notizia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Dopo che il taxi a guida autonoma "Carrot Run" di Baidu è uscito dal cerchio, la guida autonoma sembra essere davvero arrivata alla gente comune. Tuttavia, secondo la maggior parte dei professionisti, gli attuali Robotaxi L4 o i sistemi intelligenti di assistenza alla guida per veicoli elettrici intelligenti sono ancora lontani dall’essere facili da usare e dalla commercializzazione su larga scala.

"Al momento, vediamo che la maggior parte degli attuali NOA nelle aree urbane sono ancora nella fase utilizzabile e non hanno ancora raggiunto la fase di facile utilizzo. I problemi principali sono ancora la scarsa efficienza del traffico e il comportamento impersonale. Il rapido aumento del numero della copertura urbana da parte delle case automobilistiche ha portato a una diminuzione della disponibilità del sistema. Il tasso è basso. Un sistema Smart Driving 2.0 veramente facile da usare deve fornire un’esperienza di guida intelligente antropomorfica, ha affermato Chen Liming al recente 2024 China Automobile Forum che la guida autonoma inaugurerà il momento ChatGPT.

A partire dall'inizio del 2023, Tesla ha affermato di aver adottato un modello su larga scala completamente end-to-end della versione V12 di FSD, che ha successivamente innescato ampie discussioni nel settore, tra cui aziende automobilistiche come Xpeng e Weilai, nonché fornitori; aziende come Horizon e Yuanrong Qixing, hanno successivamente annunciato che avrebbero implementato un sistema di guida intelligente end-to-end.

Recentemente, Chentao Capital e tre parti hanno pubblicato il "Rapporto di ricerca sull'industria della guida autonoma end-to-end" (di seguito denominato "Rapporto"). Il "Rapporto" mostra che tra gli oltre 30 esperti in prima linea nel settore autonomo settore trainante intervistato da esso, 90% Ha affermato che l'azienda per cui lavora ha investito nella ricerca e nello sviluppo della tecnologia end-to-end e la maggior parte delle aziende tecnologiche ritiene che sia insopportabile perdere questa rivoluzione tecnologica.

Yu Qian, co-fondatore e CEO di Qingzhou Zhihang, ritiene che la recente tecnologia end-to-end abbia dato una chiara tendenza all'evoluzione della tecnologia di guida intelligente.

Le informazioni pubbliche mostrano che end-to-end è un concetto di deep learning, che si riferisce a un modello di intelligenza artificiale in grado di produrre il risultato finale purché vengano immessi i dati originali. Un tipico esempio è il popolare ChatGPT. L’applicazione della tecnologia end-to-end nella guida autonoma ha trasformato l’architettura originale di molteplici modelli come percezione, previsione e pianificazione in un’architettura a modello unico di “percezione e processo decisionale integrati”. In parole povere, in passato, i percorsi di guida autonoma erano come più persone alla guida di un'auto, ma la tecnologia end-to-end prevede la guida di una sola persona, che è più vicina alla vera guida umana.

"Il grande modello end-to-end viene addestrato sulla base di un modello probabilistico. Un problema è che per scenari relativamente semplici e facili da descrivere, il suo output spesso non è così accurato e il risultato finale è relativamente basso; Tesla ha fatto parecchio in questo settore. Non male, ma questo problema non è stato completamente risolto. Riteniamo che, data l'attuale mancanza di dati sufficienti, dobbiamo ancora implementare gradualmente la sostituzione end-to-end, modulo per modulo. completo end-to-end garantendo allo stesso tempo la sicurezza. Un'infrastruttura ingegneristica relativamente solida e un metodo di iterazione rapida possono aumentare gradualmente il limite superiore delle prestazioni del sistema garantendo allo stesso tempo il limite inferiore delle prestazioni del sistema," ha affermato Chen Liming.

Il CTO di Saiko Intelligent Yu Qiankun ha detto ai giornalisti che l'applicazione di guida intelligente del modello end-to-end può essere divisa in due fasi: la prima fase è la soluzione a due modelli, che è una direzione più mainstream nel settore al momento, ma due- modello Poiché c'è un output esplicito nel mezzo, ci sarà inevitabilmente una perdita di informazioni nella soluzione -modello, rendendo difficile sfruttare appieno le informazioni del sensore. La seconda fase è la soluzione a modello singolo, che è un uno Soluzione a fasi Attualmente, molte persone stanno facendo ricerche preliminari, che sono più vicine alla direzione dell'AGI, ma questa direzione è relativamente difficile e si stima che non vedrà alcune applicazioni su larga scala prima di 3-5 anni. Dopo. Va sottolineato che molte case automobilistiche non hanno rinunciato del tutto al tradizionale "controllo delle regole" dopo aver annunciato il lancio di veicoli "end-to-end".

Un ingegnere di algoritmi di guida autonoma di una casa automobilistica ha affermato che, poiché i risultati emessi dalla rete neurale hanno un certo grado di probabilità, non vi è alcuna garanzia che i risultati in uscita siano assolutamente sicuri. Pertanto, dopo il lancio del modello end-to-end di grandi dimensioni, il metodo delle regole avrà ancora la sua necessità. Al momento, la maggior parte dei sistemi di guida intelligente end-to-end utilizza ancora alcuni metodi di regole per eseguire una verifica secondaria sull’output della rete neurale.

Attualmente, l’industria ritiene generalmente che il divario nei progressi nella ricerca e nello sviluppo tra le case automobilistiche nazionali e Tesla sia di circa 1,5-2 anni. Gu Junli, vice direttore generale di Chery Automobile Co., Ltd., ritiene che per raggiungere Tesla in termini di modello di business, i prodotti debbano essere ampliati. "Quando i dati raggiungono il livello Tesla di oltre un milione, attraverso l'addestramento intensivo del modello, la guida intelligente può apprendere il flusso video e indicare direttamente al conducente la direzione di guida, proprio come ha affermato Gu Junli, attualmente popolare."

Rispetto a Tesla, che è quasi l'unica all'estero, i sistemi di guida intelligenti nazionali sono in una fase in cui sbocciano centinaia di fiori. È difficile collegare i dati tra diversi modelli e diverse soluzioni tecniche, il che porta alcune difficoltà alla fine modello su larga scala guidato dai dati.

Chen Liming ha dichiarato: "La difficoltà che stiamo incontrando attualmente è che l'architettura di molti modelli e sensori, la disposizione e l'adozione dei sensori, ecc. cambiano costantemente. Sebbene abbiamo raccolto molti dati, i dati non vengono accumulati in alta qualità e può essere utilizzato continuamente. Sì, questa è una questione di cui dobbiamo discutere non solo come azienda, ma come intero settore. In altre parole, il modo in cui gli OEM e le aziende tecnologiche possono lavorare insieme per risolvere questo problema è qualcosa che riguarda tutti dobbiamo discutere insieme.”

Yu Qiankun ritiene inoltre che le applicazioni ingegneristiche end-to-end si trovino attualmente ad affrontare problemi quali la scarsa completezza della raccolta dei dati, la scarsa riusabilità della raccolta dei dati e la bassa potenza di calcolo per la formazione.