扫码加入

自动驾驶系统

加入交流群
扫码加入
获取工程师必备礼包
参与热点资讯讨论

自动驾驶系统系统采用先进的通信、计算机、网络和控制技术,对列车实现实时、连续控制。采用现代通信手段,直接面对列车,可实现车地间的双向数据通信,传输速率快,信息量大,后续追踪列车和控制中心可以及时获知前行列车的确切位置,使得运行管理更加灵活,控制更为有效,更加适应列车自动驾驶的需求。

自动驾驶系统系统采用先进的通信、计算机、网络和控制技术,对列车实现实时、连续控制。采用现代通信手段,直接面对列车,可实现车地间的双向数据通信,传输速率快,信息量大,后续追踪列车和控制中心可以及时获知前行列车的确切位置,使得运行管理更加灵活,控制更为有效,更加适应列车自动驾驶的需求。收起

查看更多

电路方案

查看更多
  • 强化学习会让自动驾驶模型学习更快吗?
    在谈及自动驾驶大模型训练时,有的技术方案会采用模仿学习,而有些会采用强化学习。同样作为大模型的训练方式,强化学习有何不同?又有什么特点呢? 什么是强化学习? 强化学习是一种让机器通过“试错”学会决策的办法。与监督学习不同,监督学习是有人提供示范答案,让模型去模仿;而强化学习不会把每一步的“正确答案”都告诉你,而是把环境、动作和结果连起来,让机器自己探索哪个行为长期看起来更有利,便往那个行为中去靠。
  • BEV是如何让自动驾驶汽车“看”得更远的?
    BEV(Bird's Eye View)是一种将摄像头、激光雷达、毫米波雷达或地图信息统一映射到同一平面上的技术,简化三维感知问题为二维空间推理,提高自动驾驶安全性。BEV强调空间一致性,适用于多种传感器组合,通过特征提取、投影、融合等步骤实现。其优势在于统一视角下的直观规划、多传感器融合的便利性和对复杂场景的处理能力。然而,纯视觉BEV面临深度与尺度不确定性、分辨率与计算资源平衡及多传感器对齐等挑战。随着技术进步,BEV有望成为自动驾驶领域的关键技术之一。
    BEV是如何让自动驾驶汽车“看”得更远的?
  • 自动驾驶系统如何应对类似井盖缺失的场景?
    智能驾驶系统面临井盖缺失等负障碍物的探测难题,尤其在视觉特征隐蔽且物理探测难的情况下,传统传感器如激光雷达和摄像头效果不佳。端到端架构通过大规模数据训练提升了系统对未知障碍物的识别能力,但仍有局限性和黑盒特性。通过数据闭环和物理仿真平台,系统识别准确率有望进一步提高,但仍需持续优化以应对极端场景。
    自动驾驶系统如何应对类似井盖缺失的场景?
  • 为什么“中间表达”对于自动驾驶来说非常重要?
    中间表达是自动驾驶系统中将原始数据转化为更有意义信息的过程,它在不同架构中扮演重要角色,如模块化系统中的信息传递和端到端系统中的隐含处理。常见的中间表达形式包括几何语义类、语义理解类和动态预测类,它们分别侧重于空间结构、场景语义和未来预测。中间表达对自动驾驶至关重要,因为它不仅提升了系统的性能和安全性,还在模块化设计和学习驱动方法中提供了清晰的分层和丰富的监督信号。
    为什么“中间表达”对于自动驾驶来说非常重要?
  • 珠峰之路,同行之力:地平线以生态之力,撬动自动驾驶全域商业化
    地平线技术生态大会展示自动驾驶商业化路径多样化,强调地平线作为生态奠基者与催化剂的角色,通过提供高性能、开放的计算底座和技术支持,助力不同场景下的自动驾驶项目实现规模化商用。