L4 Autonomes Fahren hat dieses Jahr einen Moment der „großen Umstrukturierung“ und „großen Veränderung“ erreicht.
Die Hälfte des Winters. Aurora, der Star des plattformbasierten Selbstfahrens, und Argo, das von Ford und Volkswagen unterstützt wird, haben in diesem Jahr alle von Entlassungen oder Insolvenzen berichtet, und viele Unternehmen, die sich zuvor auf Robotaxi konzentrierten, sind auf assistiertes Fahren für Passagiere umgestiegen Autos.
Capital ist hinsichtlich der Geschichte von L4 äußerst vorsichtig geworden. Man sagt also: Der L4-Winter ist da.
Die andere Hälfte ist eine Flamme.
Das Juwel in der Krone ist weit entfernt, und das führende Unternehmen hat bereits den Anbruch des Finales geahnt und sich Tickets gesichert.
Baidu Apollo, Google Waymo und General Cruise machen schnelle Fortschritte und machen kontinuierliche Fortschritte.
Beispielsweise haben Waymo und Cruise weiterhin Durchbrüche in Umfang und Dauer ihrer kommerziellen Aktivitäten in San Francisco und Phoenix erzielt, während in China Baidu Apollos Carrot Run in mehr als zehn Städten eingeführt wurde In Peking, Wuhan und Chongqing wurde ein Meilenstein erreicht, und die Zahl der kommerziellen Meilen und Frachtbriefe stieg rapide an.
Wie soll ich es erklären?
Eigentlich ist es ganz einfach: In der Umstrukturierungswelle in der autonomen Fahrbranche können nur wirklich „unbemannte“ Menschen als Erste den Morgen erblicken.
Baidu Apollo, Waymo und Cruise, die drei Spieler, die bei der L4-Kommerzialisierung die schnellsten Fortschritte gemacht haben, weisen alle die gleichen Eigenschaften auf.
Die Unterstützung von Giganten ist nur eine davon. Noch wichtiger ist, dass ihre Umsetzungsprojekte auf der Prämisse „überhaupt niemand“ basieren.
In Wuhan, Hubei, können Sie beispielsweise über die Luobo Kuaipao-App ein völlig unbemanntes selbstfahrendes Auto anrufen, und die Technologie dahinter stammt von Baidu Apollo.
Warum ist „völlig unbemannt“ der Schlüssel zur Implementierung autonomer Fahrtechnologie über L4?
Zunächst einmal ist „völlig unbemannt“ aus betriebswirtschaftlicher Sicht eine notwendige Voraussetzung für den ersten Erfolg des Geschäftsmodells von Robotaxi.
Für Robotaxi sind die Kosten die größte Herausforderung bei der Kommerzialisierung. Der erste sind die Kosten für Fahrzeugmodifikationen. In der Anfangszeit war es üblich, dass ein Robotaxi Millionen kostete, ohne mit dem OEM vor der Massenproduktion eine Zusammenarbeit zu erreichen.
In der Betriebsphase entsteht der größte Kostenfaktor für den Sicherheitsbeauftragten am Fahrzeug.
Die minimalen Arbeitskosten für ein Online-Ride-Hailing-Auto, das von einem gewöhnlichen menschlichen Fahrer gefahren wird, betragen etwa 120.000 pro Jahr, und der Sicherheitsbeauftragte ist nur höher als der Fahrer.
Für das vorherige Robotaxi war es schwierig, seine eigenen Kosten während des gesamten Betriebslebenszyklus auszugleichen.
Technisch gesehen bedeutet „völlig unbemannt“, dass zunächst Arbeitskosten eingespart werden.
Zweitens muss der vollständig unbemannte Technologie-Stack für autonomes Fahren auf vorinstallierten und in Massenproduktion hergestellten Modellen implementiert werden, sodass er auf der Ebene des Fahrzeugs selbst auch die gleichen Kosten verursacht wie gewöhnliche Online-Fahrten. Hagel.
Darüber hinaus bedeutet „völlig unbemannt“, dass Technologieanbieter die hohe Zuverlässigkeit und Sicherheit des autonomen Fahrens erfüllen konnten.
Die Politik neigt auch eher dazu, Betriebslizenzen für solche Technologieanbieter zu öffnen.
Der kritischste und direkteste Punkt für die Umsetzung des „vollständig unbemannten“ autonomen Fahrens ist daher die „Kostensenkung“. Der wichtigere und tiefgreifendere Einflussfaktor dahinter ist die erzielte Verbesserung der Sicherheit und Zuverlässigkeit durch die Reife der Technologie.
Die von Baidu Apollo angegebenen Daten besagen, dass es mehr als 40 Millionen Kilometer Testmeilen gesammelt hat. Die Erfolgsquote von Robotaxi liegt bei über 99,99 %.
Dahinter verbirgt sich Apollos selbstfahrender Datenkreislauf, der durch L2 und L4 geöffnet wird, sowie die Grundlage, die durch Baidus andere Anhäufung im KI-Bereich gelegt wird.
Aufgrund der Tausenden von Objekterkennungsfunktionen des Wenxin-Großmodells wurden beispielsweise die semantischen Erkennungsdaten des autonomen Fahrens erheblich erweitert, insbesondere bei der Erkennung von Spezialfahrzeugen (Feuerwehrautos, Krankenwagen). , Plastiktüten und andere speziell geformte Objekte verbessern die Abdeckung von Long-Tail-Szenarien erheblich und verbessern die Zuverlässigkeit des autonomen Fahrens.
Darüber hinaus weist die selbstfahrende hochpräzise Karte von Apollo eine Bauautomatisierungsrate von 96 % auf. Sie basiert auf der 12 Millionen Kilometer führenden Straßennetzabdeckung und umfangreichen räumlich-zeitlichen Daten. Kombiniert mit dem Fahrwissen von Hunderten Millionen Fahrern erstellen und erstellen Sie einen Fahrwissensgraphen auf der gesamten Straßennetzebene, um den Komfort bei der Entscheidungsfindung beim autonomen Fahren zu verbessern.
Derzeit erweitern der kommerzielle Betrieb und die Tests der vollständig unbemannten selbstfahrenden Flotte von Luobo Kuaipao das Gebiet weiter, erhöhen das Volumen und verlängern die Zeit. Es ist bereits in Peking, Chongqing und Wuhan gelandet.
Am Beispiel der Wuhan Economic Development Zone umfasst sie eine Gesamtfläche von mehr als 130 Quadratkilometern und mehr als 1 Million Einwohner. Die Betriebsszenarien autonomer Fahrflotten umfassen städtische Hochstraßen und normale Straßen, und der Betriebszeitraum umfasst Tag und Nacht. Die Long-Tail-Szenarien und komplexen Herausforderungen im Prozessentwurf unterscheiden sich nicht von gewöhnlichen Online-Ride-Hailing-Privatwagen.
Die Akkumulation und das Training von Daten in realen Szenarien können die technische Iterationseffizienz von Apollo direkt beschleunigen, wodurch mehr Long-Tail-Szenarien untersucht und ein „Schwungrad“-Effekt mit geschlossenem Datenkreislauf entsteht.
Die vollständig unbemannte Technologie ist ausgereift, was den ersten Durchlauf des Geschäftsmodells mit sich bringt und in einigen Städten Großbetriebe ermöglicht.
In diesem Prozess werden fähige Akteure das Robotaxi-Geschäftsmodell weiter verifizieren und verbessern sowie den Umfang der Umsetzung weiter ausbauen und so einen führenden Vorteil schaffen.
Genau diesen Weg gehen derzeit Spieler wie Baidu Apollo und Waymo und es ist auch die „Fackel“, die es den Menschen ermöglicht, auch im kalten Winter noch an Technologie und autonomes Fahren zu glauben.
Um das Ziel zu erreichen, dass niemand landet, muss die Technologie dahinter solide und hart genug sein.
Da Baidu derjenige ist, der sich in dieser Umstrukturierung und Polarisierung der Branche stetig weiterentwickelt hat und seit jeher führend im Bereich autonomes Fahren in China ist, kann man sagen, dass seine technologische Entwicklung eine gewisse Referenzbedeutung hat.
Daher können wir dieses Problem auch aus der Perspektive von Baidus Entwicklungspfad für autonome Fahrtechnologie betrachten.
Anders als die Spielstile anderer Spieler ist die tiefgreifende Integration mit dem Wenxin-Großmodell ein ganz besonderes Merkmal von Baidu Autopilot.
Und mit Blick auf die gesamte Branche ist Baidu der erste, der große Modelle in der Wahrnehmung autonomen Fahrens anwendet.
Um das Long-Tail-Data-Mining-Problem des autonomen Fahrens zu lösen, verwendet Baidu insbesondere das Wenxin-Großmodell – ein schwach überwachtes Bild- und Text-Pre-Training-Modell.
Zu den weiteren typischen Long-Tail-Data-Mining-Problemen gehören:
• Seltene Modelle: wie Feuerwehrautos, Krankenwagen usw. sind aufgrund ihrer geringen „Sichtbarkeitsrate“ auf der Straße und unregelmäßigen Formen schwer zu erkennen bestimmte Herausforderungen in der Wahrnehmung und im Verständnis. • Fußgänger in unterschiedlichen Körperhaltungen: Oftmals ist keine einzige Person unterwegs, was nicht nur eine Herausforderung bei der Identifizierung darstellt, sondern auch eine spätere Vorhersage und Verfolgung erschwert. • Niedrige Objekte sowie Verkehrs- und Bauelemente: Niedrige Objekte (z. B. Leitplanken auf Straßen usw.) waren schon immer ein sehr schwieriges Problem bei der Wahrnehmung.
Angesichts der oben genannten inhärenten Probleme können mithilfe der Fähigkeit des großen Wenxin-Modells, Tausende von Objekten zu erkennen, die semantischen Erkennungsdaten von Baidu für autonomes Fahren erheblich erweitert werden, wodurch exponentielle Effizienzsteigerungen erzielt werden.
Dank des Wenxin Large Model – autonomes Fahrwahrnehmungsmodells mit einer Parameterskala von mehr als 1 Milliarde, wurde durch das große Modelltraining kleiner Modelle auch die Generalisierungsfähigkeit der autonomen Fahrwahrnehmung deutlich verbessert.
In diesem Zusammenhang sagte Wang Jingdong, Experte für autonome Fahrtechnologie bei Baidu:
Große Modelle sind zur zentralen treibenden Kraft für die Verbesserung der autonomen Fahrfähigkeiten geworden.
Die „zweite magische Waffe“, die es dem autonomen Fahren von Baidu ermöglicht, schnell vollständig unbemanntes Fahren zu erreichen, ist die autonome Fahrkarte Baidu Apollo.
Anders als die Navigationskarten, die wir normalerweise verwenden, können hochpräzise Karten als unverzichtbar für die Verwirklichung intelligenten Fahrens bezeichnet werden.
Im Allgemeinen müssen hochpräzise Karten drei Hauptmerkmale erfüllen.
Die erste ist die hohe Genauigkeit im Zentimeterbereich.
Wenn Menschen normale Navigationskarten verwenden, müssen sie nur auf 5-10 Meter genau sein, plus das eigene Urteilsvermögen des Fahrers.
Aber intelligente Autos verfügen nicht über das Urteilsvermögen von Menschen, daher kann ein Fehler von 1-2 Metern zu Problemen wie Leitungsdruck führen. Deshalb muss die Genauigkeit innerhalb des Zentimeterbereichs gehalten werden.
Zweitens ist die große Menge an Straßeninformationen abgedeckt.
Hochpräzise Karten müssen intelligente Autos mit mehr Informationen versorgen als herkömmliche Navigationskarten, einschließlich grundlegender Informationen wie Straßenauswahl, Stau und Fahrzeit. Es muss auch eine große Menge an Fahrassistenzinformationen enthalten, z. B. Versatzpunkte für Spurwechsel, Umleitungsbereiche, Kreisschilder, Autobahnausfahrten usw.
Das Wichtigste ist die genaue dreidimensionale Darstellung des Straßennetzes sowie von mehr als 100 Straßenmerkmalen, darunter die Anzahl der Fahrspuren, die Lage der Grenzlinien, Leitplanken, Straßenlaternen und sogar die Größe der Straßen Bordsteine.
Drittens wird es Umwege auf hochpräzisen Karten geben.
Das liegt daran, dass hochpräzise Karten auf intelligente Autos und nicht auf Menschen ausgerichtet sind. Die bereitgestellten Informationen werden für das Positionierungssystem, das Wahrnehmungssystem und das Entscheidungssystem intelligenter Autos verwendet.
In Situationen wie Tunneln kann es daher vorkommen, dass die HD-Karte einen Umweg macht, da diese Straße in ihren Augen nicht existiert.
Es ist ersichtlich, dass für eine vollständige unbemannte Landung hochpräzise Karten unabdingbar sind und dies nicht einfach zu erreichen ist.
Aber da die selbstfahrende Karte Baidu Apollo „im Dienst“ war, muss sie die oben genannten Schwierigkeiten gehabt haben.
Es versteht sich, dass die hochpräzise Bauautomatisierungsrate von Baidu 96 % erreicht hat, was bedeutet, dass das Problem der hohen Anwendungskosten weitgehend gelöst werden kann.
Gleichzeitig ist es auch in der Lage, Online-Karten in Echtzeit zu erstellen und Tear-Off-Sensing-Daten und Karten aus mehreren Quellen zu integrieren, um die Sicherheit des autonomen Fahrens zu gewährleisten.
In Bezug auf die Entscheidungsfindung hat Baidu auf der Grundlage der 12 Millionen Kilometer umfassenden räumlich-zeitlichen Daten des führenden Straßennetzes von Baidu Maps und der Fahrwissensdaten von Hunderten Millionen Fahrern auch insgesamt ein Fahrwissensdiagramm erstellt Straßennetzebene zur Verbesserung des Entscheidungskomforts beim autonomen Fahren.
Zusätzlich zu den Algorithmen- und Softwareebenen hat Baidu überhaupt nichts erreicht und die Hardware nicht vernachlässigt.
Es versteht sich, dass Baidus selbst entwickelter KI-Chip Kunlun Core 2 eine durchgängige Leistungsanpassung für autonome Fahrszenarien abgeschlossen hat und dadurch Baidus Vorteile bei der Integration von Software und Hardware für autonomes Fahren gefestigt hat.
Natürlich kann Baidus Fähigkeit, beim autonomen Fahren die Führung zu übernehmen, nicht über Nacht erreicht werden. Es ist tatsächlich das Ergebnis von „zehn Jahren harter Arbeit auf diesem Gebiet“ und kontinuierlicher technologischer Anhäufung.
Ein Satz öffentlicher Daten ist auf einen Blick sichtbar:
Derzeit hat sich Baidu Apollo mit mehr als 210 globalen ökologischen Partnern, 80.000 globalen Entwicklern und 700.000 Zeilen Open-Source-Code zur weltweit aktivsten offenen Plattform für autonomes Fahren entwickelt 40 Millionen Kilometer; 3.477 Patentfamilien für autonomes Fahren, vier Jahre in Folge weltweit an erster Stelle.
Das Obige ist die technische Stärke hinter dem ersten Spieler, der eine völlig unbemannte Landung schafft.
Wie wir eingangs erwähnten, erlebt die globale autonome Fahrbranche dieses Jahr eine „große Umstrukturierung“.
Betrachtet man die selbstfahrenden Unternehmen, die Konkurs, Insolvenzanträgen und Massenentlassungen ausgesetzt waren, scheinen sie eines gemeinsam zu haben: Sie haben es nicht geschafft, das Ziel des vollständig autonomen Fahrens zu erreichen.
Schließlich ist autonomes Fahren nicht nur ein Wettbewerb in technischer Stärke, sondern auch ein Wettbewerb in Zeit und Ausdauer.
So wie man erst sehen kann, wer nackt schwimmt, wenn die Flut Ende 2022 zurückgeht, ist die Beschleunigung der Landung von niemandem zu einer unvermeidlichen Entscheidung für „an Land kommende“ Spieler geworden.
Nicht nur Baidu, der inländische Marktführer im Bereich autonomes Fahren, tut dies, sondern auch führende internationale Player.
Unternehmen für autonomes Fahren wie Waymo und Cruise beschleunigen die groß angelegte Kommerzialisierung des autonomen Fahrens.
Es wird davon ausgegangen, dass San Francisco in den Vereinigten Staaten inzwischen einen fahrerlosen Reiseservice rund um die Uhr in der gesamten Stadt eröffnet hat. Gleichzeitig dehnt sich das autonome Fahrbetriebsgebiet von Phoenix weiter auf das städtische Kerngebiet aus.
Darüber hinaus wurde der weltweit erste vollständig fahrerlose Taxidienst vom Phoenix Sky Harbor International Airport ins Stadtzentrum eingeführt, der rund um die Uhr in Betrieb ist.
Und Baidu hat kürzlich auch ein neues Signal veröffentlicht:
Im Jahr 2023 wird Baidu Apollo seinen Geschäftsumfang weiter ausbauen und plant, sein Geschäft schrittweise auszubauen Das Land bringt 200 vollständig fahrerlose Fahrzeuge auf den Markt und strebt den Aufbau des weltweit größten Servicebereichs für fahrerlose Fahrzeuge an.
Es wird davon ausgegangen, dass Baidus unbemanntes Fahrzeug Apollo RT6 der sechsten Generation (kostet nur 250.000 Yuan), das dieses Jahr in Massenproduktion hergestellt wurde, nächstes Jahr auch auf Luobo Kuaipao zum Einsatz kommen wird .
Generell hat Baidu bei der vollständig unbemannten Implementierung Kostensenkung, Sicherheit und Qualitätssicherung erreicht und gleichzeitig die Größenausweitung kontinuierlich beschleunigt.
Der Grund dafür ist, dass Baidu derzeit sicherstellen möchte, dass jede Stadt ihr Geschäftsmodell zu geringen Kosten betreiben kann (Bruttogewinn ist positiv); aber wenn man es langfristig betrachtet, ist das exponentiell ein Wachstum seines operativen Umfangs ist absehbar.
Es ist ersichtlich, dass „niemand vor Ort“ für die Spieler zum Schlüssel zum Einzug in das Finale des autonomen Fahrens geworden ist.
Wer kann also in einer solchen Situation des autonomen Fahrens in der zweiten Hälfte das letzte Lachen haben?
Baidu ist zweifellos einer von ihnen.
Das obige ist der detaillierte Inhalt vonJährlicher Antwortbogen zum autonomen Fahren L4 2022, wirklich „niemand' hat das letzte Lachen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
![[Web-Frontend] Node.js-Schnellstart](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
