Новости

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

После того, как беспилотное такси Baidu «Carrot Run» вышло из круга общения, автономное вождение, похоже, действительно стало доступно обычным людям. Однако, по мнению большинства практиков, нынешние L4 Robotaxi или интеллектуальные системы помощи при вождении для умных электромобилей все еще далеки от простоты использования и крупномасштабной коммерциализации.

«В настоящее время мы видим, что большая часть нынешних НОА в городских районах все еще находится в стадии использования и еще не достигла стадии удобного использования. Основными проблемами по-прежнему являются низкая эффективность дорожного движения и безличное поведение. Быстрый рост количества Покрытие города автомобильными компаниями привело к снижению доступности системы. По-настоящему простая в использовании система Smart Driving 2.0 должна обеспечивать антропоморфное умное вождение», — заявил президент Horizon Чэнь Лимин на недавней выставке 2024 China. Автомобильный форум о том, что автономное вождение откроет момент ChatGPT.

Начиная с начала 2023 года Tesla заявила, что приняла на вооружение полностью комплексную крупномасштабную модель версии FSD V12, что впоследствии вызвало широкие дискуссии в отрасли среди автомобильных компаний, таких как Xpeng и Weilai, а также среди поставщиков; такие компании, как Horizon и Yuanrong Qixing, последовательно объявили, что развернут комплексную интеллектуальную систему вождения.

Недавно компания Chentao Capital и три стороны опубликовали «Отчет о комплексном исследовании индустрии автономного вождения» (далее «Отчет»). автомобильная промышленность, опрошенные им, 90% Он сказал, что компания, в которой он работает, инвестировала в исследования и разработки сквозных технологий, и большинство технологических компаний считают, что пропустить эту технологическую революцию невыносимо.

Юй Цянь, соучредитель и генеральный директор Qingzhou Zhihang, считает, что недавние комплексные технологии дали четкую тенденцию в развитии технологий интеллектуального вождения.

Публичная информация показывает, что сквозное обучение — это концепция глубокого обучения, которая относится к модели искусственного интеллекта, которая может выводить конечный результат при условии ввода исходных данных. Типичным примером является популярный ChatGPT. Применение комплексных технологий в автономном вождении превратило первоначальную архитектуру множества моделей, таких как восприятие, прогнозирование и планирование, в единую модель архитектуры «интегрированного восприятия и принятия решений». С точки зрения непрофессионала, в прошлом маршруты автономного вождения напоминали несколько человек, управляющих автомобилем, но сквозная технология — это вождение одним человеком, что ближе к реальному вождению человека.

«Сквозная большая модель обучается на основе вероятностной модели. Одна из проблем с ней заключается в том, что для относительно простых и легко описываемых сценариев ее выходные данные часто не столь точны, а итоговая прибыль относительно низка; Тесла сделано довольно много в этой области. Неплохо, но эта проблема не решена полностью. Мы считаем, что при нынешней нехватке достаточных данных нам все равно необходимо постепенно внедрять сквозную, модульную замену, и Полный комплексный подход при обеспечении безопасности. Относительно прочная инженерная инфраструктура и метод быстрой итерации могут постепенно повысить верхний предел производительности системы, одновременно обеспечивая при этом нижний предел производительности системы», — сказал Чэнь Лимин.

Технический директор Saiko Intelligent Юй Цянькунь сообщил журналистам, что комплексное приложение для интеллектуального вождения можно разделить на два этапа: первый этап — это решение с двумя моделями, которое в настоящее время является более распространенным направлением в отрасли, но двухэтапное. модель. Поскольку в середине имеется явный вывод, в решении -модели неизбежно произойдет некоторая потеря информации, что затрудняет полное использование информации датчика. Второй этап - это решение с одной моделью, которое является единственным; Многоступенчатое решение. В настоящее время многие люди проводят предварительные исследования, которые ближе к направлению AGI, но это направление относительно сложное, и, по оценкам, оно не увидит крупномасштабного применения до 3-5 лет. позже. Следует отметить, что многие автомобильные компании не отказались полностью от традиционного «контроля по правилам» после объявления о «сквозных» выпусках автомобилей.

Инженер по алгоритмам автономного вождения из автомобильной компании сказал, что, поскольку результаты, выдаваемые нейронной сетью, имеют определенную степень вероятности, нет никакой гарантии, что выходные результаты абсолютно безопасны. Поэтому после запуска сквозной большой модели необходимость в методе правил сохранится. В настоящее время большинство комплексных интеллектуальных систем вождения по-прежнему используют некоторые методы правил для выполнения вторичной проверки выходных данных нейронной сети.

В настоящее время в отрасли в целом считают, что разрыв в результатах исследований и разработок между отечественными автомобильными компаниями и Tesla составляет около 1,5–2 лет. Гу Цзюньли, заместитель генерального директора Chery Automobile Co., Ltd., считает, что для того, чтобы догнать Tesla с точки зрения бизнес-модели, необходимо масштабировать продукцию. «Когда данные Tesla достигают уровня более одного миллиона, благодаря интенсивному обучению модели умное вождение может изучить видеопоток и напрямую сообщить водителю направление движения, как сказал популярный в настоящее время ChatGPT».

По сравнению с Tesla, которая является чуть ли не единственной за рубежом, отечественные интеллектуальные системы вождения находятся на стадии цветения сотен цветов. Трудно связать данные между разными моделями и разными техническими решениями, что доводит до конца определенные трудности. -конец крупномасштабной модели, основанной на данных.

Чэнь Лимин сказал: «Трудность, с которой мы в настоящее время сталкиваемся, заключается в том, что архитектура многих моделей и датчиков, расположение и внедрение датчиков и т. д. постоянно меняются. Хотя мы собрали много данных, они не накапливаются в больших количествах. Другими словами, то, как OEM-производители и технологические компании могут работать вместе для решения этой проблемы, — это то, что мы все знаем. нужно обсудить вместе».

Юй Цянькунь также считает, что комплексные инженерные приложения в настоящее время сталкиваются с такими проблемами, как недостаточная полнота сбора данных, плохая возможность повторного использования собранных данных и низкая вычислительная мощность для обучения.