Nachricht

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Nachdem Baidus selbstfahrendes Taxi „Carrot Run“ den Kreis verlassen hat, scheint autonomes Fahren wirklich für den Normalbürger angekommen zu sein. Allerdings sind die aktuellen L4-Robotaxi bzw. intelligente Fahrassistenzsysteme für smarte Elektrofahrzeuge aus Sicht der meisten Praktiker noch weit von einer einfachen Bedienbarkeit und einer großflächigen Kommerzialisierung entfernt.

„Derzeit sehen wir, dass sich die meisten aktuellen NOA in städtischen Gebieten noch im nutzbaren Stadium befinden und noch nicht das Stadium der einfachen Nutzung erreicht haben. Die Hauptprobleme sind immer noch die geringe Verkehrseffizienz und das unpersönliche Verhalten. Der schnelle Anstieg der Zahl.“ „Die Reichweite der Autofirmen in den Städten hat zu einem Rückgang der Systemverfügbarkeit geführt.“ Automobilforum, dass autonomes Fahren den ChatGPT-Moment einläuten wird.

Ab Anfang 2023 gab Tesla an, ein vollständig durchgängiges Großserienmodell der V12-Version von FSD eingeführt zu haben, was daraufhin umfangreiche Diskussionen in der Branche, bei Automobilherstellern wie Xpeng und Weilai sowie bei Zulieferern auslöste Unternehmen wie Horizon und Yuanrong Qixing kündigten nacheinander an, dass sie ein durchgängiges intelligentes Fahrsystem einführen würden.

Kürzlich haben Chentao Capital und drei Parteien den „End-to-End Autonomous Driving Industry Research Report“ (im Folgenden als „Bericht“ bezeichnet) veröffentlicht. Der „Bericht“ zeigt, dass unter den mehr als 30 Experten im Bereich autonomes Fahren Von ihm befragte treibende Industrie, 90 % Er sagte, dass das Unternehmen, für das er arbeitet, in die Forschung und Entwicklung von End-to-End-Technologie investiert hat und die meisten Technologieunternehmen glauben, dass es unerträglich ist, diese technologische Revolution zu verpassen.

Yu Qian, Mitbegründer und CEO von Qingzhou Zhihang, ist davon überzeugt, dass die jüngste End-to-End-Technologie einen klaren Trend in der Entwicklung der intelligenten Fahrtechnologie gesetzt hat.

Öffentliche Informationen zeigen, dass End-to-End ein Konzept im Deep Learning ist, das sich auf ein KI-Modell bezieht, das das Endergebnis ausgeben kann, solange die Originaldaten eingegeben werden. Ein typisches Beispiel ist das beliebte ChatGPT. Die Anwendung der End-to-End-Technologie beim autonomen Fahren hat die ursprüngliche Architektur mehrerer Modelle wie Wahrnehmung, Vorhersage und Planung in eine Einzelmodellarchitektur der „integrierten Wahrnehmung und Entscheidungsfindung“ umgewandelt. Laienhaft ausgedrückt waren autonome Fahrrouten in der Vergangenheit so, als würden mehrere Personen ein Auto fahren, aber die End-to-End-Technologie ist das Fahren einer einzelnen Person, was dem echten menschlichen Fahren näher kommt.

„Das End-to-End-Großmodell wird auf der Grundlage eines probabilistischen Modells trainiert. Ein Problem besteht darin, dass bei relativ einfachen und leicht zu beschreibenden Szenarien die Ausgabe oft nicht so genau ist und das Endergebnis relativ niedrig ist; Tesla.“ In diesem Bereich hat sich nicht viel getan, aber wir glauben, dass wir angesichts des derzeitigen Mangels an ausreichenden Daten immer noch einen durchgängigen Modul-für-Modul-Austausch durchführen müssen „Eine relativ solide technische Infrastruktur und eine schnelle Iterationsmethode können die Obergrenze der Systemleistung schrittweise erhöhen und gleichzeitig die Untergrenze der Systemleistung sicherstellen“, sagte Chen Liming.

Yu Qiankun, CTO von Saiko Intelligent, sagte Reportern, dass die End-to-End-Modell-Smart-Driving-Anwendung in zwei Phasen unterteilt werden kann: Die erste Phase ist die Zwei-Modell-Lösung, die derzeit eine eher gängige Richtung in der Branche darstellt, aber zwei- Da es in der Mitte eine explizite Ausgabe gibt, kommt es in der Modelllösung zwangsläufig zu einem gewissen Informationsverlust, was es schwierig macht, die Sensorinformationen vollständig zu nutzen. Die zweite Stufe ist die Ein-Modell-Lösung, bei der es sich um eine Ein-Modell-Lösung handelt. Derzeit gibt es viele Leute, die vorläufige Forschung betreiben, die eher der Richtung von AGI entspricht, aber diese Richtung ist relativ schwierig, und es wird geschätzt, dass es erst in 3 bis 5 Jahren einige groß angelegte Anwendungen geben wird . Es sollte darauf hingewiesen werden, dass viele Automobilhersteller die traditionelle „Regelkontrolle“ nach der Ankündigung von „End-to-End“-Fahrzeugeinführungen nicht vollständig aufgegeben haben.

Ein Ingenieur für autonome Fahralgorithmen eines Automobilherstellers sagte, dass es keine Garantie dafür gebe, dass die Ausgabeergebnisse absolut sicher seien, da die vom neuronalen Netzwerk ausgegebenen Ergebnisse einen gewissen Grad an Wahrscheinlichkeit hätten. Daher wird die Regelmethode auch nach dem Start des End-to-End-Großmodells weiterhin ihre Notwendigkeit haben. Derzeit verwenden die meisten intelligenten End-to-End-Fahrsysteme noch einige Regelmethoden, um eine sekundäre Überprüfung der Ausgabe des neuronalen Netzwerks durchzuführen.

Derzeit geht die Branche allgemein davon aus, dass die Lücke im Forschungs- und Entwicklungsfortschritt zwischen inländischen Automobilherstellern und Tesla etwa 1,5 bis 2 Jahre beträgt. Gu Junli, stellvertretender Geschäftsführer von Chery Automobile Co., Ltd., glaubt, dass die Produkte vergrößert werden müssen, um mit Tesla in Bezug auf das Geschäftsmodell gleichzuziehen. „Wenn die Daten das Tesla-Niveau von mehr als einer Million erreichen, kann Smart Driving durch intensives Training des Modells den Videostream lernen und dem Fahrer direkt die Fahrtrichtung mitteilen, genau wie das derzeit beliebte ChatGPT sagte.“

Im Vergleich zu Tesla, das fast das einzige Unternehmen im Ausland ist, befinden sich inländische intelligente Fahrsysteme in einem Stadium, in dem Hunderte von Blumen blühen. Es ist schwierig, Daten zwischen verschiedenen Modellen und verschiedenen technischen Lösungen zu verbinden, was letztendlich gewisse Schwierigkeiten mit sich bringt -End-Großmodell, das auf Daten basiert.

Chen Liming sagte: „Die Schwierigkeit, auf die wir derzeit stoßen, besteht darin, dass sich die Architektur vieler Modelle und Sensoren, die Anordnung und Verwendung von Sensoren usw. ständig ändern. Obwohl wir viele Daten gesammelt haben, werden die Daten nicht in hoher Höhe gesammelt.“ Ja, das ist eine Frage, die wir nicht nur als Unternehmen, sondern als ganze Branche diskutieren müssen. Mit anderen Worten: Wie OEMs und Technologieunternehmen zusammenarbeiten können, um dieses Problem zu lösen muss gemeinsam besprochen werden.“

Yu Qiankun ist außerdem der Ansicht, dass End-to-End-Engineering-Anwendungen derzeit mit Problemen wie schlechter Vollständigkeit der Datenerfassung, schlechter Wiederverwendbarkeit der Datenerfassung und geringer Trainingsrechenleistung konfrontiert sind.