01-学习背景
从特斯拉发布autopilot以来,不到十年间,自动驾驶行业经历了巨大的变革,量产、上车、商业模式各种方向奔流涌动。
从茫然、到技术爆发、到技术收敛,AI表现出了强大的能力,也在众多资本、科研人员的推动下,将其脉络、发展途径、开发工具和应用场景,梳理到一个比较清晰,有适当的技术背景就能够获取足够资源部署自己应用的程度。
前言
提示:这里可以添加本文要记录的大概内容:
例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。
提示:以下是本篇文章正文内容,下面案例可供参考
一、Why BEV
从特斯拉的视角来看整个自动驾驶的发展过程:
step1:传统OEM与Tier1合作模式,mobileye的视觉、毫米波雷达
step2:自研视觉算法,英伟达方案
step3:自研芯片
step4:BEV-transformer,occupancy
step5:1个月试用FSD,续订2%
从技术维度,特斯拉找到了一条路径,并将这条技术路线快速推向最优解,成为一众追随者的目标,恨之入骨又望尘莫及。
但是终究特斯拉创造的还仅仅是L3-,本质上对驾驶员是强依赖的,而市场最终也会将民用车的智能驾驶收敛到L3-。
一位智者说过,领先太多就不一定是优势了。所以just in time,特斯拉当前的技术状态,虽离无人驾驶很远,但是足以满足辅助驾驶的需求了。
二、学习目标
1.了解视觉在当前自动驾驶领域的发展情况
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
2.梳理视觉在需求定义→量产交付的流程
代码如下(示例):
data = pd.read_csv(
'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())
3.了解改领域涉及的技术、开发工具
总结
希望这一天早日到来:
大家像用计算器一样,使用AI帮助自己提高效率。