icv_ 66号社区 智能网联汽车知识社区 365bet体育盘口_365bet 提现 要几天_365bet网赌

关注 | 全球首批商用牌照发放 无人驾驶须谨防跑偏脱轨

可以预期的是,无人驾驶会让交通出行更安全、更便捷,引领人们步入一个崭新的出行时代,这个趋势不会改变。2019年的车市,可以用“一半是海水、一半是火焰”来形容。一方面,传统汽车销量持续下滑,不断传出车企裁员、工人降薪、经销商倒闭的消息;另一方 ...查看全部

可以预期的是,无人驾驶会让交通出行更安全、更便捷,引领人们步入一个崭新的出行时代,这个趋势不会改变。

2019年的车市,可以用“一半是海水、一半是火焰”来形容。一方面,传统汽车销量持续下滑,不断传出车企裁员、工人降薪、经销商倒闭的消息;另一方面,无人驾驶领域捷报频传,武汉率先在全国迈出无人驾驶商业化应用的关键一步。据长江网9月22日消息,当日上午,国家智能网联汽车(武汉)测试示范区正式揭牌,百度、海梁科技、深兰科技等企业获得武汉市交通运输部门颁发的全球首张自动驾驶车辆商用牌照。这意味着,无人驾驶汽车不仅可以在公开道路上进行载人测试,也可以进行商业化运营了。

一周前的9月16日,上海建立的国内首个国家级智能网联汽车试点示范区,也只给上汽、宝马、滴滴等三家公司颁发了“示范应用”牌照,在满足一定条件的前提下,可以尝试一定数量级自动驾驶车辆的功能化载人运用。虽然与乘用车、商用车市场相比,试点示范区与人们日常的生活距离仍比较远,但该消息还是刺激了一大批相关上市公司股价的集体大涨。此次商用牌照的发放,令无人驾驶离我们的距离更近了。

如果说,新能源汽车动摇了内燃机汽车的地位,滴滴打车、共享单车彻底改变了大众出行方式与出行市场格局,那么,移动车联网将成为下一个汽车时代的新主题。自动驾驶所蕴含的改变未来商业模式、就业、城市基础设施的能量,绝对不可小觑。自动驾驶可以提升社会效率,降低越来越昂贵的人工成本,在物联网时代不再仅仅是代步工具,而是被赋予更大的内涵。有朝一日,无人驾驶完全可以像智能手机一样,取代电脑成为新的互联网终端。不同领域的商界巨头(BAT、滴滴、美团、华为等)争相进入无人驾驶领域,看中的不仅仅是围绕无人驾驶技术本身形成的一条产业链,背后将是诸多万亿级规模市场的叠加。

提及无人驾驶,人们更关心的是其安全性。在此之前,部分发达国家的着名车企(包括Uber、特斯拉等)对无人驾驶汽车进行了上路测试,发生了一连串事故,并出现致人死亡事件,一度为无人驾驶的商业化进程蒙上阴影。

其实,无人驾驶的内核就是车辆能够发现行人、并能及时采取措施避免发生事故。这个功能并非是多添几个摄像头就能解决的,在安全行驶的背后,是芯片、传感器、AI算法、处理系统、高精地图以及车辆零部件高质量运行的一个系统工程。这相当于一个算法“黑箱”,我们只能看到它导致的结果,却无法看到它运作的过程。因此,要想在无人驾驶领域取得成功,不仅要具备足够的技术积累,还要有敬畏生命的信仰和底线,只有这样的玩家才有资格进入这一领域,否则,无人驾驶难免会跑偏脱轨,成为一场灾难。

与层出不穷的真人版“马路杀手”相比,无人驾驶一旦出现事故,将是人们更加难以容忍和接受的。真人出现失误,可以理解为疏忽、大意,但无人驾驶一旦出现故障,就是大事故,甚至会引发人们对科幻片中机器对人类的无差别“屠戮”画面产生联想。

“万事开头难”,再难的创新也有开始的一天,就像当年人类为航空事业付出的代价一样。无人驾驶技术的研发进程,不会因几次事故就停止前进的步伐,但无人驾驶技术的成熟也绝非一蹴而就。可以预期的是,无人驾驶会让交通出行更安全、更便捷,引领人们步入一个崭新的出行时代,这个趋势不会改变。我们憧憬这一天早日到来,但也要为实现梦想需要经历的艰辛过程做好心理准备和应对方案。(来源:新京报)

博客 gaohong

LV1
6 天前
49

节能减排才是发展电动汽车的宗旨

单纯追求长里程纯电动汽车,既背离了发展电动车节能减排的宗旨,又让用户多花钱,补贴取消后竞争力差,并不能实现节能减排。新能源汽车补贴还有16个月就要完全取消,市场化的进程已经开始,电动车马上要开始新的起点。这种情形下,应当发展什么样的电动汽车 ...查看全部

单纯追求长里程纯电动汽车,既背离了发展电动车节能减排的宗旨,又让用户多花钱,补贴取消后竞争力差,并不能实现节能减排。

新能源汽车补贴还有16个月就要完全取消,市场化的进程已经开始,电动车马上要开始新的起点。这种情形下,应当发展什么样的电动汽车、什么样的动力电池?

中国工程院院士杨裕生表示,节能减排才是发展电动汽车的宗旨,且要从电动车全周期衡量节能减排效果。从全周期考虑后,杨裕生有如下看法。

单纯追求长续航

并没必要

对于长里程纯电动车,在电网电能主要来自于燃煤的情况下,虽然节油,但因为追求长里程而多装电池,车子重导致耗电多,耗电多在发电时排放的二氧化碳以及其它有害物就多,这样的长里程乘用车并不能减少排放。

即使将来电网的电能主要来自太阳能等清洁能源,高能电池也过关了,长里程纯电动车也未必可取。第一,多装电池比能量较高,爆炸危险性大;第二,多装电池,电池生产和废电池处置耗电多;第三,多装电池,负重行车,浪费能量;第四,电池用量大,车子价格高,竞争力就低;第五,电池寿命短于整车,换新电池要用户另出钱;最后,长里程纯电动车充电桩密集,费钱又占地,且难符合要求。

因此长里程电动车既背离了发展电动车节能减排的宗旨,又让用户多花钱,补贴取消之后竞争力差,并不能实现节能减排。

对于插电式混合动力车,第一,其拥有内燃机和纯电动车这两套系统,车子重、耗电多;第二,其50公里之外用传统的内燃机,大马拉小车无法实现节能减排目的;第三,其标榜“油耗很低”,实际却是油耗计算方法造成的假象;第四,不少用户不充电,把它当燃油车用,排放有增无减。于是,现在大家对插电式混合动力车的认识慢慢清楚了,发改委今年把插电式混合电动车从电动汽车里面除名,将插电式归到燃油车内。

燃料电池汽车?

仍有几大瓶颈

燃料电池以氢做能源,而氢没有矿藏,氢燃料电池汽车目前仍有以下短板:

第一,制氢需高能效、低排放。如今的很多氢是以电解水的方式制得,若直接电解水制氢,电解效率大概为85%,到燃料电池中去发电时效率大概为50%,最终10度电变成了4度电左右。真正行驶时,燃料电池本身、车辆运行都要耗电,最终效率并不是很高。

若用副产氢,首先其产量有限,大概氯碱工艺产生的副产氢可以用,但其中有少量的氯气、氧气,需要纯化。此外,根据现在国家公布的标准,氢气中一氧化碳含量要求为千万分之二,对氢气纯度要求很高,要把其中的一氧化碳去掉,难度很大、代价非常高。

第二,氢的安全运输、分布、储存,都有技术问题。

第三,燃料电池的寿命不够长,虽然在实验时能做到一二万小时,到路上却不行。由于其价格高、制作难,造成燃料电池耗能远远比内燃机耗能高得多。

其次便是铂资源的短缺,国家的铂金资源只能拿很少部分作燃料电池,但铂金越少燃料电池越容易中毒,寿命降得越快。燃料电池不用铂金作催化剂是世界难题,如今正在被攻克。

汽车行业尤其要考虑三个问题:第一,膜纸泵罐已经研发20年,碳质、气泵、高压气罐生产不过关,这个原因到底在什么地方?第二,用进口电池和进口部件来装车,对我国的技术发展有什么好处?第三,燃料电池汽车将有多大规模演示,在什么地方演示,如何实现市场化?

燃料电池汽车只是增程式电动车的一种,即电电混合,它用发电机给电池充电,今后若和其他发电技术竞争,若竞争不过,就上不了市场。

增程式电动汽车?

有待市场检验

第一代增程式电动汽车即宝马i3,发动机排量为0.7升,电池用完后增程机开始发电,并没有很好地优化组合。

而第二代的增程式电动汽车优化了电力系统,第一,其发动机排量大概减少一半,节油率升高;第二,其发动机能效优化,可在很窄动态范围的转速下调节发电;第三,其电池减少,成本较低;第四,车轻更加节能。

增程式电动汽车是燃油车与电动车的融合,节能减排,它有多个优点:电池少,补贴取消后受影响小,容易推销;其比燃油车节油50%以上,更加省钱;可以不充电,免建充电桩,而且可以远行,它没有纯电动车的里程安全、充电、价格、电池等等的问题;此外,其可以全部继承现有燃油车生产和加油设施,传统汽车企业将减少很多浪费。

(本文根据中国工程院院士杨裕生在2019中国汽车产业发展国际论坛上演讲速记整理,有删减,未经本人审阅。)来源:新能源汽车报


博客 gaohong

LV1
6 天前
50

赛迪报告:哪个国家自动驾驶成熟度最高?25个国家对比分析

随着人工智能技术和传感器技术的发展,自动驾驶汽车发展迅速,成为了业界关注的焦点。近几年国内外厂商更是大力研发自动驾驶技术,发展速度和规模不可小觑。

那么,世界各国自动驾驶汽车的发展情况如何?我国的又处于什么样的发展阶段呢?



博客 gaohong

LV1
2019-09-25 13:42
45

商用车自动驾驶:L3基本无缘,L2进入爆发期「GGAI商用车」

对于L3,乘用车也许还有机会,但商用车可能“几乎无缘”。十年前的2009年,法国航空(Air France) 447航班在巴西海岸坠毁,机上228人全部遇难。调查人员说,飞行员无法在紧急情况下恢复对飞机的控制。他们的最终失败很 ...查看全部

对于L3,乘用车也许还有机会,但商用车可能“几乎无缘”。

十年前的2009年,法国航空(Air France) 447航班在巴西海岸坠毁,机上228人全部遇难。调查人员说,飞行员无法在紧急情况下恢复对飞机的控制。

他们的最终失败很大程度上是由于过度依赖飞机的自动驾驶模式,而这种模式原本是为了比人类飞行员更安全、更可靠而设计的。飞行员在被要求控制飞机时准备不足。

同样的,谷歌在2012年就驾驶员如何与自动驾驶汽车互动展开的一项开创性研究,结果显示,当人们可以脱离驾驶任务,但必须时刻准备好在提示时接管控制权,在这种情况下,他们很难安全地操作车辆。

作为自动驾驶等级中的L3,这些系统可以在不需要人工的特定条件下自动转向、刹车和加速,但仍要求司机随时待命,以便在需要时恢复控制。

换句话说,行业的共识是,司机必须要么在拥有自动驾驶能力的车辆上保持持续的驾驶状态,要么完全脱离驾驶状态,无需承担在接到通知后立即控制车辆的风险。

此外,L3除了开发成本远超过L2,在商用车领域本身因为无法去掉司机,也无法在人力成本这一项上有改善,对于车队来说,并不具有很大的吸引力。

去年,戴姆勒卡车公司宣布将直接跳过L3,研发L4自动驾驶。而很多卡车制造商也表示,行业应该跳过L3。另一家卡车巨头沃尔沃,此前也表示,目前还没有研发L3自动驾驶卡车的计划。

“我们现在关注的是2级和4级自动驾驶。除非研究人员有一天可能会想出一个绝妙的解决方案,让L3更安全,但我现在还不能说如何做到。”沃尔沃卡车相关负责人表示。

更谨慎的看法是,2025年之前行业不会全面部署L4商用卡车,而就规模和需求而言,L2将是商用卡车大规模普及的关键。

坦白说,经过数年的大张旗鼓宣传,以及关于无人驾驶商业车辆何时以及如何进入市场的争论,这项技术的早期形式开始成为卡车制造商的一种务实选择。

自动辅助转向、车道保持、前向预警及紧急制动、自适应巡航控制等等功能的导入,将标志着大规模卡车L2自动驾驶市场启动的开始。

按照SAE的定义,L2是指系统可以在一定条件下自动加速、制动和横向移动,但仍然要求驾驶员在任何时候都保持注意力集中。而L2的特点,正是为司机提供横向和纵向的驾驶辅助。

按照行业预期,在接下来的1-2年时间内,全球主要商用车制造商将加快推动L2自动辅助驾驶的量产落地,并不断完善感知和算法,目的是增加系统的舒适性和安全性。

博世北美商用车负责人表示,博世将继续改进其嵌入式摄像头和相应的车道保持辅助等功能,并且在未来三年内,已经可以预见更多的汽车制造商使用电动助力转向,并将其作为驾驶员辅助解决方案的一部分。

在业内人士看来,尽管这些技术已经存在多年(比如在乘用车市场),但以一种安全、可靠的方式将它们集成到卡车等大型商用车上一直是“工程挑战的一部分”。

而随着L2系统的构建模块以及量产化进度,也为将来L4系统的真正商业化落地提供开发经验。因为现在的L4卡车,更多只是基于现有商用车底盘的改装、功能验证。

此外,供应商还在开发新的传感器阵列,同时测试雷达、摄像头和激光雷达的组合,这对于卡车等大型车辆来说,是规避行驶盲区的关键。因为和乘用车相比,安全冗余对于卡车来说,更为敏感。

商用车自动驾驶的另一大问题,就是除了安全和驾驶舒适性的好处,车队的投资回报仍难以量化。L2卡车仍需要在市场上证明自己,尽管零部件供应商和汽车制造商都给出了自己的投资回报数据预测。

另一个风险,就是现有司机对L2系统的接受度和正确认知。这种风险,已经在特斯拉上被印证很多问题。

沃尔沃卡车公司负责人表示,从长远来看,卡车制造商和车队运营商需要确保司机不会过度依赖L2卡车的自动辅助驾驶功能。

尤其是汽车制造商在引入这样的系统时,为了让司机充分了解这些系统的功能和限制,使他们不会总是使用这些系统,也要有效地沟通,这将是非常重要的。

“我认为它需要给司机们带来舒适,当然,还有它的安全性。我们面临的挑战是,我们需要确保这些系统以正确的方式使用。“上述负责人表示。


博客 飞奔的蜗牛

LV1
2019-09-24 10:07
48

8月再降 新能源汽车能实现全年目标吗?

就在两个月前,当提到汽车行业整体下行的状况,人们习惯性地会单拎出新能源汽车来,因为它的卓越“战绩”实在和燃油车天差地别。2018年,中国汽车市场产销低于预期,全年汽车产销分别完成2780.9万辆和2808.1万辆,虽连续十年继续蝉联全球冠军 ...查看全部

就在两个月前,当提到汽车行业整体下行的状况,人们习惯性地会单拎出新能源汽车来,因为它的卓越“战绩”实在和燃油车天差地别。

2018年,中国汽车市场产销低于预期,全年汽车产销分别完成2780.9万辆和2808.1万辆,虽连续十年继续蝉联全球冠军,但自1990年的连续增长趋势已经打破,同比出现下滑。然而新能源汽车自始便是高歌猛进,在2018年,新能源汽车产销分别完成127万辆和125.6万辆,比上年同期分别增长59.9%和61.7%。

今年4月,工信部新闻发言人、运行监测协调局局长黄利斌还在国务院新闻发布会上表示,今年新能源汽车产量可能会超过150万辆,各行业协会也颇为乐观,7月,中汽协还预测,2019年全年新能源汽车预计销量将同比增长约19.4%。

可是,对于全年产销量最终能达到多少,大家心里似乎没有了底气。

再次下滑 电动车市场降温了?

从7月开始,新能源汽车销量腰斩,产销出现了首次下滑。7月,新能源汽车产销量环比和同比均呈下降。当月产销完成8.4万辆和8.0万辆,环比下降37.2%和47.5%,同比下降6.9%和4.7%。

8月,这种状况依旧没有缓解。8月,新能源汽车产销分别为8.7万辆和8.5万辆,同比下降12.1%和15.8%,环比增长2.9%和6.4%。虽然环比出现小幅增长,但同比不仅下降,幅度还加大了。在新能源汽车主要品种中,纯电动汽车产销比上月呈较快增长,插电式混合动力汽车下降依然明显。

1-8月,新能源汽车产销79.9万辆和79.3万辆,同比增长31.6%和32.0%,增速比1-7月继续回落。

8个月的时间,新能源汽车产销不到80万辆,这离年终150万的目标依然有很大距离。

当新能源汽车产销在7月出现第一次下滑时,不少业内人士分析,这是受6月25日新能源补贴退坡过渡期结束的影响,新能源乘用车销量大幅下滑直接影响新能源车整体增速。而当8月,新能源汽车产销再次出现下滑时,“补贴下降”依旧成了新能源汽车市场下滑的主要原因。

补贴降 销量就必须跟着降?

从市场情况来看,6月新能源汽车补贴过渡期的结束,确实给部分车企在资金方面造成很大的压力,弱者甚至被淘汰。同时,补贴退坡的实施也迫使车企在6月透支了市场的消费需求,所以在7、8月份,新能源车市场处于较为饱和的状态,销量下降。

可是补贴降,销量就必须跟着降吗?

在乘联会公布的8月新能源汽车销售前十榜单中,成绩最好的新能源车型北汽EU系列,同比增长幅度高达234.7%,7月排在第三位的宝骏新能源晋级第二,单月销量4264台,同比更是大涨472.3%。

销量直接代表了市场的选择,即使补贴退坡,依旧有消费者买单。当务之急,是采取何种措施让消费者买单,提振市场。

根据汽车之家从各大车企及经销商调研访问看,新能源车企、经销商、官方直营店等主要通过终端现金优惠、购车礼包、金融政策等方式进行优惠促销。

部分新能源车企通过宣布补贴退坡后不涨价的方式吸引消费者。以比亚迪为例,为保证在9、10月份有较好的的市场表现,比亚迪表示在10月31日之前购买比亚迪旗下新能源汽车产品的消费者可享受“2018年新能源全额补贴”,这意味着比亚迪作为厂商,需为消费者单车最高补贴9.9万元。

除了比亚迪外,长安、长城、奇瑞、威马、小鹏等车企也企图通过“保价”吸引消费者,且旗下部分车型在经销商处也有不同的终端售价优惠。值得一提的是,虽然小鹏官方宣布6月26日补贴退坡后旗下车型不涨价,但其车型在3月份已进行涨价,且目前在终端享受优惠降价的车型仅为小鹏G3 2019款。

部分车企通过购车大礼包等方式进行优惠促销。不同于传统车企的“财大气粗”,蔚来作为新创车企并未加入“保价”行列,而是将补贴的减少直接反映在了车型终端售价上。据北京蔚来体验中心的销售人员介绍,蔚来ES8及ES6除了国家补贴外,均没有终端售价优惠,但消费者可享受购车大礼包,包含价值超1万元的一年车辆全险等其他优惠。

除了车企奋力救市,9月4日,国务院办公厅还印发了《关于加快发展流通促进商业消费的意见》,商务部等部委正在深入开展相关调研,广泛征求汽车行业企业的意见,将会同研究有针对性的政策措施,并适时出台,支持汽车产业高质量发展。

国家的有关政策和举措将有助于缓解汽车行业的下行压力,对我国汽车消费起到很好的促进作用。(来源:新能源汽车报)

博客 飞奔的蜗牛

LV1
2019-09-24 10:07
47

导航APP让交通更加混乱

旧金山有一条叫米格尔的街道,这里蜿蜒曲折又狭窄的路径连接着格伦公园附近的社区。直到几年前,只有那些当地居民才会走这条路,他们也深知路况带来的挑战性有多大。可现在,这里挤满了汽车,驾 ...查看全部

旧金山有一条叫米格尔的街道,这里蜿蜒曲折又狭窄的路径连接着格伦公园附近的社区。直到几年前,只有那些当地居民才会走这条路,他们也深知路况带来的挑战性有多大。

可现在,这里挤满了汽车,驾车者开始把这条街当做捷径,以避开经常拥堵的另外两条出行路线。周边的居民又怎么样了呢?在这种情况下,他们想要回家都成了难事,车辆刮碰等事故几乎每天都在上演。

司机是怎么知道这里有路可以穿行的?也许,Waze、苹果地图和谷歌地图等APP的广泛使用起到了关键作用。这些智能应用程序给他们提供了围绕交通拥堵进行实时导航的服务。据估计,这类应用仅在美国就有10亿次的访问量。

问题随之而来。

不仅是在美国,全球各地的大城市同样面临着缓解交通压力的难题。越来越多的人开始抱怨出行不顺畅,很多司机还时走时停,因为他们不知道下一步要怎么走,不得不抽出时间低头盯着车内导航仪或手机看。

伦敦曾有一条只有出租司机才知道的捷径,如今却显示在了各大导航APP里;以色列也感受到了这种痛苦,因为Waze正是从这里起家,它的服务对交通造成了如此严重的破坏,以至于赫兹利亚贝特社区的一名居民起诉了该公司。

问题也越来越严重。

对于一座城市的规划者来说,交通流量是根据居住密度来预测的,而在特定的情况下,出现一定程度的流量变化完全属于正常现象。

正是为了有效应对这些实时变化,我们才在街道上看到了诸如红绿灯、距离标识、可变消息指示牌、无线电传输和拨号信息传递系统等工具。

对于特别棘手的情况,比如交通阻塞、庆典活动或紧急情况,相关机构还可以派专人前来指挥交通。

之前是这么办的,但现在导航APP占据了主导地位,这些应用要解决的通常是让单个司机的出行时间尽可能短。说白了,系统并不关心所前往的住宅街道能容纳多少汽车,也不在乎指引驾驶者去不熟悉的地方是否会带来事故隐患。

加州大学伯克利分校做的一项重要研究就是要弄清楚这些应用程序在做什么,以及如何让它们更好地与传统交通管理系统协调工作。

先来看看导航应用的进化过程。

通常,一款导航APP使用的基本路线图会根据功能将道路分成5类,把从多车道高速公路到小型住宅街道一级一级区别开来。

每一级的目标是找出在当下汽车数量与时速下,是否与导航车辆的状态相匹配,以决定是否推荐该路线。

长期以来,导航系统就是在其路径选择算法中使用这些信息来计算可能的出行时间,并选择最佳路线的。

这也就是说,导航APP通过地图搜索功能要对所有可能到达目的地的路径进行分析。如果这是发生在用户出发前,那没有问题,但对已经上路的司机来说,要是还采取相同的搜索模式,不仅计算量太大,对他们也毫无用处。

因此,软件开发人员创建了另一种算法,让系统只识别几条路线和每条线所需时间,并从中选择最佳方案。

这种方法可能会错过最快的路线,但优势是响应速度快。用户也可以自行调整这些算法,给出其偏好的道路类型。

再后来,像Here和TomTom这样的数字地图企业开始把主要精力放在了构建数据集上,通常每季度发布更新的地图。但在两个版本之间,地图和导航应用程序建议的路线没有改变。

当导航功能成为智能手机上再平常不过的应用后,供应商有了收集新信息的机会。在用户同意的情况下,他们获得了人们出行时间和位置的数据。

最初,系统供应商把这些GPS踪迹化作历史数据放到了算法设计之中,并以此估算一天中不同时间、不同道路上的车流量。

然后,他们将估值与地图整合到一起,我们现在经常看到的红、黄、绿三色路线模式就是这么出来的。其中,红色意味着拥堵严重,绿色则意味着畅通无阻。

这还没完,随着GPS收集的历史记录不断增加,再加上蜂窝网络的覆盖率和带宽不断提高,开发人员开始向用户提供近乎实时的交通信息。一款导航APP的使用人数越多,它提供的信息准确度也就越高。

2013年也许是个转折点。正是在那一年,Here、TomTom、Waze和谷歌瞄准的已不仅仅是提供交通拥堵情况,他们开始对出行路线给出实时的改道建议,意在帮助用户绕过更费时间的道路。

混乱由此开始。

依靠大量数据支持,导航APP知道了前方的路况信息,可这些程序无法预测的又是什么呢?下图案例也许能更让我们有更清楚的认识。

图中,我们假设一位员工想要从左下角的绿色办公楼开车回到她位于右下方的绿色住宅位置。此时,A点体育场将要举行大型活动,也许是球赛,又或者是演唱会,但这不重要,重点是这让她不能选择最快捷的高速公路路径,因为这条道正被大量驾车前来的观众占用着。

于是,该员工打开导航,系统给出的最短回家方案是图中的蓝线,但中途要经过B点的住宅区狭窄小路以及C点的可开闭吊桥。(在不知道吊桥开合情况下,很有可能会耽误时间)

红线代表的方案直接穿过D所在的市中心,还会经过一所小学,位于E点。系统不知道今天学校也有活动,周边道路停满了家长的车。好在我们假设的主人公知道她家附近的情况,因此选择了紫色所代表的线路。

看到问题所在了吗?三条线路中,程序建议的两种较短方案都没有司机决定的第三条线路来得方便。

而对于那些没走高速路、想抄近路去体育场的人,他们往往不熟悉当地环境,因此只能听从导航的指示。而当大多数司机都这么做时,就不难解释为什么市内的交通会变得如此糟糕了。

从表面上看,实时的路径变换并不会引起混乱。城市一直在这样做,只不过使用的不是APP,而是通过改变信号灯、流量预警等设备实现的。真正的问题是,交通管理APP没有与现有的城市基础设施联系到一起,也就没有办法给出最有效的建议。

首先,此类APP无法给出指定社区的特点。还记得上面提到的5种道路分类吗?这基本上就是导航系统对道路了解的最深层次。

拿洛杉矶的巴克斯特街来说,它最初只是一条用来放羊的小道,就算是在如今变成公路的情况下,也依旧是一条极其陡峭的道路。导航APP可不知道这种情况,在程序面前,这条路与其它道路并无区别,最多也就是会提醒司机要减速慢行而已。

事实上,这条道的坡度达到了32度,当你开车到达顶端时根本看不到下方的路,也无法判断是否有相向而行的车开上来。

这个盲点会导致司机意外停车,让这条曾经安静的街道成了经常发生交通事故的地点。

其次,计算机算法可能不会考虑其选择的路径周边的情况。

举例来说,程序能知道某个地方来来往往的行人有多少吗?或者出现了图例中假设的学校活动?要经过没有信号灯的小型路口怎么办?

如果把导航APP比作人类助手的话,那他们所做的只能说是为了自己好。从一开始,他们就很自私的认为,每辆车都在争夺通往目的地的最快路线。

不仅如此,每个导航APP供应商——谷歌、苹果、Waze(现在归谷歌所有)——都在独立运作,这进一步加重了“自私的路径选择”问题所引起的混乱。

那些使用率较低的程序在提供不了准确信息时,会参考历史数据给司机提供建议,这反而对改善交通情况起到了负面作用。

真实的情况是,多个独立的参与者在不具备完整信息的条件下就开始了各自的导航服务。

与此同时,城市工程师也在孤立地工作着。他们同样得不到完整的信息,因为他们不知道相关的APP在什么时候会给出怎样的出行建议。一座城市因此失去了对需要进入其道路的交通流量的控制。

这既是一个短期的安全问题,也是一个长期的规划问题。

对于后者,便利的导航应用已使城市对可以用来制定更好的交通缓解策略信息视而不见。例如,对企业制定的工作班次或公共交通运营的线路规划要求就已经没有之前那么迫切了。

1.jpg

洛杉矶陡峭狭窄的巴克斯特街

因此,作为驾驶者,你可能会依靠导航获得不少便利,但要是把它当成是一场漫长的技术比赛,人们能否一直从中获益值得怀疑。

要做到这一点,需要对整个交通系统进行思考,甚至还要考虑行业的总燃料消耗和排放量才行。与此同时,社区和市民开始反击。他们反对的是那些把街道当成通道的陌生人。

在问题出现的早期,也就是2014年左右,居民们曾尝试在相关APP中标记虚假事故,让该软件相信附近发生了交通堵塞,因此不建议司机走这里。

有的社区则安装减速带,减缓交通速度,这样在APP中就能显示出更长通行时间。更有甚者,比如新泽西州的莱奥尼亚镇,在上下班高峰时段关闭了许多街道,禁止车辆通行。邻近的城镇也纷纷效仿。

最近,洛杉矶市对巴克斯特街的问题做出回应,称将把这条街改造为单行下坡道。这意味着居民往返的路程会变得更长,但确实能减少交通混乱的局面。

如果觉得导航不会造成严重后果,2017年洛杉矶发生的一场大火也许给出了不同的答案。

当时,一位靠导航开车的司机被引导至城市封锁的街道上,直奔火灾的源头地区,幸好在一名警官的帮助下,他才将车辆转向到一条更安全的道路。

在突发情况下,导航APP也许无法及时更新数据信息,而这再一次显示了软件与传统交通管理之间缺乏一致性。

导航所具备的功能还只是在一定程度上避免而非改善交通拥堵,这只能治标,不治本。

我们真正想要的是这么一种社会最优状态,在这种交通系统下,任何移动出行所需平均时间都被减小至最低值。交通工程师把这种状态称为最优均衡。

那么,在现有机制下,如何让导航与基础设施融合到一起,朝着这种最优均衡前进?

确实很难。像谷歌、苹果这样的大企业具备运营相关业务的实力,但许多城市只有很少的资金用于先进技术的开发。如果没有能力投资新技术,城市就无法赶上这些大型技术供应商,只能依赖监管。

当然,也不是没有更好的方法。只不过,我们必须说服软件制造商,让他们彼此分享信息,城市政府也要配合,将包括交通信号灯的时间安排在内的基础设施情况加入到算法当中。

这种数据共享将使厂商APP的信息更准确,同时给城市交通规划者提供了极大帮助。不仅如此,分享所有这些信息将有助于我们找出减少拥堵和管理车流的新方法。

但汽车出行的规模之巨大,这才是交通管制遇到的真正挑战。

想要把来自软件用户的信息和城市设施获取的信息全都汇集到一起,也就意味着需要打造更强的数据分析管理系统。

还需要开发模拟软件,利用全部数据构建出城市规模的动态出行场景。这种软件目前是美国能源部节能出行系统项目研究的一个关键课题,涉及劳伦斯伯克利国家实验室、阿贡国家实验室、太平洋西北国家实验室这三家机构,Here也参与到了其中。

使用美国能源部的超级计算机,已经有研究小组开发出面向大型城市的模拟程序,并且在几分钟内就能得到反馈。在过去,同样级别的模拟可能需要几天或几周的时间。

在为旧金山湾区创建的一个模拟项目中,工作人员增加了一种算法,当系统预计会出现严重拥堵时,它可以让车辆改道。

结果显示,平均每小时有大约4万辆模拟汽车在早上拥堵高峰时选择了改道,而在晚上拥堵高峰时,每小时会改道的车辆达到12万辆。如果再加入发生交通事故的指令,这一数值会接着飙升。

有了这样的数字模型,道路规划人员就能知道如何平衡各车道的流量。

接下来的问题是,要把多少汽车分流到更狭小的街道上,以及如何把接送孩子造成的周边拥堵等情况加入到算法当中。相关机构目前正针对此类问题寻找改进措施。

最后要说的是,不管是解决技术性的,还是非技术性的交通问题,都需要在导航应用提供商、城市交通工程组织,甚至像Uber和Lyft这样的涉及交通行业的技术公司之间建立公私合作关系,在这之后,合作生态系统才能成为现实。

在这一点上会出现新的阻力。比如,地理位置数据可能包含不能任意共享的个人信息,当前的商业模式也让盈利性公司不愿提供有价值的数据。

但可以想象,随着我们更多地了解是什么影响了交通动态,考虑到邻里关系、车队所有者的商业目标、以及人们的健康和便利时,更有效的出行线路和交通控制也将从中产生。

多开几分钟车,给邻居腾出一点时间与空间,并为改善环境做出贡献,这样做难道不好吗?


博客 gaohong

LV1
2019-09-23 10:21
57

汽车制造商的“软件突围”

汽车制造商正加入软件供应商的行列,试图从联网汽车能够提供的数据蛋糕中分得一杯羹。正如数十年前他们涉足汽车硬件一样。 ...查看全部

汽车制造商正加入软件供应商的行列,试图从联网汽车能够提供的数据蛋糕中分得一杯羹。正如数十年前他们涉足汽车硬件一样。

1.jpg

同时,联网汽车的销量正在迅速增长,有机构预计2023年的全球联网汽车销量将达到7250万辆,这意味着接近70%的新车将与互联网连接,获取用户的驾驶习惯和信息娱乐数据。

而中国智能网联汽车产业也初步确定了“三步走”的发展目标,到2030年,汽车DA(驾驶辅助)及以上级别的智能驾驶系统将成为新车标配,汽车联网率将接近100%。

作为全球汽车销量的领头羊,大众正在经历一场巨大的数字转型,以适应不断变化的市场环境。“大众正迅速转型为一家软件公司,从内燃机转向拥有自己软件专长的数字公司。”

最为颠覆性的数字,就是到2025年,大众集团内部技术开发的比例将从目前的不到10%上升到至少60%。这意味着传统的汽车供应链关系正在被打破。

同时,大众汽车决定开始一项到2025年的全面改革计划,包括大力削减供应商复杂性,使自身变得更加灵活,促进软件为中心运营模式是这一转变的关键部分。

大众品牌数字汽车和服务主管克里斯蒂安?桑格(Christian Senger)近日在法兰克福车展上表示,核心的运营团队将拥有多达1万名研发人员。大众早些时候提出了一项计划,计划将约5000名软件专家汇集到一个单一部门,开发“vw.os”,一个跨越所有旗下车型的统一软件操作系统。

大众首席执行官赫伯特?迪斯(Herbert Diess)已规划在软件和数字领域大举扩张,并于今年早些时候与战略合作伙伴微软开始推出业内最大的汽车云服务。

许多汽车制造商也已经开始接受这种转变,并已将他们的重心从硬件开发转向软件开发,这其中包括不断分拆和出售旗下的零部件子公司。从自动驾驶,到嵌入式软件和信息娱乐系统,像宝马、戴姆勒或丰田这样的公司很可能会扩大他们的影响力,不仅成为汽车制造商,而且成为软件公司。

丰田汽车同样非常严肃看待这个问题,“汽车制造商不再与自己竞争。他们实际上是在与那些真正具备数据和软件能力的新公司竞争。这种竞争转变,正迫使汽车行业恶补软件,以便在行业的新演变中更好地竞争。

比如,丰田、大众等多家汽车制造商巨头参与的开放式汽车级Linux(AGL联盟),软件工程和开发团队能够利用AGL的通用代码(大约70%的公共代码),而不是从头开始开发,从而节省了时间成本。

在此基础上,丰田汽车的工程师们可以开发特定于自己品牌车辆的特性和选项,并将其添加到自己的代码库中。和安卓、QNX、AliOS、HarmonyOS不同的是,AGL代表的是汽车制造商(尽管目前仍以日系和部分欧美汽车制造商为主)以及相关零部件厂商的利益联盟。

作为唯一一个汽车行业传统企业参与主导的操作系统,AGL的目标是成为行业标准。而也有一部分行业人士将AGL的成功部分归因于汽车制造商对数据所有权的矛盾心态。

不过坦率的说,就像个人电脑和智能手机行业一样,未来的操作系统将由一两家供应商主导,这是一种赢家通吃的市场。这将反过来推动硬件的销售,在未来许多年,硬件仍将是核心竞争力。

但对于丰田、大众来说,这样做的理由很简单,与智能手机一样,在硬件层面也有许多竞争对手,他们可以提供更高性价比的产品。而且,通常情况下,不同的汽车制造商使用相似的电子硬件,这使得汽车制造商很难将自己与其他制造商区分开来。

另一方面,汽车软件是一个快速发展的行业,智能联网汽车刚刚开始进入这个市场。有机会成为这个不断增长的行业的市场领导者,将为汽车制造商创造巨大的优势,尤其是差异化优势。

这其中最大的原因在于,硬件增强了汽车的功能,并为其提供了各种基础保障,但是软件层允许用户参与其中,更关键的是大多数硬件(除了那些外置在车外和舱内的传感器、显示屏)对于用户来说,就是一个黑匣子。

特斯拉汽车就是一个很好的例子。它提供了一个很大的信息娱乐屏幕,这实际上成为了汽车的中心。仅这一点就给人一种感觉,这款车非常注重软件和数字体验。

同时,OTA的更新使汽车在购买后能够接收新功能,如自动驾驶或加速速度增加。这是一个巨大的卖点,因为这会给汽车带来持续的附加值。用户不仅仅是一次性的购买者,而是软件生态系统的忠实用户。

这也使得汽车制造商可以通过在购买汽车后提供新的服务和功能升级来产生额外的销售利润。此外,它还提高了客户的品牌忠诚度,因为它在用户和OEM之间创建了一个持续的对话。

不管你是否同意埃隆?马斯克的观点,每一家汽车制造商私下里赞赏特斯拉的一点是,它的电动汽车能够为整辆车进行在线(OTA)软件升级。而到目前为止,除了特斯拉,还没有任何一家汽车制造商能够做到这一点。

与此同时,在联网汽车功能上,大众等汽车制造商也在加快跟进。按照计划,2020年大众汽车的大多数车型都将升级标配其汽车网络信息娱乐系统,让车主使用智能手机应用远程启动汽车。这款应用还可以显示车辆停放时的位置,并提供远端信息,如油位、里程表读数以及门窗是开着还是关着。

但同时,这也意味着那些只做了表面功夫(提供了标准的硬件、标准的软件)的汽车制造商,如果无法改变传统的运营模式,没有为用户提供持续性的迭代体验升级,也将被无情淘汰。

因为,软件必须快速迭代,并能够给用户带来不断丰富的功能。(因为对于普通用户来说,在手机与车机之前,自然存在体验的对比。)转向软件很重要,也很有价值,但是用户体验才是应该考虑的因素。

对于用户来说,他们会期望任何智能设备,包括他们的新联网汽车,都应该以这些标准(智能手机)为目标。

与此同时,汽车制造商应始终牢记,此类系统的安全性是重中之重。汽车不仅仅是一种智能设备,它还是一种交通工具,任何软件故障都可能导致致命的后果。

随着科技巨头“入侵”汽车行业,传统汽车制造商将不得不决定他们想要经营价值链的哪一部分。

过去,开发一款新车型花费大约3-5年时间,耗资高达10亿美元,这并不罕见。而在过去的十年中,软件驱动的系统已经增长到这些成本的一半。有数据显示,仅仅在一款新车中添加ADAS功能,工程复杂性指数就会增加20%以上。

此外,数字化工程体系涉及直接影响汽车的工具,如虚拟化、联网汽车的数据和人工智能),还有基于云的协作平台,可以改进工程人员的沟通和协作方式。但对汽车制造商来说,这是一笔庞大的支出。

比如,通用汽车近日宣布和塔塔咨询服务(TCS) 在未来的全球汽车工程领域建立新的战略伙伴关系。这是建立在两家公司长达16年的合作基础上。通用汽车于2004年在班加罗尔建立了技术中心(GMTC-I),按照计划,1300多名员工将转移到TCS。

下一代汽车研发是TCS的一个重点领域,按照计划,TCS将收购位于GMTC-I的部分资产,并在未来5年内为通用全球汽车项目提供工程设计服务,包括推进系统、车辆工程、控制开发、测试、创意设计和特殊项目。

在《高工智能汽车》看来,未来几年,汽车制造商将洗牌分层:你是设计和制造公司?一家传统的组装公司?一家客户体验公司?还是一家安全可靠的运输公司?这些问题的答案将从根本上改变谁在汽车生态系统中做什么,谁将处于最有利的地位。

正如大众集团选择一边裁员、一边招聘,为了满足行业的新需求,拥有更多的高技能技术研发人员对于汽车制造商来说将是至关重要的。但最根本的是如何实现文化上的根本性转变,在内部管理架构、在敏捷的需求反馈以及在开发周期上。

或许,我们今天应该关注的真正的汽车革命很可能不是汽车本身,而是汽车行业。

对于汽车制造商来说,一个目标是成为苹果,一家拥有整个产业链从硬件到软件的模式,一个目标是成为Android 或者微软,成为行业标准产品的输出者,这一点大众的MEB平台非常类似,其与福特的合作就是一个案例。

这两种战略从根本上是不同的,一方面,苹果引领潮流,但更多的开放系统很快跟上并最终占据了主导地位。像Android这样的开放系统在数量上占主导地位,但是苹果在利润上继续领先。

然而,现在汽车制造商面临的更大困难,来自于市场。

冬天即将来临。这是近日开幕的2019年法兰克福车展发出的明确信息。宝马、戴姆勒大幅缩减了主场展厅的面积,根本问题是显而易见的——全球汽车销量迅速下滑,尤其是在中国。

从2017年开始,行业内几乎每个人都在谈论C.A.S.E.(连接、自主、共享、电动),然而,在2019年,这个梦想破灭了,被汽车销量暴跌的严峻现实和相关的利润预警扼杀。

几乎所有人都从可笑的商业模式的“乌托邦”中退了回来,只留下这些汽车制造商的首席执行官在积极地走这条路。

而在本届法兰克福车展上,汽车制造商强调的可见趋势是辅助驾驶,而非自动驾驶。但在座舱车联方面,汽车制造商仍在坚持大力推广(更多的大屏、集成联网的数字座舱、更智能的人机交互),但汽车销售将是衡量消费者接受程度的最终指标,否则未来可见的仍是豪华品牌和高配车型的配置,而非全面开花。

现在,汽车制造商需要决定下一步怎么走。


博客 gaohong

LV1
2019-09-23 10:21
55

2020版智能汽车测评规程发布,拒绝“L2名不符实”「GGAI视角」

9月17日,由中国汽车工程研究院主导的i-VISTA发布了2020版智能行车和泊车测评规程,首次涵盖了L2级自动驾驶系统的功能。该规程所引用的文件标准主要来自于ISO、SAE以及国标相关的标准。 ...查看全部

9月17日,由中国汽车工程研究院主导的i-VISTA发布了2020版智能行车和泊车测评规程,首次涵盖了L2级自动驾驶系统的功能。该规程所引用的文件标准主要来自于ISO、SAE以及国标相关的标准。

L2级自动驾驶功能主要强调的车辆系统的横纵向控制能力,基于此能力在功能上主要体现为全自动泊车系统、交通拥堵辅助TJA和高速公路辅助HWA等系统。

TJA功能是在车辆低速通过交通拥堵路段时,实时监测车辆前方及相邻车道行驶环境,辅助驾驶员对车辆进行横向和纵向控制,属于L2功能。

HWA功能是在高速公路上,实时监测车辆前方及相邻车道的行驶环境,辅助驾驶员对车辆进行横向和纵向控制,并对驾驶员状态进行实时监控的驾驶辅助系统,属于L2功能。

本规程以国内外标准为基础,根据智能行车辅助系统单车道纵向控制能力、单车道横向控制能力、单车道纵横向组合控制能力、换道辅助能力四大核心功能。

同时,结合中国自然驾驶数据和中国驾驶员行为统计数据设计试验场景,包括目标车静止、目标车低速、目标车减速、前车切入、直道居中行驶、直道驶入弯道、盲区无车、盲区有车共8个试验场景。

一、细化横纵向控制

体现在测试项目上,细化了横纵向控制测试的分类项目。

L2级功能的区别在于,在纵向控制的基础上,叠加了横向控制,因此增加了对横向控制和横纵向控制单独测试的项目。

其中单车道横向控制能力的测试中,要求车开启L2级智能行车辅助功能,以不同的速度在直道内行驶,包括60km/h,90km/h,期间驾驶员不干预方向控制,主车在直道内保持稳定行驶 15s,本次试验结束。

单车道横纵向组合控制的能力,则是在主车开启L2级智能行车辅助功能,分别以不同设定速度巡航行驶,在直道上稳定行驶5s后驶入规定的速度下所示的弯道中。

在弯道半径250m的情况下,以80/90/100km/h的速度完成左右转弯,在500m转弯半径的情况下以110/120km/h的速度完成左右转弯。

该试验用于评价主车直道入弯时,在车道内居中保持能力的测试,根据图 13 进行测试。弯道采用要求中的弯道,左弯道或右弯道均可作为该测试场景的弯道,任选其中一种进行试验。若车辆具备入弯前主动降速功能,可根据企业要求配置限速标识信息。

1.jpg

(1) 主车开启智能行车辅助, 以80km/h的速度在直道上居中行驶,距离弯道 200m处时,速度达到稳定状态,开始记录有效数据;

(2) 主车从直道驶入弯道后,车辆在车道内行驶在弯道内行驶150m(或5s,取较大值),或车辆偏离出弯道,则本次试验结束。

(3) 主车速度增加 10km/h,继续做下一次试验。

(4) 直到主车速度超过相应的速度范围,或车辆驶出原车道,则本场景试验结束,不同弯道半径分别为不同场景。

二、增加换道功能测试

除了过弯测试横纵向的组合控制能力,还有换道功能的测试,包括盲区无车和有车的场景。

在车道线清晰的车道内,驾驶员输入变换车道的指令时,主车可根据车辆周围环境,正确执行换道动作。

在盲区无车的情况下,测试过程为主车设定速度为 90km/h,开启 L2 级智能行车辅助系统,单车行驶在直道内稳定行驶 5s 以上。驾驶员按照车辆用户手册要求,输入换道意图(如打转向灯等),测试主车是否正确换道。

在主车相邻车道盲区内有车的情况下,驾驶员输入变换车道的指令时,测试主车是否可根据车辆周围环境,正确执行/抑制换道动作。

2.JPG

测试过程为主车、目标车设定速度为 90km/h,开启智能行车辅助系统,目标车在左侧相邻车道盲区内行驶,两车稳定行驶5秒以上,如图所示;驾驶员按照车辆用户手册要求,输入换道意图(如打转向灯等),测试主车是否抑制换道,是否发出报警信息。

三、明确车主手册准确性

在测试过程中,也特别强调了车主用户手册中对L2级功能描述的准确性,提示信息是否完整,是否存在歧义。

在最终的评分中,对这部分也会进行打分。

同样在全自动泊车环节,也对横/纵向车位自动泊车进行了相关的测试要求,包括不同车辆入库次数,泊车成功与否、停车姿态等。

四、待开箱测试的L2

在最新版本的测试规程之前,i-VISTA已经对部分车型进行了测试和打分,仅限于对L1级以下功能进行测试评分。在测试过的车型中,仅有少数车型配置了L2级的自动驾驶功能,未进行测试。

沃尔沃XC602019款T5 四驱智雅豪华版可以实现L2级的TJA和HWA功能,使用的传感器有1颗前视单目摄像头和3颗77GHz毫米波雷达。

特斯拉Model S 2016款75D可以实现L2级的全自动泊车、TJA和HWA功能,使用的传感器有1个前视三目摄像头和1颗77GHz毫米波雷达,12颗超声波雷达。

吉利博瑞GE 2018款MHEV轻度混合动力耀尊版可以实现L2级的全自动泊车、TJA功能,使用的传感器有1个前视单目摄像头和1颗77GHz毫米波雷达,12颗超声波雷达。

北京奔驰C级 2019款C260运动版可以实现L2级的全自动泊车、TJA功能和HWA功能,使用的传感器有1个前视双目摄像头和3颗77GHz毫米波雷达,12颗超声波雷达。

这些车型都配置了L2级的部分功能,全自动泊车功能是通过12颗超声波雷达实现,TJA和HWA则需要依赖前向的摄像头和远距离毫米波雷达。这些功能此前还未进行评价,在此之后,将会通过评价规程进行测试、打分。

号称搭载L2级辅助驾驶系统的车辆将要通过单车道横向控制的考验,完成换道、过弯的挑战,L2级辅助驾驶系统也将开始告别“名不符实”的时代。


博客 飞奔的蜗牛

LV1
2019-09-19 11:14
73

9月21日上海 听大咖讲解新能源汽车电驱动技术路线

指导单位:中国人才研究会汽车人才专业委员会主办单位:国家特聘专家汽车组 盖世汽车在以往六届成功经验的基础之上,由中国人才研究会汽车人才专业委员会指导,国家特聘专家汽车 ...查看全部

指导单位:中国人才研究会汽车人才专业委员会

主办单位:国家特聘专家汽车组 盖世汽车

在以往六届成功经验的基础之上,由中国人才研究会汽车人才专业委员会指导,国家特聘专家汽车组及盖世汽车主办的2019第七届汽车与环境创新论坛,将携百名行业权威嘉宾,共同探讨中国汽车产业在转型升级的新形势和新常态下,整车厂与零部件企业协同创新、升级做强、共同应对严峻市场和产业变革挑战之发展路径。

时间:2019年9月20日-21日

地点:上海

主题:应对挑战 创新破局

2019第七届汽车与环境创新论坛将由一个主论坛加四个平行论坛组成,盖世汽车CEO周晓莺、一汽集团党委常委副总经理王国强、中国汽车动力电池产业创新联盟副秘书长王子冬、腾讯周平、小鹏汽车副总裁刘明辉博士等都将作为论坛演讲嘉宾,围绕当前行业面临的变革趋势,以及需要采取的应对策略等话题,进行发言和探讨。

以下为详细日程

2019第七届汽车与环境创新论坛日程

Day 1 上午 全体会议 应对挑战 创新破局

大会主席:上汽集团乘用车技术中心总监,徐政

时间Time

议程 Agenda

08:45-09:30

开幕式:主持人致欢迎词并介绍参会领导及嘉宾

领导及主办方致辞

领导致辞:中国汽车工业协会副秘书长,师建华

中国人才研究会汽车人才专业委员会理事长 朱明荣

主办方致辞:盖世汽车CEO,周晓莺

09:30-10:00

主题演讲:汽车产业发展新态势与应对策略

演讲嘉宾:FISITA主席,清华大学汽车产业与技术战略研究院院长,赵福全

10:00-10:30

主题演讲:能源转型背景下汽车产业可持续发展的思考

发言嘉宾:国家发改委能源研究所能源可持续发展研究中心主任,康艳兵

10:30-10:45

茶歇&合影Tea break & Group photo

10:45-11:15

主题演讲:推动产业可持续发展的政策和法规制定及其影响

演讲嘉宾:中国汽车技术研究中心副主任,吴志新

11:15-11:45

主题演讲:中国汽车市场分析及展望

演讲嘉宾:国家信息中心副主任,徐长明

11:45-12:45

圆桌讨论:中国汽车产业的挑战和破局

主持嘉宾:上汽集团乘用车技术中心总监,徐政

讨论嘉宾:国家发展和改革委员会能源研究所能源可持续发展研究中心主任,康艳兵

FISITA主席,清华大学汽车产业与技术战略研究院院长,赵福全

中国汽车技术研究中心副主任,吴志新

国家信息中心副主任,徐长明

盖世汽车CEO,周晓莺

12:45-13:30

午餐Lunch

Day 1 下午 全体会议 应对挑战 创新破局

大会主席:盖世汽车CEO,周晓莺

时间Time

议程 Agenda

14:00-14:30

主题演讲:新形势下中国品牌汽车产品和技术布局

演讲嘉宾:一汽集团党委常委、副总经理,王国强

14:30-15:00

主题演讲:动力总成电气化,迈向无碳出行社会的挑战

演讲嘉宾:本田研发有限公司汽车中心上席研究员,木村英辅

15:00-15:30

主题演讲:面对新能源汽车后补贴时代如何应对安全性问题

演讲嘉宾:中国汽车动力电池产业创新联盟副秘书长,王子冬

15:30-16:00

主题演讲:电动化动力总成多样化与发动机技术进步

演讲嘉宾:丰田汽车动力总成技术企划部部长,渡边 泉

16:00-16:15

茶歇Tea break

16:15-16:45

主题演讲:创新人工智能时代直连用户的核心

16:45-17:15

主题演讲:智能制造助力汽车行业在变革中转型升级

17:15-18:15

圆桌讨论:新四化变革发展之产业化进程

主持嘉宾:奕森科技总裁,辛军

讨论嘉宾:一汽集团党委常委、副总经理,王国强

中国汽车动力电池产业创新联盟副秘书长,王子冬

本田研发有限公司汽车中心上席研究员,木村英辅

丰田汽车动力总成技术企划部部长,渡边 泉

Day 2 上午 平行论坛(一)新能源汽车技术-整车

会议主席:精进电动创始人,蔡蔚

时间Time

议程 Agenda

08:30-08:55

主题演讲:电动车技术创新和发展趋向

发言嘉宾:小鹏汽车副总裁,刘明辉博士

08:55-09:20

主题演讲:新能源商用车的技术走向和市场挑战

发言嘉宾:福田汽车集团首席总工程师兼任工程研究总院副院长,王英博士

09:20-09:45

主题演讲:氢燃料电池技术的市场化挑战

发言嘉宾:南京格致高新环保技术有限公司,杜斌博士

09:45-10:00

茶歇 Tea Break

10:00-10:25

主题演讲:浅谈DCT混合动力的比较优势、潜力和发展趋势

发言嘉宾:新能源汽车国家创新中心,段志辉博士

10:25-10:50

主题演讲:无补贴时代的新能源汽车市场走向和政策法规约束

发言嘉宾:中国汽车研究中心北京工作部主任,王成

10:50-11:15

主题演讲:小型轻量智能电动车

发言嘉宾:领途汽车有限公司汽车研究院院长,伍战平

11:15-12:15

圆桌讨论:新能源汽车路在何方?(技术创新、市场需求、法规设计)

主持嘉宾:上海交通大学机械(汽车)学院副院长,殷承良博导

讨论嘉宾:吉利汽车研究院电驱动系统总监,张剑锋博士

长城技术中心副主任,单红艳

小鹏汽车副总裁,刘明辉博士

中国汽车研究中心北京工作部主任,王成

中通客车控股股份有限公司副总经理、中通客车技术中心主任,囤金军

12:15-13:30

午餐 Lunch

Day 2 下午 平行论坛(一)新能源汽车技术-零部件

会议主席:合肥工业大学汽车研究院院长,张农

时间Time

议程 Agenda

13:30-13:55

主题演讲:高比能动力电池与准固态电池的技术创新与产业化挑战

发言嘉宾:江苏师范大学,马昕教授

13:55-14:20

主题演讲:电驱动技术进步与产业链建设

发言嘉宾:精进电动创始人,蔡蔚博士

14:20-14:45

主题演讲:第三代功率半导体器件与SiC控制器技术及其挑战

发言嘉宾:中车电动总经理,刘凌博士

15:00-15:15

茶歇 Tea Break

15:00-15:25

主题演讲:充电技术与安全防护

发言嘉宾:青岛特锐德电气股份有限公司董事长兼CEO,于德翔

15:25-15:45

主题演讲:新能源汽车的减速器与变速器(WLTC工况下比较)

发言嘉宾:合肥工业大学汽车工程技术研究院院长,张农博导

15:45-16:10

主题演讲:电机控制器功能安全产品化开发关键技术

发言嘉宾:阳光电源电机控制研究所所长,陈文杰

16:10-16:35

主题演讲:创新工程与前沿技术:新能源汽车分布驱动与轮毂电机

发言嘉宾:恒大动力科技集团常务副总裁,吕超

16:35-17:35

圆桌讨论:新能源汽车电驱动技术路线图:系统、元器件和零部件布局

主持嘉宾:一汽新能源开发院助理院长兼电驱动研究所所长,赵慧超

讨论嘉宾:上汽捷能总工/EDS总监,王健

精进电动创始人,蔡蔚博士

上海大学教授,罗建

比亚迪股份有限公司第十四事业部电控工厂厂长,杨广明

科力远混合动力技术有限公司常务副总经理兼首席技术官,张彤博士

Day 2 上午 平行论坛(二)节能汽车技术探讨

大会主席:奕森科技总裁,辛军

时间Time

议程 Agenda

08:30-09:00

主题发言:新四化技术产业化进程

演讲嘉宾:长安汽车研究总院院长,詹樟松

09:00-09:30

主题发言:中国机动车排放法规实施和未来挑战

演讲嘉宾:北京理工大学教授,葛蕴珊

09:30-10:00

主题发言:汽车轻量化关键技术与挑战

演讲嘉宾:吉利汽车研究总院NVH性能开发首席工程师,顾鹏云

10:00-10:15

茶歇 Tea Break

10:15-10:45

主题发言:电气化下的整车热管理技术

发言嘉宾:上海交通大学教授,创新中心主任,陈江平

10:45-11:15

主题发言:河钢集团汽车板产品与轻量化应用技术

发言嘉宾:河钢集团钢研总院首席工程师,熊自柳

11:15-12:15

圆桌讨论:2025年汽车节能技术的机遇与挑战

主持嘉宾:奕森科技总裁,辛军

讨论嘉宾:长安汽车研究总院院长,詹樟松

北京理工大学教授,葛蕴珊

吉利汽车研究总院NVH性能开发首席工程师,顾鹏云

上海交通大学教授,创新中心主任,陈江平

河钢集团钢研总院首席工程师,熊自柳

12:15-13:30

午餐 Lunch

Day 2 下午 平行论坛(二)节能汽车技术探讨

大会主席:上汽集团乘用车技术中心总监,徐政

时间Time

议程 Agenda

13:30-14:00

主题发言:高效发动机开发

演讲嘉宾:吉利汽车动力研究院副院长,沈源

14:00-14:30

主题发言:2025:内燃机的机会和挑战

发言嘉宾:中国一汽研发总院乘用发动机平台首席,李金成

14:30-15:00

主题发言:内燃机多元化燃料技术

发言嘉宾:天津大学教授,姚春德

15:00-15:30

主题发言:耐热聚酰胺树脂PA9T在汽车部件轻量化和小型化的应用

发言嘉宾:可乐丽集团有限公司产品总监,曾祥生

15:30-15:45

茶歇Tea break

15:45-16:15

主题演讲:乘用车变速箱技术发展趋势

发言嘉宾:上汽集团乘用车技术中心总监,方伟荣

16:15-16:45

主题发言:汽车动力系统技术发展展望

发言嘉宾:AVL上海技术中心总经理,Frank Beste

16:45-17:15

主题发言:模块化混合动力系统技术发展

发言嘉宾:美国嵘波动力公司创始人,中国电动汽车百人会高级技术顾问,江苏大学教授,韩尔梁

17:15-18:15

圆桌讨论:汽车动力系统转型发展之路

主持嘉宾:上汽集团乘用车技术中心总监,徐政

讨论嘉宾:吉利汽车动力研究院副院长,沈源

中国一汽研发总院乘用发动机平台首席,李金成

天津大学教授,姚春德

上汽集团乘用车技术中心总监,方伟荣

AVL上海技术中心总经理,Frank Beste

美国嵘波动力公司创始人,中国电动汽车百人会高级技术顾问,江苏大学教授,韩尔梁

Day 2 上午 平行论坛(三)智能驾驶汽车技术

会议主席:法雷奥中国CTO,顾剑民

时间Time

议程 Agenda

08:30-09:00

主题演讲:自动驾驶技术路线图与标准体系建设

发言嘉宾:中国汽车技术研究中心智能汽车研究室暨汽车软件测评中心主任,王羽

09:00-09:30

主题演讲:场景库引导的自动驾驶汽车技术开发

发言嘉宾:同济大学汽车学院教授、汽车安全技术研究所所长,朱西产

09:30-10:00

主题演讲:自动驾驶所需的车规级激光雷达及感知融合

发言嘉宾:法雷奥中国CTO,顾剑民

10:00-10:15

茶歇 Tea Break

10:15-10:45

主题演讲:针对中国道路交通特征的雷达和ADAS系统开发

发言嘉宾:同济大学汽车学院教授、苏州豪米波技术有限公司董事长,白杰

10:45-11:15

主题演讲:自动驾驶地图与高精度定位

发言嘉宾:腾讯高精度地图负责人,谷小丰

11:15-12:15

圆桌讨论:智能网联汽车关键技术与跨产业融合

主持嘉宾:纵目科技副总裁,陈超卓

讨论嘉宾:中国汽车技术研究中心智能汽车研究室暨汽车软件测评中心主任,王羽

同济大学汽车学院教授、汽车安全技术研究所所长,朱西产

法雷奥中国CTO,顾剑民

同济大学汽车学院教授、苏州豪米波技术有限公司董事长,白杰

腾讯高精度地图负责人,谷小丰

12:15-13:30

午餐 Lunch

Day 2 下午 平行论坛(三) 智能驾驶汽车技术

会议主席:北京航空航天大学交通学院院长,邓伟文

时间Time

议程 Agenda

13:30-14:00

主题演讲:自动驾驶技术的产业化应用趋势

发言嘉宾:长安汽车智能化研究院副院长,黎予生

14:00-14:30

主题演讲:吉利智能网联汽车的研发与应用

发言嘉宾:吉利汽车研究院总工程师,刘卫国

14:30-15:00

主题演讲:自动驾驶,安全为本

发言嘉宾:沃尔沃汽车集团亚太区主动驾驶技术负责人,张立存

15:00-15:15

茶歇 Tea Break

15:15-15:40

主题演讲:定义智能驾乘体验

发言嘉宾:李尔中国工程技术中心工程总监,左跃

15:40-16:05

主题演讲:自动驾驶仿真系统软件开发、测试与评价

发言嘉宾:吉林大学计算机学院教授,王健

16:05-16:30

主题演讲:无人驾驶助推智慧矿山建设

发言嘉宾:踏歌智行创始人,余贵珍

16:30-16:55

主题演讲:从ADAS到自动驾驶验证技术的演进

发言嘉宾:美国NI大中华区汽车业务拓展经理,潘登

16:55-17:45

圆桌讨论:自动驾驶在中国的产业化路径

主持嘉宾:吉林大学计算机学院教授,王健

讨论嘉宾:吉利汽车研究院总工程师,刘卫国

长安汽车智能化研究院副院长,黎予生

沃尔沃汽车集团亚太区主动驾驶技术负责人,张立存

踏歌智行创始人,余贵珍

美国NI大中华区汽车业务拓展经理,潘登

Day 2 上午 平行论坛(四) 智能制造和数字化研发探讨

大会主席:宝沃(中国)汽车有限公司技术专家,李奉珠

时间Time

议程 Agenda

08:30-09:00

主题演讲:智能制造前沿技术与发展现状

演讲嘉宾:同济大学中德工程学院副院长,陈明

09:00-09:30

主题演讲:绿色制造技术在大型丝杠硬态干切工艺中的应用实践

演讲嘉宾:南京理工大学教授,王禹林

09:30-10:00

主题演讲:打造汽车工业“智”脑及“智”造生态

演讲嘉宾:小康集团研究院执行副院长,杨勇

10:00-10:15

茶歇 Tea Break

10:15-10:45

主题演讲:智能制造:系统视角,务实落地

演讲嘉宾:北京兰光创新科技有限公司创始人&董事长,朱铎先

10:45-11:15

主题演讲:智能制造:企业如何从数字化转型中获益

演讲嘉宾:全国信息化和工业化融合管理标准化技术委员会委员,郎燕

11:15-12:15

圆桌讨论:车市下滑,汽车智能制造转型思考

主持嘉宾:宝沃(中国)汽车有限公司技术专家,李奉珠

讨论嘉宾:同济大学中德工程学院副院长,陈明

南京理工大学教授,王禹林

小康集团研究院执行副院长,杨勇

北京兰光创新科技有限公司创始人&董事长,朱铎先

全国信息化和工业化融合管理标准化技术委员会委员,郎燕

12:15-13:30

午餐 Lunch

Day 2 下午 平行论坛(四) 智能制造和数字化研发探讨

大会主席:南京航空航天大学教授,宋廷伦

时间Time

议程 Agenda

13:30-14:00

主题演讲:数字化、智能化对整车研发体系的挑战

演讲嘉宾:奇瑞汽车总经理助理、星途事业部副总经理,陆惟一

14:00-14:30

主题演讲:整车研发中的协同设计环境与同步工程技术

演讲嘉宾:西门子工业软件(上海)副总经理,唐泉

14:30-15:00

主题演讲:云计算与协同仿真技术

演讲嘉宾:Altair高级副总裁,Richard Yen

15:00-15:15

茶歇 Tea Break

15:15-15:45

主题演讲:构建新能源汽车创新生态

演讲嘉宾: 北京新能源汽车技术创新中心有限公司总经理, 原诚寅

15:45-16:15

主题演讲:大数据与数字化研发技术

演讲嘉宾:武汉大学计算机学院副院长,李宗鹏

16:15-16:45

主题演讲:数字化、智能化汽车网络安全和整车OTA设计与管理

演讲嘉宾:金康新能源电子电器与智能驾驶总监,高继勇

16:45-17:15

主题演讲:关于整车数字化研发体系建设的几点思考

演讲嘉宾:长安汽车高级经理,胡渝虹

17:15-17:45

圆桌讨论:新“四化”对整车研发体系的挑战与应对策略

奇瑞汽车总经理助理、星途事业部副总经理,陆惟一

西门子工业软件(上海)副总裁,唐泉

Altair高级副总裁,Richard Yen

北京新能源汽车技术创新中心有限公司总经理, 原诚寅

武汉大学计算机学院副院长,李宗鹏

金康新能源电子电器与智能驾驶总监,高继勇

长安汽车高级经理,胡渝虹

会议报名通道已经开通,了解更多相关信息、报名参加现场活动,可扫描下方二维码:

主机厂人员及盖世会员可免费参会

往届部分嘉宾

往届花絮

报名咨询

冯小姐:021-39586681

Email:info@gasgoo.com


博客 gaohong

LV1
2019-09-18 11:46
85

“1中心3平台”智能交通大数据体系实践

1.jpg

为了构建现代化交通治理体系,提升品质交通服务能力,亟须构建强驱动与可持续的城市智能交通大数据体系。首先回顾了城市交通大数据研究的应用现状,然后分析了城市交通大数据的发展需求与目标,最后以广州市城市交通大数据应用为例,阐述了广州市“一个中心、三大平台”的城市智能交通大数据体系,为交通大数据的深入研究和应用提供借鉴,推动交通大数据的创新发展。

引言

现代化城市交通管理服务已经进入了以数据资源和信息技术为双轮驱动的新时期。大数据已经成为数字经济新时代不可或缺的生产资料,给城市交通的技术发展与应用革新带来了机遇和挑战,为交通管理和服务提供了更广阔的视野和更有效的途经。

为了推进交通治理体系和治理能力的现代化,提升品质交通服务能力,广州市面向新时代城市交通发展需求,健全完善了交通信息化建设管理体制机制,深入研究了城市智能交通大数据体系,搭建了广州市“一个中心、三大平台”的智能交通大数据体系框架,持续推进大数据等新一代信息技术在城市交通领域的融合应用,在数据感知、处理、应用等方面开展了一系列创新实践,为交通运输行业大数据应用提供经验借鉴。

城市智能交通大数据体系架构

本节结合交通大数据的研究应用现状及现代化交通发展需求,基于数据采集、数据处理、业务应用及服务创新等方面,分析城市智能交通大数据体系发展目标,构建城市智能交通大数据体系。

1 交通大数据研究应用现状

近年来,针对城市交通大数据的研究和应用方兴未艾,主要集中在大数据基础理论研究、大数据关键技术研究、交通领域大数据应用3个方面。

● 大数据基础理论研究主要涉及时效约束的大数据多尺度汇聚计算和动态图谱、高维空间的隐性知识序贯挖掘与演化模型、交通态势的预测机理与调控策略等领域[1]。

● 大数据关键技术研究主要从基于Hadoop框架的MapReduce模式、数据仓库、大数据处理/挖掘、中央数据登记簿、平台交通地理信息系统(geography information system-transportation, GIS-T)应用、基于非序列性数据操作、大数据融合处理、实时数据分发订阅等方面展开[2,3,4]。

● 交通领域大数据应用主要以数据驱动的方式,分析交通状况、出行规律,建立智能交通系统的分析、评价、预测模型,用于交通规划、管理、决策、控制、服务[5]。交通领域大数据应用主要集中在:城市交通数据与跨行业数据关联分析挖掘、城市交通流预测、城市旅游线路推荐及交通诱导、车辆识别系统、交通事故预警及安全监控、城市交通布局与规划、基于大数据的交通信息服 务[6,7,8,9]。

2.JPG

总之,当前交通大数据的研究应用缺乏针对城市整体智能交通大数据体系的顶层规划设计[10],包括数据采集、软硬件体系、业务及服务应用、保障体系及机制等方面的统筹规划、系统梳理、深入研究与融合应用。

2面向新时代的 城市交通大数据发展需求

依托交通大数据资源形成的“数据智慧”,亟须构建以交通大数据体系为统领、科技创新为驱动的发展模式,满足现代化交通管理服务需求。首先,需完善网络化、标准化的交通状态感知体系,进一步整合数据资源;其次,需创新交通大数据分析应用,支撑城市交通高效运营管理、智能化服务;第三,需强化顶层设计、融合发展,构建城市智能交通大数据生态体系。

3城市智能交通大数据体系发展目标

(1)从城市交通层面,驱动城市交通创新发展

以需求为导向、以数据为核心、以科技为支撑,围绕数据采集、传输、存储、处理、分析挖掘、展现应用、开放创新全链条,促进城市交通大数据开发利用,提升交通数据治理能力,支撑交通决策管理创新、交通信息服务创新,引导交通行业体制创新。

(2)从城市整体层面,推进城市融合智慧发展

基于城市交通大数据体系,围绕“交通出行空间”,以交通大数据为纽带,推动交通与城市其他领域数据共享、融合,促进城市规划布局、管理决策、运营服务的智慧发展。

(3)从产业体系层面,推动产业生态体系构建

基于大数据在智能交通的融合应用,优化保障体系和创新机制,发展相关软硬件研发、新兴服务业态,推动大数据产业和智能交通产业协同创新发展,打造城市交通大数据产业生态体系。

4城市智能交通大数据体系框架

以城市交通大数据中心为核心,结合人工智能、云计算、移动互联网、物联网等技术手段,通过数据采集平台、共享交换平台,全面采集、有机整合各种交通数据,以应用为导向,通过云平台对数据加以分析挖掘,从而支撑综合业务平台和创新服务平台的有关应用,并完善标准规范、保障体 系、数据共享开放机制、应用创新机制,构建适用于大中型城市的智能交通大数据体系(总体框架如图1所示),支撑新时代的智能交通运营管理服务。

城市智能交通大数据体系涵盖3个子体系、4个层级。3个子体系如下。

● 基础支撑子体系:包括智能感知平台和智能交通大数据中心。

● 创新应用子体系:包括综合业务平台和创新服务平台。

● 长效发展子体系:包括产业子体系、保障子体系、共享开放机制、应用创新机制。

4个层级如下。

● 感知层:以感知网络为基础,借助各类检测手段和检测设备,感知采集人、车、路、环境等交通要素数据,形成立体化、全领域的感知能力。

● 分析层:通过高速通信网络实现对“感知层”数据的传输,实现交通数据共享交换平台对数据的整合,实现对综合交通数据的深度分析,为应用层和服务层提供技术支撑。

图1

图1 城市智能交通大数据体系总体框架

● 应用层:应用的主体包括企业和政府。前者主要是应用数据提升企业经营管理效能,从而更好地提供交通运输服务;后者是以数据提升交通治理能力,增强模糊征兆预判能力,辅助精细化管理决策。

● 服务层:基于分析层的数据分析能力、应用层的基础业务能力,借助移动互联网等手段,创新实时互联交通服务模式和业态,面向公众提供出行诱导、查询、预约、支付、评价等综合性、一体化服务,也可进一步为分析层提供更加丰富、全面的交通数据。

广州智能交通大数据体系实践

1 广州智能交通大数据体系框架

广州市从促进数据感知共享、强化数据传输效率、深化数据挖掘分析、创新数据应用服务4个方面出发,构建了“一个中心、三大平台”的城市智能交通大数据体系,如图2所示。其中,“一个中心”指的是交通大数据中心,“三大平台”分别是智能感知平台、综合业务平台和创新服务平台。

2广州智能交通大数据应用案例

在智能交通大数据体系框架下,广州市强化数据融合分析与关联挖掘,构建跨维度数据分析能力,以大数据创新驱动行业治理和服务品质提升。下面根据框架的结构分别选取典型案例进行介绍。

(1)广州市交通行业数据共享与分析服务平台

作为交通大数据中心的核心组成部分,广州市交通行业数据共享和分析服务平台整 合了广州交通行业的数据资源。数据资源涵盖17个行业,共800多类数据,接入90余个交通行业信息系统,每天新增数据量超过250 GB。同时平台实现了跨部门、跨行业、跨领域的信息共享,接入广州市公安局、地铁集团、气象局、环保局等数据资源,支撑重点区域的客流监测分析、疏运保障、交通治理、高速路与快速路交通保障等应用。此外,该平台建立了广州市交通行业数据标准规范、数据资源目录、数据资源共享和基础应用服务等核心体系,按照交通部相关数据标准及本地数据应用需要,梳理完成5 000多项数据标准,进一步加强和规范了交通信息数据的共享管理工作,统筹管理全市交通行业数据资源,为各类业务系统提供数据综合集成分析能力。

(2)交通运行综合监测与融合管理平台

该平台采用多维度集成化数据融合管理方式,对机场、港口、铁路、公交、出租、地铁、水上巴士、客货运输、维修驾培、交通路网和站场、实时路况及人群客流等各领域情况进行集成管理,实现综合信息监测、多维专题分析、预警提醒等功能。平台通过业务融合分析,针对性地开展综合交通、公共交通、道路运输、城市交通治理等多个业务数据的决策研究,建立分层分级交通情形一站管控,为全面掌控交通态势、科学指挥调度提供支持。

(3)交通要素多源采集模式

城市交通大数据体系通过采集更多细粒度的数据,特别是客流、车流时空状态量化感知,强化交通需求、交通供给、交通环境的立体化感知能力。目前广州市交通行业已经形成了多源数据采集模式,通过视频、移动信令、机器视觉、卫星定位、一卡通、感器、微波、新一代蓝牙等采集渠道,感知车 流、客流、物流、道路、交通事件等要素的状态信息。其中,卫星定位数据为12.5亿条/天,已全面覆盖广州市的1.5万多辆公交车、2万多辆出租车、13万多辆客货营运车及2万多辆网约车,实现了车辆的实时定位、运营安全监管、出行信息服务等功能;视频有10 000多路,业务数据为2 000万条/天;IC卡数据约900万条/天。

图2 广州市城市智能交通大数据体系

(4)智慧春运3.0系统

为了疏解节假日客流激增高压,广州市交通运输局组织公交集团下属交投公司,集成公交、出租、客运、地铁、航空、铁路、视频、气象等与交通相关的230余类数据,利用大数据、人工智能等技术升级建成智慧春运3.0系统。该系统全面实时掌握当前情况,精准高效预测未来趋势,定量定向定方式调度运力,预先评估措施影响及复盘评价总结,形成了科技春运交通保障新模式。

(5)广州市公共交通智能管理服务平台

结合“公交都市”创建工作,广州市推进公交智能化应用示范工程建设,在智能公交管理系统基础上,建成广州市公共交通智能管理服务平台。平台从公交线网、运力、客流、服务监督、运营监测五大板块进行宏观管理,并对广州市的快速公交、定制公交、水上巴士、观光环线四大类特色公交进行综合性实时监测,满足人们对公交行业100余项信息进行综合查询、趋势分析的需求,以移动互联、全国一卡通互联互通等技术为市民提供便捷出行服务,集成人脸识别、智能调度技术提供一键叫车及时响应服务。

(6)城市综合交通运行态势监测分析系统

运用移动互联网、大数据、云计算、卫星定位等信息技术,基于交通行业数据共享和分析服务平台,广州市构建了集公交、出租、客运、道路运输、站场枢纽、公路等行业监管服务于一体的城市综合交通运行态势监测分析系统,为实时掌握各行业运行情况、快速开展交通指挥决策提供了有力的技术支持。

(7)公众出行信息服务

为了使公众出行可预期,通过整合多个部门数据,广州市打造了全方位、多模式、全覆盖的交通服务体系,推出了“行讯通”等综合交通信息服务平台,提供出行规划、线路导航、到站时间预测、候车提醒、公交到站提醒等20余项一站式信息查询,满足了公众实时了解在途位置、途经道路路况、出行所需时间、预估何时到达终点等预期需求。另外,为了拓宽信息服务覆盖面,广州市交通运输局通过与高德软件公司、阿里巴巴集团等主流互联网运营商合作,为公众提供了更全面、准确的信息服务。

此外,广州市在机场客流疏运、公共交通客流监测预测、公路客运发班辅助、出租车智能调度、出租车执法稽查、道路运行态势、视频智能化分析等方面深度推进大数据应用,形成了以“一个中心、三大平台”为支撑载体的智能交通大数据应用体系。

广州市智能交通大数据体系建设成效

广州以大数据创新驱动行业治理和服务品质提升,基于数据分析构建了政府决策规划、企业经营管理的现代化交通治理体系,面向公众普通化、个性化需求打造了智慧出行服务环境,总体上呈现出体系完备、有机融合、覆盖面广、门类齐全的良好局面。

(1)体系建设方面

按照“一个中心、三大平台”的框架,广州市从数据感知、分析、应用层面建成了广州智能交通大数据体系。目前,广州市交通运输局“十三五”信息化发展规划完成度接近100%,交通大数据应用覆盖政府、企业、公众三大主体,有力促进了广州交通现代化体系建设。

(2)数据共享方面

广州市交通管理部门与公安、气象、环保等相关部门以及广州机场高速公司等企事业单位建立数据共享机制,累计交换数据300多项,日均交换数据量超过1亿条。

(3)数据资源与服务方面

广州市交通行业数据共享和分析服务平台统筹管理全市交通行业数据资源,涵盖基础数据818类、标准数据422类,提供服务接口100多个,数据总量超800亿条,每天新增数据250 GB。平台为交通管理部门、企业各类业务系统提供了数据综合集成分析能力,已成为交通数据共享应用、规范管理的基础平台。

结束语

本文首先总结分析了国内外交通大数据研究应用现状及发展趋势,面向新时代分析了交通大数据的发展需求与目标,提出了城市智能交通大数据体系。该体系经过广州市智能交通的不断研究、探索和实践而形成,不仅是引领城市智能交通大数据持续发展的顶层设计,也是一套时代特征显着、开放创新驱动的方法论,具有理论意义和实践价值。随着新一轮科技革命和产业变革的深入进行,该体系框架还在不断地兼容并蓄、充实内涵,实践内容还在不断地加强智能感知、提升数据能力、深化应用创新。

未来的城市智能交通系统将更加关注智能效率、主动安全、生态环保、交互体验等多目标的协同,需要以交通运输行业供给侧结构性改革为主线,把握数字化、网络化、智能化发展契机,深度融合大数据、人工智能等新一代信息技术,逐步建立健全需求响应式组织、创新驱动型变革、产业生态链主导、智慧活力可持续的城市智能交通大数据体系化发展模式,稳步推进城市智能交通大数据创新应用实践。

(作者:张孜, 黄钦炎, 冯川 ,广州市交通运输局,广州交通信息化建设投资营运有限公司?来源:大数据期刊网)


博客 gaohong

LV1
2019-09-18 11:46
88

利用5G通信和远程控制补充和辅助自动驾驶

2019年1月举行的第11届Automotive World研讨会上,日本通信三巨头NTT DOCOMO、KDDI、软银以同一主题“5G如何改变网联汽车?”为题进行了演讲。三巨头介绍了5G应用的 ...查看全部

2019年1月举行的第11届Automotive World研讨会上,日本通信三巨头NTT DOCOMO、KDDI、软银以同一主题“5G如何改变网联汽车?”为题进行了演讲。三巨头介绍了5G应用的意义、时间表以及导入前的各类测试。

推动建立5G通信标准的国际组织3GPP*分阶段发布标准规格,建立了5G的标准。2019年即将进行试运行,2020年将正式实现商业落地。

* 3GPP(Third Generation Partnership Project):推动建立无线通信规格标准的项目。

本报告将根据各公司的演讲,主要介绍5G补充和辅助自动驾驶的作用。

?通过通信识别情况,补充车载传感器无法完全把握的领域(由于遮挡物使得传感器无法检测的邻近范围和广域信息等)。

?搭载使用5G的远程控制系统开展L4级自动驾驶车的路试。(根据日本警察厅的道路使用许可相关指南,在日本要开展L4级自动驾驶的公路测试,必须配套远程控制系统。)

此外,2019年12月3GPP的Release-16版本将敲定5G V2X(NR-V2X)的规格。与目前开展路试的LTE V2X相比,性能取得大幅提升,进一步真正地补充和辅助自动驾驶,兼容智能手机,还能实现V2P(汽车与行人通信)。

同时,为了应对未来数据转发量的飞跃性增长,正在考虑数据的分散处理。多接入边缘计算 (Multi-access Edge Computing, MEC)技术通过在接近终端的位置配置数据处理功能,实现通信的优化和减少延迟,由此可最大限度发挥5G的性能。

利用5G提升车联网将提高远程信息处理系统的便利性。如果进一步实现完全自动驾驶,车内将成为个人空间,使用信息娱乐功能的机会将增加,届时将需要实现更高速、更大容量网络连接的技术。

NTT DOCOMO的5G/C-V2X概念与发展

NTT DOCMO 5G创新推进室室长中村武宏以“NTT DOCOMO的5G/C-V2X概念与发展”为题进行了演讲。中村武宏分析了5G应用的意义、今后应用计划、利用5G实现的V2X通信对车载传感器识别功能的补充作用,还介绍了为实现上述功能开展的若干试验。

5G应用的意义与时间表:

在5G时代,利用5G的“高速、大容量(峰值速率:20Gbps)”、“低延迟(无线区间的传输延迟:1ms以下)”、“与多个终端的连接(同时连接数量:100万个设备/km2)”等特点开展的各类服务预计将应用至汽车行业等多个领域。

NTT DOCOMO计划到2020年东京奥运会和残奥会引入5G商业服务(采用2017年12月由3GPP建立的非独立 (Non-Stand Alone) 标准*)。在此之前,将于2019年世界杯橄榄球赛上导入5G的试运行。

* 全球大多数通信运营商都计划在5G应用初期实现与现有的LTE(4G)密切连接的5G服务(称之为非独立(Non-Standalone)方式)。

由于5G的引入耗时耗资,无法同时在全日本以统一条件开展。2020年将率先开始在最需要高速、大容量的区域(市区、世界杯橄榄球赛、奥运会、残奥会会场等)引入5G-NR(New Radio:5G导入的新无线通信技术)。据悉,日本全国道路(尚未最终决定)将制定优先顺序,分阶段逐步导入。5G的小区(Cell,一个基站的电波覆盖的区域)将与先进的LTE(eLTE)同时引入。郊区和农村也将在需要高速大容量通信的地区逐步引入点分布式5G-NR。

如右下图所示,2020年导入5G时,5G的区域与LTE的区域将同时存在。5G-NR的范围还将逐渐扩大至郊区和农村。其次,还将逐步导入对5G进一步扩展的技术(5G+)。

1.jpg

5G应用的意义

5G应用的时间表

开展5G的示意图

NTT DOCOMO:蜂窝V2X辅助车载传感器的感应功能

5G以蜂窝方式进行V2X通信(称之为蜂窝V2X)。将区域分割成一定的小区(Cell),在各小区内部署基站,利用目前用于手机与智能手机的无线通信设备。

蜂窝V2X是使用LTE或5G的V2X,支持通过基站的通信以及直接通信两种方式。具体分为V2V(Vehicle-to-Vehicle)、V2I(Vehicle-to-Infrastructure)、V2P(Vehicle-to-Pedestrian)、V2N(Vehicle-to-Network),分别承担各自的作用。

考虑到汽车的情况识别,车辆周围利用可靠度较高的车载传感器与摄像头(覆盖范围100-200m)覆盖,利用通信可覆盖以下领域:

1、距离很近但由于有遮盖物而无法利用传感器检测的领域

2、超出传感器检测范围的较远领域

3、检测实现顺畅导航所需的广域信息

通过车载系统与5G通信的组合,将实现更安全的自动驾驶。

蜂窝V2X的用例

补充情况识别的通信的可能性

2.JPG

资料:NTT DOCOMO

NTT DOCOMO参与的路试

<开发兼容5G的“On Glass Antenna”>

On Glass Antenna是AGC响应整车厂希望隐藏天线的需求,新开发的可安装在玻璃表面上的“车玻璃安装型天线”,可兼容28GHz频带和5G。2018年6~7月,NTT DOCOMO、AGC、爱立信三方共同实施路试,并成功实现最快11Gbps的5G通信。使用的车辆是日产GT-R,副驾驶座上安装基站开展了测试。

<索尼的New Concept Cart SC-1>

SC-1是一款EV概念车,在车辆前后左右搭载超越人类视觉能力的图像传感器,可把握360度全方位的环境影像,乘客在夜间也能在不开前照灯的情况下看清周围。行驶速度为0~19km/h。利用搭载于车辆前后左右的4K显示屏与5G通信,与索尼共同开展通过云识别标识以及自动驾驶测试(还能通过乘客的操作进行驾驶)。

<Flying View路试>

Flying View将4台摄像头的图像合成至无缝的俯瞰图像,可实时随意改变视角,还可监控周围。图像传输至MEC(下述)进行处理,并返回车辆生成图像。NTT DOCOMO与冲电气共同在富士高速上以160km/h的高速行驶验证了Flying View的有效性。

据悉,该系统还能用于建机确认周围情况。

3.JPG

2019年Automotive World上展出的兼容5G的On Glass Antenna

索尼New Concept Cart SC-1概念车远程操作路试(资料:NTT DOCOMO)

Flying View路试(资料:NTT DOCOMO)

此外,NTT DCOMO开展的“时速300km以上高速移动环境下的5G无线通信”等4项路试请参看以下报告:

KDDI:网联汽车的未来

KDDI株式会社技术企划总部车联网推进室室长 鹤泽宗文以“网联汽车的未来”为题进行了演讲。

网联汽车是指日本总务省定义的“始终联网、可双向通行的车辆”。(因此,ETC的利用和电视机接收信号不称为“网联”。)随着今后网联汽车的普及,有望应用至收集数据的利用/MaaS、安全驾驶/自动驾驶辅助、车内信息娱乐系统。

车辆与通信的互补关系

要实现车联网社会,下表中这些车辆各类通信技术的协调、合作和互补不可或缺。

车辆与通信的互补

车辆(单靠车载系统)

互补

通信

ITS

互补

蜂窝(Cellular)

4G LTE

互补

5G

资料:KDDI

在预防交通事故、减轻碰撞伤害方面,与车辆车载系统协调通信能起到作用。例如,发生“事故”时,紧急自动刹车属于传感器和摄像头等车辆车载系统的责任,发生事故时,安全带的动作等也由车载系统负责。同时,发生事故前几秒的信号灯信息、几十秒前的交通管制和堵车信息、以及发生事故后的紧急通报(HELPNET、欧洲的eCall)等由通信负责。

自动驾驶系统与通信技术的升级

?通信环境得到完善后,车辆安全行驶和自动驾驶方面,有不少传感器无法看到的外部环境信息通过无线通知,从而使车辆顺利运行的案例(称之为“网联ADAS”)。

?如果能够确认前方环境(100m以外没有障碍物和行人等),就可提高最高时速。

?如实现完全自动驾驶,车内将成为个人空间,信息娱乐功能将变得更重要,而5G则将成为必须。

KDDI:远程控制型自动驾驶的路试

日本警察厅依照2017年6月发布的指南,规定L4级自动驾驶车在日本公路上开展路试时,必须配备远程监控和操作人员。远程监控和操作人员需要与一般汽车的驾驶员一样,能够把握试验车辆周围和行驶的方向,可以准确地操作试验车辆的制动功能。此外,还要求通过影像把握试验车辆的情况,能够与车内乘客通话等。

KDDI在2017年12月开展了使用4G LTE通信的“远程控制型自动驾驶系统”路试,2019年2月使用5G通信开展了该实验。

<成功在爱知县的公路上开展L4级自动驾驶车的远程操作>

2017年12月,KDDI、Aisan Technology、Tiafoe三方实施了由爱知县牵头的2017年度“自动驾驶路试项目”的演示,这是首次在日本实施普通公路上的远程控制型自动驾驶系统的试验,成功进行了L4级自动驾驶车的远程控制。

此次路试车辆的驾驶座无人乘坐,利用预先构建的高精度3D地图在爱知县额田郡幸田町进行自动行驶,成功开展了检测到碰撞等危险时紧急制动等远程控制。

KDDI提供的通信系统连接4G-LTE网络、车载通信模块、远程控制台(远程操作人员所在地点)与云平台。试验车辆是丰田Estima,搭载5台摄像头(前后、左右、速度计),远程操作人员也能确认其影像。

成功实现了LTE同时对网联汽车发送相同信息

2018年4月,KDDI、诺基亚、Hexagon、KDDI综合研究所四方实施了自动驾驶时代高效地向网联汽车发送驾驶辅助信息的路试,验证了LTE同时向网联汽车发送相同信息的技术,尚属全球首次取得成功。

L4级自动驾驶车为了实现安全的驾驶,除了车载系统的加强以外,针对多辆列队行驶的网联汽车,在前车将掉落物体和异常天气等信息通知给后方车辆的功能、发送高精度定位补充信息等方面,可同时发送大量“驾驶辅助信息”的高效传输技术不可或缺。

此次验证的“同时发送相同信息”由于针对多个对象共享一个电波频带,因此可大幅提高电波的利用效率,即使未来网联汽车的普及量达到1000万辆的规模,也可能实现信息的实时稳定提供。

KDDI:5G带来的好处

5G实现了4G无法实现的许多东西,可为每个用例(系统利用者与系统进行沟通的场景)提供必要的条件。考虑到对于车辆来说具有很多好处的远程控制时的制动,摄像头影像传送至远程控制台、远程控制台的命令再传输至车辆这一往返的时间,缩小其延迟将是有效控制的关键。利用5G可实现如下好处。

5G为自动驾驶带来的好处

5G的特征性功能

为自动驾驶带来的好处

高速大容量

实现高精度影像、车辆信息的实时高速上传等

低延迟

实现远程控制无时间差的操作等

多连接

在复杂的环境下也能提供可靠的通信等

资料:KDDI

成功使用5G技术实现4K影像的实时传输

2018年5月8日,KDDI为实现无人自动驾驶车的远程控制,成功开展了4.5GHz频带车辆4K影像实时传输试验,该频带是5G的频带候补。使用了爱立信的5G试验装置。

在位于东京都新宿区内的4.5GHz频带试验区,成功实现了驾驶座的4K高清摄像头的前方影像、车内后视镜以及车外后视镜上的3台全高清摄像头,共计4台设备的影像信息的上行传输(从终端向服务器传输,该情况下是从车辆向基站传输),验证了除了原有的28GHz频带,4.5GHz频带也能稳定传输大容量信息。

由此,无人自动驾驶车的远程控制利用5G的高速大容量传输,通过高清影像,识别更远的人物和障碍物等动态信息,从而迅速作出判断和进行控制。

利用5G的多台远程监控型自动驾驶的路试

2019年2月9日,KDDI、Aisan Technology、KDDI综合研究所、损害保险JAPAN日本兴亚、Tiafoe、冈谷钢机、名古屋大学在日本爱知县一宫市开展了由该县牵头的“2018年度自动驾驶验证推进项目”的自动驾驶路试。这是日本国内首次在普通道路上开展5G多辆车远程监控型自动驾驶。

2辆自动驾驶车均是在 (1辆搭载4G LTE通信、另一辆搭载5G) 驾驶座无人乘坐的状态下进行自动行驶的。还有1名远程监控人员同时监控2辆车,在紧急时进行控制。

2017年12月开展的相同路试搭载4G LTE,只进行左转行驶,而此次开展的路试左右转弯均包含,5G配套车缩短了紧急时刻的制动时间,因此提升了车速,以30km/h的时速行驶。

软银:5G描绘的移动出行未来

软银株式会社技术战略统筹尖端技术开发总部总部长 涌川隆次以“5G描绘的移动出行未来”为题进行了演讲。

IoT(物联网)/AI(人工智能)的时代终于到来。物联网时代,所有事物都能通过通信连接。到4G为止,其应用如手机等都以人为主,但5G推动了IoT的发展,实现了原先依靠有线才能连接的事物。

自动驾驶方面,目前的技术以利用激光雷达或雷达把握环境等的车载系统为主,但通过利用网络(V2V、V2N、V2P、V2I),能实现更安全的自动驾驶。

当前的自动驾驶技术

利用网络的自动驾驶

资料:软银

软银:统一规格下的蜂窝V2X

3GPP正在推动5G统一规格的制定,蜂窝V2X的V2V、V2N、V2P、V2I将逐步得到实现。其用例包括以下场景:

?(V2V)前车摄像头影像向后方传输;

?(V2V)通过列队行驶(只有首辆车有人,第2辆开始无人驾驶),解决卡车司机短缺的问题;

?(V2I)恶劣天气下看不到的交通标志也通过通信来识别;

?(V2I、V2P)检测信号灯信息与行人信息

要普及V2X,交通基础设施行业、汽车行业以及软银等通信行业需要开展合作。即使这些行业对各自的情况十分熟悉,也无法构建有效的体系。

真正的自动驾驶将从Release-16版本决定的5G-V2X规格开始

当前的C-V2X是在2017年3月制定的统一规格,称之为LTE-V2X。2019年12月前将在3GPP Release-16版本决定5G V2X(NR-V2X)的规格,凭借高速通信速度和低延迟等优势,为自动驾驶作出重大贡献。

自动驾驶将向蜂窝V2X发展

真正的自动驾驶始于5G-V2X

计划利用5G网络实现自动驾驶社会

资料:软银

<利用5G的卡车列队行驶等的路试>

软银自2017年12月起负责日本总务省的调查,开始在茨城县筑波市启动卡车的列队行驶(首辆车为有人驾驶,后续车辆为自动驾驶跟随前车)以及车辆的远程监控和远程操作的路试。

软银开展高速移动中的卡车(时速60km~90km)与5G试验基站之间的信号传输试验,并成功实现了低延迟通信,将无线区间(单行道)的延迟时间缩短至1ms以下。此外,在列队行驶试验中成功实现了大容量影像的实时传输,将后续车辆上安装的摄像头拍摄到的影像通过车车间通信发送至前车。今后还将研究其他车辆进入列队时的对策。

V2V试验(车车间直接通信)

V2V试验(车车间直接通信)

资料:软银

软银:利用多接入边缘计算(MEC)最大限度发挥5G性能

实时发送本地化地图数据(资料:软银)

多接入边缘计算(MEC:Multi-access Edge Computing)是用于提高一定区域内通信处理效率的技术。将通信服务器放置在区域内,从而就不会将区域内通信量(网络上流动的数据量)带到区域外,只需在区域内进行处理。一般的移动网络由“终端-无线网-转接网-网络-服务器”的形式构成,但MEC在无线网内放置服务器,因此可以消除通过转接网与网络产生的通信延迟(通过网络与云平台通信时的延迟较大)。由此,可最大限度利用5G的能力。

用例包括卡客车的远程控制、根据外部传感器的信息远程驾驶自动驾驶车、利用AI进行驾驶员监控等。

涌川隆次表示,还具有为MEC的服务器增加地区性质的效果。例如,如果在各县安装服务器,还可实现实时向车辆发送各地区地图数据的服务。

同时,软银还在研究提高车载计算机的处理能力,但成本和用电量等方面还存在较多困难。反之,如果提高了MEC的处理能力,车载计算机只接收MEC处理的数据,那么车载系统就可实现简化,不需要频繁购买新车,也能保持最新的通信水平。

软银与本田共同利用5G启动网联汽车的商业化可行性研究

在本田的测试场内构建5G试验基站(backhaul是指连接终端(测试场)的接入线路与5G核心装置的交换电路)

(资料:软银)

2017年11月,软银与本田启动共同研究,以5G的普及为目的,旨在加强网联汽车技术。将开发高速移动中的汽车稳定切换通信基站(移交技术)等技术。

2018年11月,双方预计约2年后就将启动5G服务,开始构建利用5G的网联汽车开发环境、开展商业化可行性研究。在本田技术研究所位于北海道上川郡的测试场设置试验基站,使用符合3GPP规格的通信设备(诺基亚制造),构建最尖端的5G网络。这是首次在日本构建由针对商业化环境的非独立(Non-Standalone)标准规格构成的室外5G网络环境。

此次构建的5G网络环境可传输高清4K影像,今后还将致力于验证向车辆搭载的试验用终端传输影像。


博客 gaohong

LV1
2019-09-17 10:20
104

知荐 | 无人监督的学习对自动驾驶汽车有什么影响

汽车工程师不断绞尽脑汁地谈论如何进行自动驾驶。原始设备制造商不断向研发部门提供数百万美元的注资,并与科技公司和一级供应商合作,以提高驾驶自主权。同时,自驾车不仅要成为现实,还要赢得人们的心。赢得 ...查看全部

汽车工程师不断绞尽脑汁地谈论如何进行自动驾驶。原始设备制造商不断向研发部门提供数百万美元的注资,并与科技公司和一级供应商合作,以提高驾驶自主权。同时,自驾车不仅要成为现实,还要赢得人们的心。赢得人心的关键是提供高智能和安全性。

在本文中,您将了解:

监督与无监督机器学习方法

最受欢迎的无监督学习课程

在驾驶自动化中使用哪些类别的无监督学习算法

哪些算法适合无监督的ML类别的聚类,模拟和测试数据生成

无监督学习的好处

汽车中机器学习算法的使用案例

通常情况下,人们在驾驶时感到自信,不仅需要一个月甚至一年的时间。那么我们对机器的期望是什么呢?自动驾驶汽车需要机器学习。很多学习。反过来,机器学习需要数据来学习。自动驾驶迫切需要机器学习算法和数据来训练它们。给我们人类留下的是在选择正确的机器学习方法的同时提供数据。我们已经开始理清为什么机器学习算法是自动驾驶的一个组成部分。为了支持这一主张,我们来看看无人监督的机器学习,这是一种人工智能(AI)的一个分支,可以帮助机器有效地学习。

万一你忘记了无监督学习是什么......

术语无监督学习是指AI / ML训练模型,与监督学习相反。监督学习算法依赖于标记的输入数据和学习环境的特征。这样,程序根据已分类的数据预测输出。

无人监督的机器学习试图在没有任何人为接触的情况下为人工智能获得更多积分。无监督机器学习算法依赖于没有标签,预定义特征或指定分类集的数据。无监督的AI / ML系统从输入数据的根深蒂固的结构中学习。

哪些是最受欢迎的无监督学习算法类,哪些用于驾驶自动化?

有许多无监督的机器学习算法和它们可以属于的许多类别。无监督机器学习算法可以根据它们用于分组和处理数据的方法进行分类。

无监督机器学习算法的一种分类Teradata -机器学习算法

1.jpg

在应用基本的无监督学习技术时,数据科学家使用以下经过验证的方法:

特征分离技术

主成分分析(PCA)

奇异值分解(SVD)

期望最大化算法

双聚类

选择无人监督的自动驾驶汽车开发学习模型是经验丰富的数据科学家团队的特权,他们熟悉每种模型的优缺点。根据自驾车工程师正在解决的任务,上述无监督方法可用于自动驾驶汽车。

尽管如此,分析了汽车领域的数十个用例(查看本文最后一节中的实际用例),我们可以得出结论,汽车制造商及其数据科学团队最常在自动驾驶汽车中使用无监督学习模型:

聚类

模拟和测试数据生成

异常检测

聚类

聚类技术是最有效但相对简单的无监督学习方法之一,用于在查找输入数据中的固有结构和特征的同时对数据点进行分组。

在自动驾驶汽车中进行机器学习时,聚类技术可构建基于数据的预测和特征选择模型:

物体检测

驾驶遭遇场景

交通信息检测

轨迹选择

在某些时候,监督学习模型可能会失败。在这种情况下,当数据点有限,数据不连续或系统只有低分辨率图像时,聚类算法可能是正确的解决方案。例如,在不利的天气条件(如雾)或有某些障碍物(如树)时检测来自特定类别的道路标志时,分类算法可能无法正常工作。但是,由于能够检测对象的固有结构,聚类算法可以成功完成这些任务。

汽车中使用的一些典型的聚类无监督机器学习算法是k均值,均值偏移聚类和DBSCAN。

K-手段

该算法将数据点作为输入并将它们分组为“k”簇。它将每个数据项分配给最近的集群中心。在训练阶段之后,它返回一个输出,其中所有数据点都被称为特定集群的属性。

k-means聚类如何工作的示例

2.JPG

K-means在Python中进行聚类

在其他用例中,数据科学家使用k-means算法检测车道边界,并将训练数据转换为适当的格式,以便在自治系统中进一步处理。

平均移位聚类

这种类型的无监督学习算法被广泛使用并被认为是用于基于聚类的分割的高级和通用技术。看一看均值漂移聚类的一个定义:

给定一组数据点,算法迭代地将每个数据点分配给最近的聚类质心。到最近的聚类质心的方向取决于附近的大多数点所在的位置。因此,对于每次迭代,每个数据点都将移动到最大点所在的位置,这将是或将导致群集中心。算法停止时,每个点都分配给一个集群。

GeeksforGeeks

通过均值移位GitHub找到的原始非聚集数据与聚类- 比较Python聚类算法

在自动驾驶中,均值平移算法用于高级图像处理和计算机视觉开发。

基于密度的噪声应用空间聚类(DBSCAN)

该方法将高密度的簇与低密度的簇分离,在数据中寻找具有高密度观察的区域。它需要预设的最小数量的数据点来确定单个群集,这会转变为数据集中已定义的异常值的输出。

由DBSCAN GitHub执行的原始非集群数据与集群- 比较Python集群算法

数据科学家在自动驾驶中使用DBSCAN算法进行高级图像处理,驾驶场景聚类和计算机视觉开发。

使用无监督学习进行仿真和测试数据生成

使用无监督学习研究无人驾驶汽车的研究人员一直在寻找自动生成测试用例以反映现实驾驶场景的方法。根据一些估计,自动驾驶汽车需要行驶数十亿英里才能展示出所需的安全性和可靠性。但是,驾驶数十亿英里需要几十年的时间并且需要花费一笔不小的钱。这就是数据科学家喜欢使用无监督机器学习模型生成大量真实驾驶场景的原因。通过这种方式,他们可以在不同的驾驶条件和场景下测试模拟自动驾驶系统的可靠性和安全性。

走向另一个方向并省略现实世界的培训,自动驾驶汽车概念迎合了其他挑战。其中之一是需要大量的培训。巨大的训练数据集必须代表所有可能的驾驶,天气和情况的示例,以实现高水平的性能。如何在不花费数十年驾驶和拍摄图像的情况下获得数PB的训练数据?一个可能的答案是生成合成数据。接下来的问题是如何使用合成数据正确设计自动驾驶模拟。一种合理的可能性是使用生成对抗网络(GAN)。

在自动驾驶系统中使用GAN

尽管GAN被称为无监督学习方法,但其逻辑与无监督问题一起工作,就好像它是受监督的问题一样。它由相互对立的生成和判别算法组成。生成器生成示例,鉴别器评估这些示例,尝试将它们分类为真实或伪造。“真实”示例是根据训练数据集的实际数据进行训练的示例。生成和判别算法一起训练,直到达到最高准确度。

GAN作为训练方法

Medium - GAN - 什么是生成对抗网络(GAN)?

为了训练自动驾驶汽车,GAN有助于从头开始提供数据 - 主要是图像,因为它可以学习模仿任何数据分布。

自动驾驶模拟中的自动编码器

使用无监督机器学习模型驾驶模拟的另一种方法是通过自动编码器开发的。这种类型的无监督人工神经网络压缩和编码原始数据输入,然后尝试基于压缩或隐藏数据表示来重建输出。

运行中的自动编码算法Keras博客 - 在Keras中构建自动编码器

在自动驾驶模型中,自动编码器广泛用于模拟驾驶行为和预测风险模式。通过来自传感器和摄像机的数据,自动编码器有助于创建一个真实的测试环境,以训练车辆避免物体,反动控制,车道跟踪,甚至车辆转向。

用于自动驾驶车辆的异常检测算法

安全问题和缺乏信任仍然是人们拒绝乘坐自动驾驶汽车的主要原因。在自动驾驶汽车中进行无人监督的机器学习可以防止致命的碰撞和破坏性后果。异常检测方法可以是治疗方法之一。

自动驾驶汽车中的安全系统应配备异常检测模块,这些模块不会首先关注识别威胁。相反,他们首先尝试识别自动驾驶车辆的异常行为,从而防止严重的安全隐患。检测到异常行为时,系统会查找异常原因并尝试将其删除。除行为分析外,异常检测方法还支持入侵检测系统(IDS)和恶意软件防护。

例如,从未遇到过大象的自动驾驶汽车将其归类为具有不可预测行为的物体,并将停止汽车或切换到人为控制。同时,在新加坡的左侧行驶可能与训练场景不同,但不会被视为异常。

局部异常因子(LOF)

用于自动驾驶的无监督学习方法之一是局部异常因子(LOF)。作为一种常用工具,LOF表示一个分数,表示某个数据点是异常值/异常的可能性。LOF方法计算特定数据集内与其邻居相比的数据点的局部密度偏差。

无监督学习与监督:自动化问题的解决方案在哪里?

自动驾驶汽车是如此复杂的数据中心 - 由各种操作系统,控制单元和组件组成 - 有足够的任务用于各种机器学习算法。监督学习和无监督学习的优点和缺点取决于用例。尽管如此,许多人认为它将是无监督而非监督学习,这将使我们能够接近第五级自动化。以下是一些原因:

更好的可扩展性。大多数无监督机器学习算法不需要手动标记监控信号。这意味着具有广泛数据集的更好的可扩展性。

更便宜。在数据标记方面,无监督的机器学习更经济,因为标签数据非常昂贵且耗时。

收集数据所需的时间和精力更少。利用合成数据,科学家可以减少所需的实际训练数据量。现实世界的数据很难获得,但需要开发高质量的计算机视觉模型。

更好的性能和更低的硬件要求。自动驾驶汽车中的无监督学习模型可以通过人类驾驶员的最小输入自动学习道路特征。例如,神经网络需要最少的训练数据来从可用的命令中进行选择,例如前进,左,右和停止。

无偏见。虽然这一点有点争议,但偏差方差是监督学习模型的主要缺点之一。由于人工输入较少,无监督的机器学习算法应该具有更强的抗偏差性。

大型市场参与者已经准备好在自动驾驶汽车中投资机器学习和无监督学习模型

数据科学家面临的全球汽车界面临的最大挑战是制定适用于更广泛的部署方案的有监督和无监督的机器学习算法。如今,除了其他应用之外,OEM和一级供应商广泛使用机器学习算法来评估驾驶员的健康状况,对驾驶场景进行分类并协助制造。与此同时,机器学习仍然是汽车的一个有吸引力的领域,也是自动驾驶汽车的先决条件之一。这些只是企业使用机器学习算法的一些方面:

提高AV性能的准确性。总部位于以色列的公司Cortica与瑞萨电子公司合作,采用嵌入瑞萨 R-Car V3H片上系统的无监督学习模型,实现其自动驾驶汽车概念。他们表示,他们的无监督学习算法现在可以根据从前向摄像头接收的视觉数据进行预测。通过这种方式,公司计划提高系统对任何情况作出反应的能力,无论对象或环境是否先前通过深度学习转换为规则。

模拟最糟糕的驾驶场景。Waymo的自动驾驶系统在很大程度上依赖于机器学习算法,包括神经网络。该公司设计了一个神经网络来复制人类驾驶,特别是在最糟糕的情况下。当然,最终目标是防止五级自动化的致命后果。

预测故障和所需服务。沃尔沃使用机器学习算法来分析大量累积数据,特别注意防止故障和故障。

教授如何使用合成数据安全驾驶。谷歌的自动驾驶汽车每天可以增加300万个模拟里程。通过这种方式,Google不仅可以提高驾驶安全性,还可以使用模拟技术根据实际情况创建新的场景。

为公共道路建立自驾车概念。英国公司Wayve已成功测试了他们在英国公路上的自动驾驶汽车的模仿学习和强化学习算法,没有手动编码的驾驶规则。他们的自动平台是在全电动捷豹I-PACE SUV上制造和测试的。

我们相信AI和机器学习算法的改进 - 无论是有监督的还是无监督的学习模型的结果 - 肯定会有助于自动驾驶的成功未来。(来源 | 清研车联(ID:tsing_auto_i-tech))


博客 gaohong

LV1
2019-09-17 10:20
81

安信:2019自动驾驶趋势研究报告(十一)

1.jpg

5.3 从封闭到开放,联合研发分摊开发成本

从封闭到开放,车企合纵连横,联合研发分摊开发成本。自动驾驶研发对于软硬件投入的门槛之高、投资回报周期之长无需赘言。整车厂选择自研的优势在于垂直整合,利于持续迭代,但劣势在于成本高,研发周期长。能否担负起初期一次性的研发成本,并在整个汽车销售过程中将其摊薄,这是车厂需要解决的问题。实际上,与其自身冒险的大规模投入,车企间从封闭到开放,合纵连横组建联盟,分摊无人驾驶先期的风险成本,缩短技术创新周期,形成规模效应,抢占时间窗口,成为产业新趋势。在共同利益的驱动下,我们已经看到奔驰、宝马、通用、本田、大众、福特等一线车厂,在自动驾驶技术研发领域达成战略合作协议,预计后续将有更多的车企加入到联盟中。

2.JPG

6.市场:蓄势待发,大幕将启

6.1 态度开放,需求旺盛,中国或成全球自动驾驶第一大市场

国内消费者对于自动驾驶的接受程度、需求、支付意愿均居于全球前列。1)接受程度。根据艾瑞的调研报告,相对于较为保守的美国消费市场,国内消费者对于自动驾驶持更加开放的态度,尤其在数据、安全性等领域;2)需求:腾讯人工智能与自动驾驶消费者调研,则表明国内消费者对于自动驾驶的需求较为普遍,近 60% 的人口对自动驾驶有需求。从调研样本来看,自动驾驶对女性与大年龄层消费人群存在更强的需求吸引力,在经济更发达且交通环境更复杂的一二线城市中接受程度更高;3)支付意愿。麦肯锡在 2018 年 4 月的调研显示,49% 的中国消费者认为全自动驾驶「非常重要」。国内消费者愿意为购买自动驾驶车辆支付高达 4600 美元的溢价,而美国和德国则分别为 3900 美元和 2900 美元。

3.JPG
4.JPG

中国已经是全球最大的汽车市场,有望成为全球自动驾驶市场第一大市场。从 1956 年中国第一辆解放牌卡车在一汽下线开始,经过 60 多年的努力,从自力更生到以市场换技术、合资建厂,再到自主研发,如今中国已经成为世界上汽车产销量最多的国家,根据 wind 数据,约占全球汽车市场 1/3。尽管 2018 年国内汽车销量市场首度出现负增长,但考虑到「汽车下乡」政策的托底,以及消费升级的趋势,我们对国内汽车市场的未来仍然保持乐观态度。巨大的消费市场叠加旺盛的自动驾驶需求,我们预计中国在未来同样将成为全球自动驾驶第一大市场。

6.jpg


博客 gaohong

LV1
2019-09-12 15:10
109

安信:2019自动驾驶趋势研究报告(十二)

6.2 商业化路径之车厂前装:进入大规模量产前夕,规模有望超过1400亿美金6.2.1 车厂大规模自动驾驶计划进入倒计时自动驾驶产业进入大范围量产前夕,2020/20 ...查看全部

6.2 商业化路径之车厂前装:进入大规模量产前夕,规模有望超过1400亿美金

6.2.1 车厂大规模自动驾驶计划进入倒计时

自动驾驶产业进入大范围量产前夕,2020/2021 年将成为主机厂量产的重要节点。观察自动驾驶产业主流企业(Tier1/2、车厂)的量产时间表,2020/2021 年是绝大部分企业高等级自动驾驶(Level3/4)量产的节点。可以说,自动驾驶产业已经进入大范围量产前夕。

以 2020、2021 年为界,国内自动驾驶产业链即将开启黄金 10 年发展期。结合国家《汽车产业中长期发展规划》、《智能汽车创新发展战略》(征求意见稿)以及产业链调研的结果。我们认为,以 2020、2021 年为界,国内自动驾驶产业链即将开启黄金 10 年发展期。

6.2.2 2030年自动驾驶前装市场空间有望达到1400亿美金

L3 级别及以上的自动驾驶前装套件预计报价将在 3000-10000 美金/套。现阶段已经量产的自动驾驶系统中,实现 L2+功能的通用-凯迪拉克 CT6(参数|图片) 的智能驾驶配置包的报价在 5000 美金/套;特斯拉的 AutoPilot 系统,根据不同的实现功能,分别报价在 5000 美金/套、8000 美金/套。奥迪 A8 代表现阶段量产的自动驾驶的最高水平,已经达到 L3 级别,可以实现在高速公路上,以 60 公里/小时的速度完成自动驾驶功能,让驾驶员完全可以不用手握方形盘而去做其他的事情,在遇到紧急情况的时候,车辆会发出接管请求,并且给驾驶员提供 8-10 秒的时间评估路况,重新接管车辆进行控制,其报价在 10000 美金/套。参考上述车厂的自动驾驶前装套件报价,我们预计在大规模普及之后,L3 级别及以上的自动驾驶前装套件预计报价将在 3000-10000 美金/套。当然,不排除成本大幅降低后,整车厂将降低报价,让利消费者。


博客 gaohong

LV1
2019-09-12 15:10
102

安信:2019自动驾驶趋势研究报告(十)

核心部件——计算平台,随着大规模量产,价格将大幅下降。市场对于自动驾驶量产的一大疑虑就是作为核心硬件的自动驾驶芯片的单价迟迟没有达到合理的水平,导致自动驾驶的整体解决方案成本超过消费者可以承受的 ...查看全部

核心部件——计算平台,随着大规模量产,价格将大幅下降。市场对于自动驾驶量产的一大疑虑就是作为核心硬件的自动驾驶芯片的单价迟迟没有达到合理的水平,导致自动驾驶的整体解决方案成本超过消费者可以承受的合理范围,会对自动驾驶的大规模普及造成严重的影响。我们认为,鉴于芯片的出货定价与量产情况有着密切的关系,不必过分担忧芯片的出货价格。考虑到自动驾驶计算平台高昂的研发成本(英伟达最新一代的 Xavier 芯片研发投入高达 20 亿美金),芯片厂必然会在尚未大规模量产的初期选择高定价的模式,来部分覆盖前期的投入。而一旦达到大规模量产(比如年出货量达到 100 万颗),则芯片厂能够很快回本前期的投入,芯片的定价之后有望与成本相挂钩,价格会急剧下降。


核心部件——激光雷达,合理的技术路径带动成本降低。激光雷达部件现阶段成本较高,以行业主要企业 Velodyne 的激光雷达为例,按照线束的密度进行报价——8万美元(64 线)、4 万美元(32 线)、4 千美元(16 线)。Velodyne 的激光雷达报价居高不下的原因,并非激光雷达的物料成本,而在于其采用了传统的机械式扫描的技术方案——机械式激光雷达的光学系统的装配和标定过程要求高度严谨的机械系统校准,同时,量产的一致性要求也会导致产能低下。现阶段,产业界的一致看法是打造出一台售价低廉的激光雷达关键就是将传统的旋转式机械设计换成固态设计,这样能大量减少可移动部件,激光雷达的结构和量产简单了,成本也就自然降低了。在新的技术路径下,众多产业界的厂商(包括 Velodyne)均预测未来激光雷达的量产成本将下调到数百美金/颗。

5.2. 政府助力车路协同(V2X)基建普及,显着降低单车改造成本

「聪明」的车+「智能」的路,车路协同(V2X)发展将显着降低单车改造成本。目前大部分对于自动驾驶硬件改造成本的讨论都停留在单车智能的技术路线和视角。实际上,国内的自动驾驶技术路线是智能网联的路线,即「单车智能」与「车路协同」协同发展。车路协同的价值和意义在于,如果说自动驾驶单车智能的价值是让路上的车辆都能变成由「二十年驾龄老司机」驾驶的话,那么车路协同则像是又给每辆车配备了一个开了「天眼」的交警,「他」将站在「完美」视角保障安全、疏导交通,高效分配道路资源。以一个交通路况复杂的路口为例,人类司机和自动驾驶车车载传感器由于视角和视线的局限,都只能感知到路况信息的一部分,那些看不到的障碍物造成了危险隐患;如果车路协同配备了「完美视角」路侧感知设备以后,利用高清摄像头等多种传感器加上边缘计算设备的识别能力,可以感知到路口范围内全部的交通参与方,并实现多种分析功能,把这些信息通过 V2X 通信实时的共享给路口的全部车辆,即可最大限度消除危险隐患。「车路协同」技术的演进和基础设施的普及,将会显着降低单车智能的改造成本。根据百度的预测,在车路协同的基础上,自动驾驶的研发成本可以降低 30%,接管数会下降 62%,预计可让自动驾驶提前 2-3 年在中国落地。

车路协同(V2X)已经成为国家重点发展战略,5G 基建点火助力。目前发展车路协同技术及其应用已纳入交通部智能交通系统发展战略。国家的在建项目有:新一代国家交通控制网和智慧公路试点工程/北京冬奥会、雄安新区项目等。从车路协同的技术体系来看,我们认为,5G 的普及将进一步提升车路协同的技术价值。根据中移动测算,自动驾驶车辆以每小时 60 英里(约 96.56 公里/小时)的速度行驶,在使用 5G 通讯网络的情况下,其收到某一反馈信息后实际上只移动了 3 厘米左右。现有 4G 网络时延条件之下,时速 100 公里的汽车,从发现障碍到启动制动系统至少移动 1.4 米。2019 年以来政府提出了科技新「基建」的政策发展方针。发改委副主任连维良表示今年将的「建设」的重点有五个方面,「加强新型基础设施建设」居于首位(包括 5G 的商用),我们预计政府将有财政资金配套产业政策扶持 5G 产业,快速完善科技新「基建」,为自动驾驶产业铺路。政府的保驾护航下,国内有望拥有全球最领先的自动驾驶基础设施(5G+V2X)。


博客 gaohong

LV1
2019-09-11 15:46
129

安信:2019自动驾驶趋势研究报告(九)

1.jpg5.成本:有望骤降,从Demo跨越到准量产阶段

5.1 技术创新推动核心部件成本骤降

5.1.1 L3 自动驾驶硬件改造成本有望降至 2000 美元/车以下

产业界普遍对于自动驾驶成本大幅度骤降持乐观态度。政策法规、技术两大难题越过之后,自动驾驶产业规模化落地的最后一座大山就是成本。尽管目前高等级自动驾驶(L4)的单车改造成本仍然居高不下,但产业界对于自动驾驶成本随着技术进步大幅下降均持有乐观态度。国际 Tier1 巨头德尔福汽车 CEO Kevin Clark 此前曾表示,到 2025 年,德尔福希望将自动驾驶汽车的成本降低逾 90% 至 5000 美元左右。

预计至 2025 年,L3 的自动驾驶硬件改造成本约在 1900 美元/车。参考三菱日联摩根士丹利(MUMSS)、英飞凌、IHS、蔚来资本等多方产业报告以及多位产业链专家调研,我们拆解高等级自动驾驶(L3 及以上)的核心部件配置以及价格趋势做出预测。其中,自动驾驶硬件改造成本最高的核心部件是激光雷达和计算平台,也是现阶段自动驾驶成本居高不下的最大障碍。从产业发展趋势来看,随着固态激光雷达等新的技术路线替代传统机械式雷达,工艺成本有望显着下降,带动价格曲线下行;计算平台则由于芯片设计厂考虑摊销前期的研发成本,在小批量量产期间定价较高;在大规模量产后价格有望全面下降。综合来看,我们预计技术创新将推动核心部件成本骤降,至 2025 年,L3-l4 的自动驾驶硬件改造成本约在 1900-4400 美元/车。



?5.1.2 核心部件成本趋势分析

核心部件——摄像头、毫米波雷达、超声波雷达、及 GPS&IMU 的价格曲线及趋势。以上 4 个部件的生产工艺、技术路线较为成熟,产业竞争充分,随着产量上升带来的规模效应释放,预计价格将稳步下降。


博客 gaohong

LV1
2019-09-11 15:46
102

安信:2019自动驾驶趋势研究报告(九)

1.jpg

5.成本:有望骤降,从Demo跨越到准量产阶段

5.1 技术创新推动核心部件成本骤降

5.1.1 L3 自动驾驶硬件改造成本有望降至 2000 美元/车以下

产业界普遍对于自动驾驶成本大幅度骤降持乐观态度。政策法规、技术两大难题越过之后,自动驾驶产业规模化落地的最后一座大山就是成本。尽管目前高等级自动驾驶(L4)的单车改造成本仍然居高不下,但产业界对于自动驾驶成本随着技术进步大幅下降均持有乐观态度。国际 Tier1 巨头德尔福汽车 CEO Kevin Clark 此前曾表示,到 2025 年,德尔福希望将自动驾驶汽车的成本降低逾 90% 至 5000 美元左右。

预计至 2025 年,L3 的自动驾驶硬件改造成本约在 1900 美元/车。参考三菱日联摩根士丹利(MUMSS)、英飞凌、IHS、蔚来资本等多方产业报告以及多位产业链专家调研,我们拆解高等级自动驾驶(L3 及以上)的核心部件配置以及价格趋势做出预测。其中,自动驾驶硬件改造成本最高的核心部件是激光雷达和计算平台,也是现阶段自动驾驶成本居高不下的最大障碍。从产业发展趋势来看,随着固态激光雷达等新的技术路线替代传统机械式雷达,工艺成本有望显着下降,带动价格曲线下行;计算平台则由于芯片设计厂考虑摊销前期的研发成本,在小批量量产期间定价较高;在大规模量产后价格有望全面下降。综合来看,我们预计技术创新将推动核心部件成本骤降,至 2025 年,L3-l4 的自动驾驶硬件改造成本约在 1900-4400 美元/车。

3.JPG2.JPG


5.1.2 核心部件成本趋势分析

核心部件——摄像头、毫米波雷达、超声波雷达、及 GPS&IMU 的价格曲线及趋势。以上 4 个部件的生产工艺、技术路线较为成熟,产业竞争充分,随着产量上升带来的规模效应释放,预计价格将稳步下降。



博客 飞奔的蜗牛

LV1
2019-09-10 15:59
155

安信:2019自动驾驶趋势研究报告(八)

1.jpg


2.JPG


自动驾驶 L3 商业化技术已经成熟,L4/5 加速发展进入验证试点阶段。纵观全球主流科技公司和整车厂的自动驾驶技术商业化进展,除了个别领跑者如整车厂(奥迪已经量产 L3 级别的自动驾驶车辆)、科技公司(Waymo 已启动 L4 级别机器人出租车的商业化运营),大部分公司的节奏是已初步掌握 L3 的核心技术,进入由 L2 向 L3 商业化过渡的关键阶段,同时 L4/5 加速发展进入验证试点阶段。

3.JPG

4. 政策:「绿灯」频开,合法上路在即

国家层面:自动驾驶汽车已成为全球汽车产业发展的战略制高点,国内顶层设计政策已出台。制造强国离不开汽车强国,汽车强国离不开智能汽车强国。全球众多国家已将自动驾驶汽车发展纳入国家顶层规划,争抢未来汽车产业发展的战略制高点,以求在汽车产业转型升级之际抢占先机。比如,美国交通运输部于 2016 年 9 月发布联邦《自动驾驶汽车政策指南》,持续推进自动驾驶汽车的安全监管与测试,并于 2018 年 10 月发布《为未来交通做准备:自动驾驶汽车 3.0》,加强自动驾驶汽车与整个交通出行体系的安全融合。日本在 2017 年发布《2017 官民 ITS 构想及路线图》,公布日本自动驾驶汽车发展时间表,提出 2020 年实现高速公路 L3 级自动驾驶功能,并在特定区域实现 L4 级自动驾驶应用。国内也已启动自动驾驶汽车发展国家战略规划,《汽车产业中长期发展规划》、《智能汽车创新发展战略(征求意见稿)》、《车联网(智能网联汽车)产业发展行动计划》等多部文件均对自动驾驶产业提出了清晰而具体的发展规划。

4.JPG

5.jpg


地方政府「绿灯」频开,自动驾驶政策、牌照和路测成为一场关于「城市名片」的竞赛。考虑到汽车工业对于地方 GDP 的拉动作用以及自动驾驶的技术引领作用,国内地方政府对于自动驾驶技术可谓「绿灯」频开。根据亿欧统计,截止 2018 年底,国内已有 12 座城市和地区发放自动驾驶道路测试牌照,并鼓励相关企业开展商业化的试运营下项目,为自动驾驶汽车相关的技术标准和法规体系的建立提供必要支持。除了路测的支持之外,例如北京市等先行城市还发布了地方政府版的产业扶持政策(《北京市智能网联汽车创新发展行动方案(2019 年-2022 年)》),自动驾驶产业已经成为一场关于「城市名片」的竞赛。

6.jpg

国家层面指导意见有望出台,监管有望不再缺位,确保自动驾驶车辆上路的「合法性」。目前的交通法规都围绕着一个关键要素——驾驶员,而且驾照、车险、交通法规等所有制度环节都假定「汽车是在人的操控下运行的」。而对于高等级自动驾驶汽车而言(驾驶权逐步更替成机器),在现有的制度下,会引发一系列现实的困境,例如:在交通事故中,如何判定哪辆车是事故责任方?自动驾驶车辆和传统车辆的路权如何分配?自动驾驶车辆想要规模化的上路,离不开底层的法律监管的创新,来确保其基本的合法性。可以说,相对于已出台的众多产业政策的大力支持,目前国内在关于自动驾驶技术的法律监管方面是缺位的。但考虑到国内的整个法律体制相对于全球其他国家,更具有集中的、自上而下的监管特点;具有不同职能部门之间可以实现更好协调的优势,我们乐观地判断,自动驾驶车辆上路合法性的监管文件有望尽快出台。最新的好消息是,交通部部长李小鹏在 2019 年 2 月 28 日表示,将力争在国家层面出台《自动驾驶发展指导意见》,有望彻底扫除自动驾驶车辆上路的法律障碍。整体上,高等级自动驾驶车辆上路合法化的路径,将跟随技术的成熟度逐渐放开,先从简单的高速公路路况开始,逐步开放城区等复杂场景,直至全场景。

地方政府「绿灯」频开,自动驾驶政策、牌照和路测成为一场关于「城市名片」的竞赛。考虑到汽车工业对于地方 GDP 的拉动作用以及自动驾驶的技术引领作用,国内地方政府对于自动驾驶技术可谓「绿灯」频开。根据亿欧统计,截止 2018 年底,国内已有 12 座城市和地区发放自动驾驶道路测试牌照,并鼓励相关企业开展商业化的试运营下项目,为自动驾驶汽车相关的技术标准和法规体系的建立提供必要支持。除了路测的支持之外,例如北京市等先行城市还发布了地方政府版的产业扶持政策(《北京市智能网联汽车创新发展行动方案(2019 年-2022 年)》),自动驾驶产业已经成为一场关于「城市名片」的竞赛。


博客 gaohong

LV1
2019-09-09 14:54
148