Νέα

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Αφού το αυτοοδηγούμενο ταξί της Baidu «Carrot Run» βγήκε από τον κύκλο, η αυτόνομη οδήγηση φαίνεται να έχει έρθει πραγματικά στους απλούς ανθρώπους. Ωστόσο, κατά την άποψη των περισσότερων επαγγελματιών, το τρέχον L4 Robotaxi ή τα έξυπνα συστήματα υποβοήθησης οδήγησης για έξυπνα ηλεκτρικά οχήματα απέχουν ακόμη πολύ από το να είναι εύχρηστα και μεγάλης κλίμακας εμπορευματοποίηση.

"Προς το παρόν, βλέπουμε ότι το μεγαλύτερο μέρος του τρέχοντος NOA στις αστικές περιοχές είναι ακόμα σε αξιοποιήσιμο στάδιο και δεν έχει φτάσει ακόμη στο στάδιο της εύκολης χρήσης. Τα κύρια προβλήματα εξακολουθούν να είναι η χαμηλή απόδοση κυκλοφορίας και η απρόσωπη συμπεριφορά. Η ταχεία αύξηση του αριθμού Η αστική κάλυψη από τις εταιρείες αυτοκινήτων οδήγησε σε μείωση της διαθεσιμότητας του συστήματος Φόρουμ αυτοκινήτου που η αυτόνομη οδήγηση θα εγκαινιάσει τη στιγμή του ChatGPT.

Ξεκινώντας στις αρχές του 2023, η Tesla ισχυρίστηκε ότι υιοθέτησε ένα πλήρως ολοκληρωμένο μοντέλο της V12 έκδοσης του FSD, το οποίο πυροδότησε εκτενείς συζητήσεις στη βιομηχανία, όπως η Xpeng και η Weilai, καθώς και ο προμηθευτής εταιρείες όπως η Horizon και η Yuanrong Qixing, ανακοίνωσαν διαδοχικά ότι θα αναπτύξουν ένα έξυπνο σύστημα οδήγησης από άκρο σε άκρο.

Πρόσφατα, η Chentao Capital και τρία μέρη κυκλοφόρησαν την "Έρευνα για την Αυτόνομη Βιομηχανία Οδήγησης από άκρο σε άκρο" (εφεξής η "Έκθεση" δείχνει ότι μεταξύ των περισσότερων από 30 εμπειρογνωμόνων πρώτης γραμμής στο αυτόνομο). Ο κλάδος οδήγησης ερωτήθηκε από αυτήν, το 90% Είπε ότι η εταιρεία για την οποία εργάζεται έχει επενδύσει στην έρευνα και ανάπτυξη τεχνολογίας από άκρο σε άκρο και οι περισσότερες εταιρείες τεχνολογίας πιστεύουν ότι είναι αφόρητο να χάσουμε αυτήν την τεχνολογική επανάσταση.

Ο Yu Qian, συνιδρυτής και διευθύνων σύμβουλος της Qingzhou Zhihang, πιστεύει ότι η πρόσφατη τεχνολογία end-to-end έχει δώσει μια σαφή τάση στην εξέλιξη της τεχνολογίας έξυπνης οδήγησης.

Οι δημόσιες πληροφορίες δείχνουν ότι το end-to-end είναι μια έννοια στη βαθιά εκμάθηση, η οποία αναφέρεται σε ένα μοντέλο AI που μπορεί να παράγει το τελικό αποτέλεσμα εφόσον εισάγονται τα αρχικά δεδομένα. Χαρακτηριστικό παράδειγμα είναι το δημοφιλές ChatGPT. Η εφαρμογή της τεχνολογίας από άκρο σε άκρο στην αυτόνομη οδήγηση έχει μετατρέψει την αρχική αρχιτεκτονική πολλών μοντέλων όπως η αντίληψη, η πρόβλεψη και ο σχεδιασμός σε μια αρχιτεκτονική ενός μοντέλου «ολοκληρωμένης αντίληψης και λήψης αποφάσεων». Με απλούς όρους, στο παρελθόν, οι διαδρομές αυτόνομης οδήγησης έμοιαζαν με πολλούς ανθρώπους να οδηγούν ένα αυτοκίνητο, αλλά η τεχνολογία end-to-end είναι η οδήγηση ενός ατόμου, η οποία είναι πιο κοντά στην πραγματική ανθρώπινη οδήγηση.

"Το μεγάλο μοντέλο από άκρο σε άκρο εκπαιδεύεται με βάση ένα πιθανολογικό μοντέλο. Ένα πρόβλημα που έχει είναι ότι για σχετικά απλά και εύκολα στην περιγραφή σενάρια, η απόδοσή του δεν είναι συχνά τόσο ακριβής και το τελικό αποτέλεσμα είναι σχετικά χαμηλό. Tesla έχει κάνει πολλά σε αυτόν τον τομέα Δεν είναι κακό, αλλά αυτό το πρόβλημα δεν έχει λυθεί πλήρως. πλήρης από άκρο σε άκρο διασφαλίζοντας ταυτόχρονα την ασφάλεια Μια σχετικά σταθερή μηχανική υποδομή και μέθοδος ταχείας επανάληψης μπορούν σταδιακά να αυξήσουν το ανώτερο όριο απόδοσης του συστήματος, διασφαλίζοντας ταυτόχρονα το κατώτερο όριο απόδοσης του συστήματος», δήλωσε ο Chen Liming.

Ο CTO της Saiko Intelligent Yu Qiankun είπε στους δημοσιογράφους ότι η εφαρμογή έξυπνης οδήγησης από άκρο σε άκρο μπορεί να χωριστεί σε δύο στάδια: το πρώτο στάδιο είναι η λύση δύο μοντέλων, η οποία είναι μια πιο κυρίαρχη κατεύθυνση στον κλάδο προς το παρόν, αλλά δύο Μοντέλο Επειδή υπάρχει σαφής έξοδος στη μέση, θα υπάρξει αναπόφευκτα κάποια απώλεια πληροφοριών στη λύση του μοντέλου, γεγονός που καθιστά δύσκολη την πλήρη χρήση των πληροφοριών του αισθητήρα, το δεύτερο στάδιο είναι η λύση ενός μοντέλου. Επί του παρόντος, υπάρχουν πολλοί άνθρωποι που κάνουν προκαταρκτική έρευνα, η οποία είναι πιο κοντά στην κατεύθυνση του AGI, αλλά αυτή η κατεύθυνση είναι σχετικά δύσκολη και εκτιμάται ότι δεν θα δει κάποιες εφαρμογές μεγάλης κλίμακας παρά μόνο 3-5 χρόνια αργότερα. . Θα πρέπει να επισημανθεί ότι πολλές εταιρείες αυτοκινήτων δεν έχουν εγκαταλείψει εντελώς τον παραδοσιακό «έλεγχο με τους κανόνες» μετά την ανακοίνωσή της κυκλοφορίας οχημάτων «από άκρο σε άκρο».

Ένας μηχανικός αλγορίθμων αυτόνομης οδήγησης από μια εταιρεία αυτοκινήτων είπε ότι επειδή τα αποτελέσματα που εξάγονται από το νευρωνικό δίκτυο έχουν έναν ορισμένο βαθμό πιθανότητας, δεν υπάρχει καμία εγγύηση ότι τα αποτελέσματα εξόδου είναι απολύτως ασφαλή. Επομένως, μετά την κυκλοφορία του μεγάλου μοντέλου από άκρο σε άκρο, η μέθοδος κανόνα θα εξακολουθεί να έχει την αναγκαιότητά της. Προς το παρόν, τα περισσότερα έξυπνα συστήματα οδήγησης από άκρο σε άκρο εξακολουθούν να χρησιμοποιούν ορισμένες μεθόδους κανόνων για την εκτέλεση δευτερογενούς επαλήθευσης στην έξοδο του νευρωνικού δικτύου.

Επί του παρόντος, ο κλάδος πιστεύει γενικά ότι το χάσμα προόδου έρευνας και ανάπτυξης μεταξύ των εγχώριων εταιρειών αυτοκινήτων και της Tesla είναι περίπου 1,5 έως 2 χρόνια. Ο Gu Junli, αναπληρωτής γενικός διευθυντής της Chery Automobile Co., Ltd., πιστεύει ότι για να φτάσει η Tesla όσον αφορά το επιχειρηματικό μοντέλο, τα προϊόντα πρέπει να κλιμακωθούν. «Όταν τα δεδομένα φτάσουν το επίπεδο Tesla άνω του ενός εκατομμυρίου, μέσω της εντατικής εκπαίδευσης του μοντέλου, η έξυπνη οδήγηση μπορεί να μάθει τη ροή βίντεο και να πει απευθείας στον οδηγό την κατεύθυνση οδήγησης, όπως είπε το επί του παρόντος δημοφιλές ChatGPT».

Σε σύγκριση με την Tesla, η οποία είναι σχεδόν η μόνη στο εξωτερικό, τα εγχώρια έξυπνα συστήματα οδήγησης βρίσκονται σε ένα στάδιο όπου ανθίζουν εκατοντάδες λουλούδια -Τέλος μοντέλου μεγάλης κλίμακας που βασίζεται σε δεδομένα.

Ο Chen Liming είπε: "Η δυσκολία που αντιμετωπίζουμε αυτή τη στιγμή είναι ότι η αρχιτεκτονική πολλών μοντέλων και αισθητήρων, η διάταξη και η υιοθέτηση αισθητήρων κ.λπ. αλλάζουν συνεχώς. Αν και έχουμε συλλέξει πολλά δεδομένα, τα δεδομένα δεν συγκεντρώνονται σε υψηλό επίπεδο Ποιότητα και μπορεί να χρησιμοποιηθεί συνεχώς Ναι, αυτό είναι ένα ερώτημα που πρέπει να συζητήσουμε όχι μόνο ως εταιρεία, αλλά ως ολόκληρη βιομηχανία πρέπει να συζητήσουμε μαζί».

Ο Yu Qiankun πιστεύει επίσης ότι οι εφαρμογές μηχανικής από άκρο σε άκρο αντιμετωπίζουν προβλήματα όπως η κακή πληρότητα της συλλογής δεδομένων, η κακή επαναχρησιμοποίηση της συλλογής δεδομένων και η χαμηλή υπολογιστική ισχύς εκπαίδευσης.