首发!无人驾驶最新排行榜,通用第一,Waymo第二,百度呢?

小智君最新获悉,The Verge刚刚发布年度自动驾驶汽车排行榜(Navigant Autonomous Driving Leaderboard Report),其中通用汽车在这一领域居领先地位,Waymo一路飙升,超过几个汽车制造商,紧随其后,位居第二。

从2015年开始将自主驾驶汽车开发公司被列入评估范围,评估了公司技术能力以及公司将该技术商业化的能力。参与排位的公司被分为四类,其中领导者位列前茅,其次是竞争者,挑战者和追随者。

去年,在通用、福特、戴姆勒、雷诺、日产等企业中,只有四家公司进入了领导者的领域。而今年,除了它们以外,大众、Waymo、宝马-英特尔-FCA、Aptiv等纷纷入局。Waymo、英特尔以及Aptiv的出现标志着科技公司和汽车制造商在建立自动驾驶汽车的竞争中日益突出。与此同时,越来越多的汽车工业集团不仅将自主权看的很重要,而且还不断为自己的汽车技术取得实质性的进展。

通用何以持续领跑?

首先是因为它愿意进行大笔投资,并做出一些很“疯狂”的承诺。举个例子,它收购了以AV为导向的初创公司Cruise Automation和激光雷达公司Strobe,扩大了其汽车共享服务Maven,并制定了明确的基准:如在2019年推出了一组无方向盘和踏板的机器人出租车队。


最重要的是,通用汽车有能力大规模生产自动驾驶汽车雪佛兰。这家汽车巨头“很有可能在未来几年成功实现高度自动驾驶的部署”。

同样,Waymo在2017年也采取了一系列大胆的举措,推动了其排名的上升。与Lyft和 Avis等打车软件的合作在很大程度上弥补了Waymo的不足:缺乏建造、维护和管理车队的经验。此外,该公司计划在2018年初在亚利桑那州推出一项完全自治的无人驾驶移动服务。这使得它成为第一个取消人类安全驾驶员的公司,也是它排名的加分项。

 

曾有业内人士大胆预测:有可能人类乘坐的第一辆无人驾驶汽车将是来自通用或者Waymo。毫无疑问,这家拥有着109年历史的老牌汽车制造商和Alphabet旗下的自驾部门未来会展开激烈的竞争。

苹果和特斯拉早已掉队

当然,有人进步,就有人掉队,另外两家掉队的公司就是苹果特斯拉了。


首先说苹果。虽然技术巨头苹果“从未开发出像汽车一样复杂的产品”,但苹果“现有的技术功能,可以让它在自动驾驶领域中占有独特的地位”。该公司已经申请了在加州测试自动驾驶汽车的执照,其测试车辆也在公众场合被发现了几次。没人能保证苹果的自动驾驶汽车将会成为现实,但目前该公司的市值高达9000亿美元。

关于特斯拉。Navigant对电动汽车的评估可能会激怒一些马斯克的狂热粉丝群,但事实有的时候确实伤人。有趣的是,特斯拉一直是汽车制造商中最直言不讳的。它承诺会在不久的将来推出L5全自动汽车,而大多数的公司则会有意避免对购买自动驾驶能力的客户作出任何承诺。

 

因此,小智君认为,特斯拉对其前景过于乐观,表现不太好。


马斯克在2017年5月的TED演讲中称,该公司目前正在建造的系统将在2019年之前达到5级。然而,这是不可能实现的,因为第5级意味着汽车能够在没有人类干预的情况下进行自主操作。


目前特斯拉的硬件缺乏在恶劣天气条件下保持传感器清晰且不受影响的能力,以及完全自动驾驶所需的大部分冗余系统,更不用说大多数业内人士认为的高自动化车辆所必需的激光雷达。就连英伟达也表示怀疑,它向特斯拉销售的计算机硬件是否能够支持其产品的自动化。”

百度后来居上,荣居第14名

最后,咱们讲讲大家都关心的百度。在上榜的公司中,百度是唯一一个来自中国的公司。现在处于第二类竞争者的行列,位居14位。百度和北汽集团的结盟将中国科技巨头的软件推向了市场,同时也借助了博世的帮助。

 

在今年的CES百度发布会上,陆奇、景鲲、张亚勤依次登台,揭幕无人车Apollo 2.0平台、DuerOS新品和Apollo全球合作计划。陆奇说,百度本质上就是中国的谷歌,百度大脑从技术上和平台上都可以与国际竞争,百度大脑的产品化和商业化,是如今百度的重中之重。而作为百度大脑顶尖平台和技术的代表,无人驾驶技术和Apollo平台是百度构建无人驾驶生态圈的最关键武器。

同时,随着Apollo平台合作伙伴的增多,带来了海量的定位、驾驶及场景数据,进而使平台能够模拟出更多的训练环境,不断优化自动驾驶算法,而高质量自动驾驶系统的广泛部署又可以产生更多高质量的数据,反哺系统的训练,形成“数据—服务”的良性循环,这就是Apollo为百度构建的无人驾驶生态圈。

 

在技术、数据以及中国良好的政策支持下,百度在无人车方面也更好的前途。

 

除此以外,据百度技术经理祖明介绍,昨天,百度发布了其开源产品 ECharts的最新大版本。新版本在产品的性能、功能、易用性等各个方面进行了全面提升。此外,百度还一起发布了 ECharts GL 1.0 正式版,ZRender 4.0 全新版本,WebGL 框架 ClayGL、深度学习框架 VisualDL 等数据可视化产品。

 

更重要的是,随着这些产品的发布,百度正式公布全新升级的数据可视化品牌——百度数据可视化实验室。

 

百度的种种产品发布,预示着这个公司未来将有更多的发展可能性,也将争取更加靠前的席位

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值