粉Dan O'Dowd大骂特斯拉的系统「史上最烂」，呼吁国会立即叫停这个系统。 这段32秒的视频显示，特斯拉的自动驾驶系统（FSD）在加州的一条测试跑道上，多次撞到儿童人体模型。 这与谷歌的Waymo等自动驾驶领域的竞争对手不同，Waymo需要遵守不同的报告标准，因为它们的系统不需要驾驶员监控车辆。 此前，一位试车手在测试Model 3的FSD后，这样描述道：「在车子以25英里的时速撞上并碾过人体模型后，它放慢了一点速度，表现得很困惑，像迷路了一样，然后摇摇晃晃地重新开起来，并且开始加速。」 他曾经为了「禁止特斯拉的自动驾驶汽车」这个议题，而参与竞选美国参议院（没错，就单纯是为了这个目的）。
61810编辑于 2022-08-26 - 来自专栏Vehicle攻城狮
聊聊自动驾驶
自动驾驶的分级 对自动驾驶的分级，全球汽车行业公认两个组织提出的：美国高速公路安全管理局（NHTSA）和美国机动车工程师学会（SAE），但在这两者中又以按SAE的分级标准居多，SAE将自动驾驶层级划分为 3. 传感器融合技术 自动驾驶车会载有激光雷达、RGB-D深度摄像头、超声波等不同位置的多个同类或不同类的传感器。 3. 软硬件开发能力 掌握编程语言是进行软件功能开发的基础，同时也会为我们查问题提供了保障，而软件功能则是需求的实现，如何将一复杂的系统需求通过编程的手段实现则是一种能力。 普及依然漫长 关于自动驾驶，正如英国 Millbrook 试验场首席自动驾驶汽车工程师 Peter Stoker所说：“如今，有关自动驾驶的炒作从来没有停止，但我们必须明确告诉大家，自动驾驶汽车并不会在未来几年中大量出现在人们的生活中 3. 充分的实验验证 自动驾驶汽车功能的测试验证需要足够且丰富的样本数据，样本数据的采集及算法的训练需要耗费长期且大量的时间积累，如下是2016年几大零部件供应商和OEM在该方面测试的里程数汇总。
61220编辑于 2022-04-19 - 来自专栏决策智能与机器学习
自动驾驶汽车控制模块简介 | 【自动驾驶专题】
自动驾驶汽车先使用感知模块了解其环境，并通过定位模块了解其在环境中的位置，然后使用规划模块进行决策并生成轨迹。 在自动驾驶中应用MPC，首先需要定义执行器，以表征移动车辆的元素。汽车有三个执行器：方向盘，加速踏板和制动踏板。MPC的目的是通过改变上这些致动器发挥方向盘的角度，则在加速器踏板压力或制动踏板。 MPC控制器可以允许车辆在保持安全的同时达到更快的速度，使自动驾驶更有乐趣。 结 语 对于我们想要自主的机器人和无人机，控制阶段是强制性的。
2.5K30发布于 2020-08-04 - 来自专栏AI科技大本营的专栏
奇点汽车打算明年推L3自动驾驶，不用激光雷达
按照黄浴博士的介绍，奇点 iS6 目前的硬件配置已经能够满足 L3 级别自动驾驶的算力需求，其车载计算平台是英伟达的 Drive PX2。 黄博士透露，奇点 iS6 量产版交付给预订车主时默认是 L2 级别自动驾驶，预计明年通过 OTA 空中升级的方式更新到 L3。 对于自动驾驶车和高精度地图采集而言，64 线或 128 线激光雷达是比较常见的性能规格。 按照黄浴博士的说法，自动驾驶可以分为数据（地图）—感知—规划决策—控制四个模块，奇点汽车目前遇到的挑战主要是在感知层面。 预计今年年底，iS6 的 L3 级别测试也将启动。
44620发布于 2018-07-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号