AI大模型的引入,自动标注、感知预测算法的快速迭代,从行业整体层面可以加速高级别辅助驾驶的量产落地。
(资料图片)
AI+自动驾驶并非全新的概念,特斯拉、新势力等头部玩家已使用基于Transformer的模型进行感知与决策。
目前LCC等L2级别的辅助驾驶功能逐渐标配化,NOA 等高级别辅助驾驶功能模型成熟度不断提高,市场领先者的测试版逐渐落地。
海量的数据、高效的数据标识是算法模型的基础。随着智能驾驶的成熟,激光雷达 3D 点云信息、摄像头采集的 2D 图像信息的增加,道路场景的丰富,自动驾驶的数据标注类型与数量在不断增加。
人工标注成本高、效率低,自动标注是 AI 大模型赋能智能驾驶最直接的应用,能大幅降低数据标注的成本。
并且也可以进行仿真模拟引入虚拟数据,支撑大规模训练。特斯拉的模拟仿真可以通过建立一个虚拟世界,以提供现实中难以获得/数据量不足的情景,目前特斯拉可以在 5min内自动生成一个复杂路口3D虚拟场景。
进一步,还可以通过道路中的场景,创建更多变种场景,帮助算法训练,无需每种场景都通过实际道路测试来采集数据,大大提高了数据的丰富性。
目前 L2+及以下级别智能驾驶得到广泛应用,软硬件算力、单车价值量提升。汽车自动化程度的衡量标准通常采用国际自动机工程师学会定义的从 L0(完全手动)到 L5(完全自主)的分级标准。
乘用车 L2 级辅助驾驶将成为标配,城市道路 L3 及以上级别落地阻力重重。
考虑到 L3 级以上级别自动驾驶所面临的法规、权责、以及技术长尾问题,我们预测 2025年之前,辅助驾驶配置向 L2/L2+级别升级(ADAS)将是大规模商业化落地的主要方向。
以下是《AI大模型如何加速无人驾驶发展报告》部分内容:
公众号后台回复《AI大模型如何加速无人驾驶发展报告》,即可获得全文报告。
关键词:
版权与免责声明:
1 本网注明“来源:×××”(非商业周刊网)的作品,均转载自其它媒体,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责,本网不承担此类稿件侵权行为的连带责任。
2 在本网的新闻页面或BBS上进行跟帖或发表言论者,文责自负。
3 相关信息并未经过本网站证实,不对您构成任何投资建议,据此操作,风险自担。
4 如涉及作品内容、版权等其它问题,请在30日内同本网联系。