berita

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Setelah taksi self-driving Baidu "Carrot Run" keluar dari lingkaran, pengemudian otonom tampaknya benar-benar menjadi perhatian masyarakat awam. Namun, dalam pandangan sebagian besar praktisi, L4 Robotaxi atau sistem bantuan mengemudi cerdas untuk kendaraan listrik pintar saat ini masih jauh dari kemudahan penggunaan dan komersialisasi skala besar.

“Saat ini kami melihat sebagian besar NOA yang ada di perkotaan saat ini masih dalam tahap usable dan belum mencapai tahap easy use. Permasalahan utamanya masih rendahnya efisiensi lalu lintas dan perilaku impersonal. cakupan perkotaan oleh perusahaan mobil telah menyebabkan penurunan ketersediaan sistem. Sistem Smart Driving 2.0 yang benar-benar mudah digunakan harus memberikan pengalaman berkendara cerdas yang antropomorfik.” Forum Otomotif bahwa mengemudi otonom akan mengantarkan momen ChatGPT.

Mulai awal tahun 2023, Tesla mengklaim telah mengadopsi model FSD versi V12 berskala besar yang sepenuhnya end-to-end, yang kemudian memicu diskusi ekstensif di industri, perusahaan mobil seperti Xpeng dan Weilai, serta pemasok perusahaan seperti Horizon dan Yuanrong Qixing, berturut-turut mengumumkan bahwa mereka akan menerapkan sistem mengemudi cerdas ujung ke ujung.

Baru-baru ini, Chentao Capital dan tiga pihak merilis "Laporan Penelitian Industri Penggerak Otonomi End-to-End" (selanjutnya disebut sebagai "Laporan"). "Laporan" tersebut menunjukkan bahwa di antara lebih dari 30 pakar garis depan di bidang otonom industri penggerak yang diwawancarai olehnya, 90% Dia mengatakan bahwa perusahaan tempat dia bekerja telah berinvestasi dalam penelitian dan pengembangan teknologi end-to-end, dan sebagian besar perusahaan teknologi percaya bahwa revolusi teknologi ini tidak dapat dilewatkan.

Yu Qian, salah satu pendiri dan CEO Qingzhou Zhihang, percaya bahwa teknologi end-to-end terkini telah memberikan tren yang jelas dalam evolusi teknologi mengemudi cerdas.

Informasi publik menunjukkan bahwa end-to-end adalah sebuah konsep dalam pembelajaran mendalam, yang mengacu pada model AI yang dapat mengeluarkan hasil akhir selama data asli dimasukkan. Contoh tipikal adalah ChatGPT yang populer. Penerapan teknologi end-to-end dalam mengemudi otonom telah mengubah arsitektur asli dari berbagai model seperti persepsi, prediksi, dan perencanaan menjadi arsitektur model tunggal "persepsi dan pengambilan keputusan yang terintegrasi". Dalam istilah awam, di masa lalu, rute mengemudi otonom seperti banyak orang yang mengendarai mobil, tetapi teknologi end-to-end adalah mengemudi satu orang, yang lebih mirip dengan mengemudi manusia sebenarnya.

“Model besar end-to-end dilatih berdasarkan model probabilistik. Salah satu masalahnya adalah bahwa untuk skenario yang relatif sederhana dan mudah dijelaskan, keluarannya seringkali tidak begitu akurat dan keuntungannya relatif rendah; telah melakukan cukup banyak hal di bidang ini. Lumayan, tetapi masalah ini belum sepenuhnya terselesaikan. Kami yakin bahwa dengan kurangnya data yang memadai, kami masih perlu menerapkan implementasi end-to-end secara bertahap, penggantian modul demi modul, dan menyelesaikan end-to-end sambil memastikan keamanan. Infrastruktur teknik yang relatif solid dan metode iterasi yang cepat dapat secara bertahap meningkatkan batas atas kinerja sistem sekaligus memastikan batas bawah kinerja sistem,” kata Chen Liming.

CTO Cerdas Saiko Yu Qiankun mengatakan kepada wartawan bahwa aplikasi mengemudi cerdas model end-to-end dapat dibagi menjadi dua tahap: tahap pertama adalah solusi dua model, yang merupakan arah yang lebih umum di industri saat ini, tetapi tahap kedua- model Karena ada keluaran eksplisit di tengah, pasti akan ada kehilangan informasi dalam solusi -model, sehingga sulit untuk memanfaatkan sepenuhnya informasi sensor; tahap kedua adalah solusi satu model, yaitu satu -langkah solusi. Saat ini banyak orang yang melakukan penelitian pendahuluan yang mendekati arah AGI, namun arah ini relatif sulit, dan diperkirakan baru akan terlihat penerapan skala besar dalam 3-5 tahun. Nanti. Perlu dicatat bahwa banyak perusahaan mobil belum sepenuhnya menyerah pada “kontrol aturan” tradisional setelah mengumumkan peluncuran kendaraan “end-to-end”.

Seorang insinyur algoritma mengemudi otonom dari sebuah perusahaan mobil mengatakan bahwa karena hasil yang dikeluarkan oleh jaringan saraf memiliki tingkat probabilitas tertentu, tidak ada jaminan bahwa hasil keluaran tersebut benar-benar aman. Oleh karena itu, setelah model besar end-to-end diluncurkan, metode aturan masih diperlukan. Saat ini, sebagian besar sistem penggerak cerdas ujung ke ujung masih menggunakan beberapa metode aturan untuk melakukan verifikasi sekunder pada keluaran jaringan saraf.

Saat ini, industri umumnya percaya bahwa kesenjangan kemajuan penelitian dan pengembangan antara perusahaan mobil dalam negeri dan Tesla adalah sekitar 1,5 hingga 2 tahun. Gu Junli, wakil manajer umum Chery Automobile Co., Ltd., percaya bahwa untuk mengejar Tesla dalam hal model bisnis, produk harus ditingkatkan. "Ketika data mencapai level Tesla lebih dari satu juta, melalui pelatihan model yang intensif, mengemudi cerdas dapat mempelajari aliran video dan secara langsung memberi tahu pengemudi arah mengemudi, seperti yang dikatakan ChatGPT yang populer saat ini."

Dibandingkan dengan Tesla, yang hampir menjadi satu-satunya di luar negeri, sistem penggerak cerdas dalam negeri berada pada tahap di mana ratusan bunga bermekaran. Sulit untuk menghubungkan data antara model yang berbeda dan solusi teknis yang berbeda, yang membawa kesulitan tertentu pada akhirnya -end model skala besar yang didorong oleh data.

Chen Liming berkata: "Kesulitan yang kami hadapi saat ini adalah arsitektur banyak model dan sensor, pengaturan dan adopsi sensor, dll. terus berubah. Meskipun kami telah mengumpulkan banyak data, data tersebut tidak terakumulasi dalam jumlah besar. berkualitas dan dapat digunakan terus menerus. Ya, ini adalah pertanyaan yang perlu kita diskusikan tidak hanya sebagai perusahaan, tetapi sebagai industri secara keseluruhan. Dengan kata lain, bagaimana OEM dan perusahaan teknologi dapat bekerja sama untuk menyelesaikan masalah ini adalah sesuatu yang kita semua butuhkan perlu berdiskusi bersama.”

Yu Qiankun juga percaya bahwa aplikasi teknik end-to-end saat ini menghadapi masalah seperti kelengkapan pengumpulan data yang buruk, pengumpulan data yang tidak dapat digunakan kembali, dan daya komputasi pelatihan yang rendah.