正在閱讀:

從現實到理想,智能駕駛還有多遠的路要走?

掃一掃下載界面新聞APP

從現實到理想,智能駕駛還有多遠的路要走?

確保智能駕駛技術的安全和可靠,才是行業(yè)最應該解決的問題。

文|陳根

當前,在智能駕駛技術的突破下,越來越多的車企公司都在智能駕駛領域做出大動作,來對外展示目前最新技術能夠達到的水平。從華為到北汽,從滴滴到百度,這也為近年來轟轟烈烈的“造車運動”掀起新一波熱潮。

不可否認,智能駕駛的發(fā)展給智能交通的實現提供了更多的可能,然而,在一眾科技大廠涌入智能駕駛領域的同時,智能駕駛也適時給人們澆下了涼水。人們越來越發(fā)現智能駕駛的理想與現實層面的差距——特斯拉就是最好的證明,并且,僅僅依靠單車智能似乎無法解決應對城市道路中的復雜多變的情況。

從概念的提出至今,智能駕駛發(fā)展到哪一步了?人們離智能駕駛的理想實現又還有多遠的距離?

智能駕駛仍停留在L2級階段

實際上,智能駕駛就包含了無人駕駛和自動駕駛,需要明確的是,智能駕駛發(fā)展的終極目標及形態(tài)就是無人駕駛,而自動駕駛則被等級區(qū)分,目前世界范圍內普遍被認可的是美國汽車工程師協(xié)會(SAE)對自動駕駛水平的分級。在對自動駕駛汽車的描述上,SAE的六個等級分別是非自動化、輔助駕駛、半自動化、有條件的自動化、高度自動化和全自動化。

L0被稱為“非自動化”,是駕駛員具有絕對控制權的階段。

L1被稱為“輔助駕駛”,在L1階段,系統(tǒng)在同一時間至多擁有“部分控制權”,要么控制轉向,要么控制油門/剎車。當出現緊急情況突發(fā)時,司機需要隨時做好立即接替控制的準備。并且人類需要對周圍環(huán)境進行監(jiān)控。

L2被稱為“半自動化駕駛”。與L1不同,L2階段轉移給系統(tǒng)的控制權從“部分”變?yōu)椤叭俊?,也就是說,在普通駕駛環(huán)境下,駕駛員可以將橫向和縱向的控制權同時轉交給系統(tǒng)。并且人類需要對周圍環(huán)境進行監(jiān)控。

L3被稱為“有條件地自動化”,是指系統(tǒng)完成大多數的駕駛操作,僅當緊急情況發(fā)生時,駕駛員視情況給出適當的應答的階段。此時,系統(tǒng)接替人類,對周圍環(huán)境進行監(jiān)控。

L4被稱為“高度自動化”,是指自動駕駛系統(tǒng)在駕駛員不出做“應答”的條件下,也可以完成所有的駕駛操作的階段。但是,此時系統(tǒng)僅支持部分駕駛模式,并不能適應于全部場景。

L5被稱為“全自動化”,與L0、L1、L2、L3、L4最主要的區(qū)別在于,系統(tǒng)能夠支持所有的駕駛模式。在這一階段中,將不再會允許駕駛員成為控制主體。

對于智能駕駛來說,安全既是起點,也是終點。然而,現實是,當前,即便是對于以人為主體的L2級別自動駕駛,安全問題都仍然突出。一直以來,汽車制造商和科技公司堅稱自動駕駛相關技術可以挽救生命,但事實是,去年死于自動駕駛車禍的人數比過去三十年都要多。

6 月 16 日,美國聯(lián)邦政府發(fā)布了兩份新報告,首次披露了涉及自動駕駛汽車(AV)和配備先進駕駛輔助系統(tǒng)(ADAS)的汽車碰撞和死亡事故的統(tǒng)計情況。這次的數據報告源于美國國家公路交通安全管理局(NHTSA)去年發(fā)布的一項常規(guī)命令,該命令要求汽車公司報告涉及 AV 以及當前道路上數十萬輛汽車中發(fā)現的 L2 駕駛輔助系統(tǒng)的事故,以評估該技術是否存在安全風險。

其中,特斯拉涉及駕駛輔助技術的事故最多,報告稱,從 2021 年 7 月20 日到 2022 年 5 月 21 日,共有 273 起涉及使用 Autopilot 的特斯拉汽車碰撞事故。這一家公司的事故數量占據了報告期間 392 起事故中的 70%。

相對來說,其他汽車制造商報告的車禍數量則遠少于特斯拉,比如以“Honda Sensing”品牌銷售 ADAS 功能的本田披露了 90 起事故;將 ADAS打包在“EyeSight”之中的斯巴魯報告了 10 起事故;福特披露了 5 起車禍,豐田披露了 4 起車禍,寶馬披露了 3 起車禍,而 Super Cruise 制造商通用汽車僅披露了 2 起車禍;Aptiv、現代、Lucid、保時捷和大眾汽車各報告了一起車禍。

當然,特斯拉L2級車禍全美第一的背后,固然與特斯拉使用輔助駕駛功能的車在美國的市場占有率最高有關。但與之對應的,則是特斯拉作為智能駕駛行業(yè)的頭部車企——不論是從技術的研發(fā)、代矢還是主動駕駛的大數據層面,以及實際應用數據層面來說——都尚且面對這樣的智能駕駛安全問題,更不用說像蔚來、理想、小鵬甚至百度等車企了。

不可回避的安全問題

智能駕駛的實現,離不開感知、規(guī)劃、控制這三大技術要素。實際上,這也是人類駕駛汽車過程的粗略拆分,即首先觀察周圍車輛情況、交通指示燈;然后依據自己的目的地方向,通過油門、剎車和方向盤,進行加速/減速、轉彎/變道以及剎車的操作。

對于智能駕駛來說,智能駕駛汽車想要完成自主行駛,就需要像是人行走一樣,“看”得清道路是第一要求,感知就是讓智能駕駛汽車可以對交通環(huán)境進行理解和把握,通過感知系統(tǒng)的加持,智能駕駛汽車可以對交通環(huán)境中障礙物的位置、速度及接下來可能的行為;交通環(huán)境中可以行駛的區(qū)域、交通規(guī)則等信息進行獲取,智能駕駛汽車還可以通過感知系統(tǒng)了解自己所處的位置從而可以為進一步的決策和規(guī)劃提供重要的道路信息。

智能駕駛汽車“看”的清是第一步,而對于“看”到的信息進行分析決策,并對之后的出行行為進行規(guī)劃,則是更為重要的一個環(huán)節(jié)。就像人在路面行走一樣,需要對自己要走的路徑進行規(guī)劃,智能駕駛汽車也要對獲得的道路信息進行規(guī)劃,根據規(guī)劃方向的不同,可以分為行為規(guī)劃、任務規(guī)劃和動作規(guī)劃。

智能駕駛汽車根據出行任務,對交通情況信息進行分析,從而做出對應的判斷,如超車、停車、繞行等。規(guī)劃系統(tǒng)就像是人類的大腦,會對獲得的道路信息進行分析判斷,并根據出行任務,對駕駛行為做出調整。

規(guī)劃就是人類駕駛在駕駛汽車過程中對于交通環(huán)境對處理過程,規(guī)劃對于智能駕駛汽車非常重要,想要讓智能駕駛汽車安全行駛,能夠處理各種交通環(huán)境,則需要智能駕駛汽車可以對不同的場景做出及時反應,在面對諸如“乘客優(yōu)先”還是“行人優(yōu)先”等決策時,可以直接給出最佳解決方案。

控制則是智能駕駛汽車落地的最直觀的體現,作為智能駕駛汽車整套系統(tǒng)的最底層,控制系統(tǒng)對于智能駕駛汽車做出的規(guī)劃做出反應,讓智能駕駛汽車成功完成加速、減速、避讓等一系列動作,智能駕駛控制執(zhí)行的核心技術主要包括車輛的縱向控制和橫向控制技術。

然而,就當前的技術來看,盡管如今的機器智能已經證明了在速度、精確度等方面機器可以遠超過人類。當機器做出決策后,通過線控系統(tǒng)將信號傳遞到汽車的轉向系統(tǒng)、制動系統(tǒng)和傳動系統(tǒng),可以確保信號的快速性以及準確性。但要知道,智能駕駛是個復雜的系統(tǒng),除了算法之外,還有很多復雜的現實情況需要考量,并且,在智能駕駛研究逐漸深入的背景下,傳感器、芯片以及數據的問題也在逐漸暴露。

從智能駕駛的傳感器角度來看,作為外部路況探測的傳感器,其收集的信息將作為駕駛決策的輸入,這是駕駛決策的重要保障??梢哉f,沒有完整的信息,就不可能支持決策系統(tǒng)做出正確、安全的駕駛決定。雖然眾多的傳感器在單一指標上可以超越人眼,但是融合的難題以及隨之而來的成本困境,成為智能駕駛演進過程中面臨的第一個嚴峻考驗。

多傳感器的問題同時也埋下了下一個問題的隱患,那就是芯片的性能。如果需要更全面的了解外部路況信息,就需要部署更多的傳感器。更多的傳感器就對融合提出了更高的要求,而且在高速度的情況下,由于路況信息的變化,所帶來的數據信息也更為海量。

根據英特爾的測算,一臺智能駕駛的汽車,配置了GPS、攝像頭、雷達和激光雷達等傳感器。這些設備每天將產生約4TB待處理的傳感器數據,如此巨大的數據量必須有強大的計算設備來支撐。而即使是英偉達這樣的頂級GPU企業(yè),也在算力和功耗的平衡上幾乎達到了天花板。

于是,不能滿足智能駕駛需求的傳感器和芯片,就跟當前我們所使用的手機導航軟件一樣,在關鍵時刻總是會出現反應慢拍的情況,導致我們走錯了岔路。在未來很長一段時間內,這都將是智能駕駛要跨越的巨大技術障礙。

未來的智能駕駛

智能駕駛除了現階段面臨的技術瓶頸,還需要面臨的一個問題是,車路協(xié)同的障礙。當前,隨著技術的逐漸進步,人們已經越來越發(fā)現單靠單車智能無法解決應對城市道路中的復雜多變的情況。基于此,車路協(xié)同技術也就應運而生,為的便是解決單車智能所無法解決與處理的一些復雜危險場景。

區(qū)別于單車智能駕駛,車路協(xié)同智能駕駛認為:除了自己的感知單元,也可以接受路、其他車、信號燈等各個信息來源的消息,算力不夠就以強大的云計算來補足算力,車路協(xié)同的智能駕駛使得智能汽車成為智慧交通網絡里的小節(jié)點,與身邊交通參與者發(fā)生著各種信息的交互。

最重要的是,車路協(xié)同將極大提升智能駕駛車輛的行車安全性。畢竟,目前智能駕駛極其難處理的一個場景便是在有盲區(qū)的區(qū)域突然出現一個未知的障礙物。這對于經驗不那么豐富的人類駕駛員,這種場景都是極其危險并極易出現交通事故的。

而目前的單車智能針對這種場景主要是通過危險場景的識別來降低車速,減少緊急剎車時所產生的制動距離。或者是通過感知跟蹤算法,對之前已經出現的障礙物,現在處于盲區(qū)遮擋的情況進行跟蹤,來給出更加精準的預測。但無論哪種方式,其實都很難去完全處理這種危險場景。

而車路協(xié)同設備的接入,可以給自動駕駛汽車開啟“上帝視角”,給到車輛自身傳感器所無法感知到的障礙物信息,來幫助決策規(guī)劃算法做出更加合理安全的決策,來保障乘客的安全與舒適。

此外,車路協(xié)同還可以極大提升城市的通勤效率。通過城市大腦的交通流調度,可以讓車輛合理地選擇出行路線,避免了多數車輛擁擠在城市主干道上導致交通擁塞的情況。通過交通調度算法,可以極大緩解目前困擾城市的堵車難題,甚至可以智能調度紅綠燈的時長,讓道路變得更加的通暢快捷。

如今,智能交通協(xié)同發(fā)展正在成為一種趨勢,未來,車輛的自主控制能力不斷提高,智能駕駛也將最終實現,進而改變人車關系,將人從駕駛中解放出來,為人在車內進行信息消費提供前提條件。車輛將成為網絡中的信息節(jié)點,與外界進行大量的數據交換,進而改變車與人、環(huán)境的交互模式,實時感知周圍的信息,衍生更多形態(tài)的信息消費。

而隨著智能駕駛的普及,或許,大部分人不再需要購買一輛屬于自己的汽車,出行可以作為一項按需提供的服務,將道路、汽車等資源充分進行共享,從而提高社會的整體運行效率。

屆時,更為先進的信息技術、通信技術、控制技術、傳感技術、計算技術會得到最大限度的集成和應用,人、車、路之間的關系會提升到新的階段,新時代的交通將具備實時、準確、高效、安全、節(jié)能等顯著特點,智能交通系統(tǒng)必將掀起一場技術性的革命。

當然,這一切得以實現的基礎,是必須確保智能駕駛技術的穩(wěn)定和可靠,而回到今天,對于L2級車禍依然高發(fā)的現狀,彌合理想與現實的差距,深耕底層技術,或許才是實現智能駕駛未來最行之有效的辦法。

本文為轉載內容,授權事宜請聯(lián)系原著作權人。

評論

暫無評論哦,快來評價一下吧!

下載界面新聞

微信公眾號

微博

從現實到理想,智能駕駛還有多遠的路要走?

確保智能駕駛技術的安全和可靠,才是行業(yè)最應該解決的問題。

文|陳根

當前,在智能駕駛技術的突破下,越來越多的車企公司都在智能駕駛領域做出大動作,來對外展示目前最新技術能夠達到的水平。從華為到北汽,從滴滴到百度,這也為近年來轟轟烈烈的“造車運動”掀起新一波熱潮。

不可否認,智能駕駛的發(fā)展給智能交通的實現提供了更多的可能,然而,在一眾科技大廠涌入智能駕駛領域的同時,智能駕駛也適時給人們澆下了涼水。人們越來越發(fā)現智能駕駛的理想與現實層面的差距——特斯拉就是最好的證明,并且,僅僅依靠單車智能似乎無法解決應對城市道路中的復雜多變的情況。

從概念的提出至今,智能駕駛發(fā)展到哪一步了?人們離智能駕駛的理想實現又還有多遠的距離?

智能駕駛仍停留在L2級階段

實際上,智能駕駛就包含了無人駕駛和自動駕駛,需要明確的是,智能駕駛發(fā)展的終極目標及形態(tài)就是無人駕駛,而自動駕駛則被等級區(qū)分,目前世界范圍內普遍被認可的是美國汽車工程師協(xié)會(SAE)對自動駕駛水平的分級。在對自動駕駛汽車的描述上,SAE的六個等級分別是非自動化、輔助駕駛、半自動化、有條件的自動化、高度自動化和全自動化。

L0被稱為“非自動化”,是駕駛員具有絕對控制權的階段。

L1被稱為“輔助駕駛”,在L1階段,系統(tǒng)在同一時間至多擁有“部分控制權”,要么控制轉向,要么控制油門/剎車。當出現緊急情況突發(fā)時,司機需要隨時做好立即接替控制的準備。并且人類需要對周圍環(huán)境進行監(jiān)控。

L2被稱為“半自動化駕駛”。與L1不同,L2階段轉移給系統(tǒng)的控制權從“部分”變?yōu)椤叭俊保簿褪钦f,在普通駕駛環(huán)境下,駕駛員可以將橫向和縱向的控制權同時轉交給系統(tǒng)。并且人類需要對周圍環(huán)境進行監(jiān)控。

L3被稱為“有條件地自動化”,是指系統(tǒng)完成大多數的駕駛操作,僅當緊急情況發(fā)生時,駕駛員視情況給出適當的應答的階段。此時,系統(tǒng)接替人類,對周圍環(huán)境進行監(jiān)控。

L4被稱為“高度自動化”,是指自動駕駛系統(tǒng)在駕駛員不出做“應答”的條件下,也可以完成所有的駕駛操作的階段。但是,此時系統(tǒng)僅支持部分駕駛模式,并不能適應于全部場景。

L5被稱為“全自動化”,與L0、L1、L2、L3、L4最主要的區(qū)別在于,系統(tǒng)能夠支持所有的駕駛模式。在這一階段中,將不再會允許駕駛員成為控制主體。

對于智能駕駛來說,安全既是起點,也是終點。然而,現實是,當前,即便是對于以人為主體的L2級別自動駕駛,安全問題都仍然突出。一直以來,汽車制造商和科技公司堅稱自動駕駛相關技術可以挽救生命,但事實是,去年死于自動駕駛車禍的人數比過去三十年都要多。

6 月 16 日,美國聯(lián)邦政府發(fā)布了兩份新報告,首次披露了涉及自動駕駛汽車(AV)和配備先進駕駛輔助系統(tǒng)(ADAS)的汽車碰撞和死亡事故的統(tǒng)計情況。這次的數據報告源于美國國家公路交通安全管理局(NHTSA)去年發(fā)布的一項常規(guī)命令,該命令要求汽車公司報告涉及 AV 以及當前道路上數十萬輛汽車中發(fā)現的 L2 駕駛輔助系統(tǒng)的事故,以評估該技術是否存在安全風險。

其中,特斯拉涉及駕駛輔助技術的事故最多,報告稱,從 2021 年 7 月20 日到 2022 年 5 月 21 日,共有 273 起涉及使用 Autopilot 的特斯拉汽車碰撞事故。這一家公司的事故數量占據了報告期間 392 起事故中的 70%。

相對來說,其他汽車制造商報告的車禍數量則遠少于特斯拉,比如以“Honda Sensing”品牌銷售 ADAS 功能的本田披露了 90 起事故;將 ADAS打包在“EyeSight”之中的斯巴魯報告了 10 起事故;福特披露了 5 起車禍,豐田披露了 4 起車禍,寶馬披露了 3 起車禍,而 Super Cruise 制造商通用汽車僅披露了 2 起車禍;Aptiv、現代、Lucid、保時捷和大眾汽車各報告了一起車禍。

當然,特斯拉L2級車禍全美第一的背后,固然與特斯拉使用輔助駕駛功能的車在美國的市場占有率最高有關。但與之對應的,則是特斯拉作為智能駕駛行業(yè)的頭部車企——不論是從技術的研發(fā)、代矢還是主動駕駛的大數據層面,以及實際應用數據層面來說——都尚且面對這樣的智能駕駛安全問題,更不用說像蔚來、理想、小鵬甚至百度等車企了。

不可回避的安全問題

智能駕駛的實現,離不開感知、規(guī)劃、控制這三大技術要素。實際上,這也是人類駕駛汽車過程的粗略拆分,即首先觀察周圍車輛情況、交通指示燈;然后依據自己的目的地方向,通過油門、剎車和方向盤,進行加速/減速、轉彎/變道以及剎車的操作。

對于智能駕駛來說,智能駕駛汽車想要完成自主行駛,就需要像是人行走一樣,“看”得清道路是第一要求,感知就是讓智能駕駛汽車可以對交通環(huán)境進行理解和把握,通過感知系統(tǒng)的加持,智能駕駛汽車可以對交通環(huán)境中障礙物的位置、速度及接下來可能的行為;交通環(huán)境中可以行駛的區(qū)域、交通規(guī)則等信息進行獲取,智能駕駛汽車還可以通過感知系統(tǒng)了解自己所處的位置從而可以為進一步的決策和規(guī)劃提供重要的道路信息。

智能駕駛汽車“看”的清是第一步,而對于“看”到的信息進行分析決策,并對之后的出行行為進行規(guī)劃,則是更為重要的一個環(huán)節(jié)。就像人在路面行走一樣,需要對自己要走的路徑進行規(guī)劃,智能駕駛汽車也要對獲得的道路信息進行規(guī)劃,根據規(guī)劃方向的不同,可以分為行為規(guī)劃、任務規(guī)劃和動作規(guī)劃。

智能駕駛汽車根據出行任務,對交通情況信息進行分析,從而做出對應的判斷,如超車、停車、繞行等。規(guī)劃系統(tǒng)就像是人類的大腦,會對獲得的道路信息進行分析判斷,并根據出行任務,對駕駛行為做出調整。

規(guī)劃就是人類駕駛在駕駛汽車過程中對于交通環(huán)境對處理過程,規(guī)劃對于智能駕駛汽車非常重要,想要讓智能駕駛汽車安全行駛,能夠處理各種交通環(huán)境,則需要智能駕駛汽車可以對不同的場景做出及時反應,在面對諸如“乘客優(yōu)先”還是“行人優(yōu)先”等決策時,可以直接給出最佳解決方案。

控制則是智能駕駛汽車落地的最直觀的體現,作為智能駕駛汽車整套系統(tǒng)的最底層,控制系統(tǒng)對于智能駕駛汽車做出的規(guī)劃做出反應,讓智能駕駛汽車成功完成加速、減速、避讓等一系列動作,智能駕駛控制執(zhí)行的核心技術主要包括車輛的縱向控制和橫向控制技術。

然而,就當前的技術來看,盡管如今的機器智能已經證明了在速度、精確度等方面機器可以遠超過人類。當機器做出決策后,通過線控系統(tǒng)將信號傳遞到汽車的轉向系統(tǒng)、制動系統(tǒng)和傳動系統(tǒng),可以確保信號的快速性以及準確性。但要知道,智能駕駛是個復雜的系統(tǒng),除了算法之外,還有很多復雜的現實情況需要考量,并且,在智能駕駛研究逐漸深入的背景下,傳感器、芯片以及數據的問題也在逐漸暴露。

從智能駕駛的傳感器角度來看,作為外部路況探測的傳感器,其收集的信息將作為駕駛決策的輸入,這是駕駛決策的重要保障??梢哉f,沒有完整的信息,就不可能支持決策系統(tǒng)做出正確、安全的駕駛決定。雖然眾多的傳感器在單一指標上可以超越人眼,但是融合的難題以及隨之而來的成本困境,成為智能駕駛演進過程中面臨的第一個嚴峻考驗。

多傳感器的問題同時也埋下了下一個問題的隱患,那就是芯片的性能。如果需要更全面的了解外部路況信息,就需要部署更多的傳感器。更多的傳感器就對融合提出了更高的要求,而且在高速度的情況下,由于路況信息的變化,所帶來的數據信息也更為海量。

根據英特爾的測算,一臺智能駕駛的汽車,配置了GPS、攝像頭、雷達和激光雷達等傳感器。這些設備每天將產生約4TB待處理的傳感器數據,如此巨大的數據量必須有強大的計算設備來支撐。而即使是英偉達這樣的頂級GPU企業(yè),也在算力和功耗的平衡上幾乎達到了天花板。

于是,不能滿足智能駕駛需求的傳感器和芯片,就跟當前我們所使用的手機導航軟件一樣,在關鍵時刻總是會出現反應慢拍的情況,導致我們走錯了岔路。在未來很長一段時間內,這都將是智能駕駛要跨越的巨大技術障礙。

未來的智能駕駛

智能駕駛除了現階段面臨的技術瓶頸,還需要面臨的一個問題是,車路協(xié)同的障礙。當前,隨著技術的逐漸進步,人們已經越來越發(fā)現單靠單車智能無法解決應對城市道路中的復雜多變的情況?;诖?,車路協(xié)同技術也就應運而生,為的便是解決單車智能所無法解決與處理的一些復雜危險場景。

區(qū)別于單車智能駕駛,車路協(xié)同智能駕駛認為:除了自己的感知單元,也可以接受路、其他車、信號燈等各個信息來源的消息,算力不夠就以強大的云計算來補足算力,車路協(xié)同的智能駕駛使得智能汽車成為智慧交通網絡里的小節(jié)點,與身邊交通參與者發(fā)生著各種信息的交互。

最重要的是,車路協(xié)同將極大提升智能駕駛車輛的行車安全性。畢竟,目前智能駕駛極其難處理的一個場景便是在有盲區(qū)的區(qū)域突然出現一個未知的障礙物。這對于經驗不那么豐富的人類駕駛員,這種場景都是極其危險并極易出現交通事故的。

而目前的單車智能針對這種場景主要是通過危險場景的識別來降低車速,減少緊急剎車時所產生的制動距離?;蛘呤峭ㄟ^感知跟蹤算法,對之前已經出現的障礙物,現在處于盲區(qū)遮擋的情況進行跟蹤,來給出更加精準的預測。但無論哪種方式,其實都很難去完全處理這種危險場景。

而車路協(xié)同設備的接入,可以給自動駕駛汽車開啟“上帝視角”,給到車輛自身傳感器所無法感知到的障礙物信息,來幫助決策規(guī)劃算法做出更加合理安全的決策,來保障乘客的安全與舒適。

此外,車路協(xié)同還可以極大提升城市的通勤效率。通過城市大腦的交通流調度,可以讓車輛合理地選擇出行路線,避免了多數車輛擁擠在城市主干道上導致交通擁塞的情況。通過交通調度算法,可以極大緩解目前困擾城市的堵車難題,甚至可以智能調度紅綠燈的時長,讓道路變得更加的通暢快捷。

如今,智能交通協(xié)同發(fā)展正在成為一種趨勢,未來,車輛的自主控制能力不斷提高,智能駕駛也將最終實現,進而改變人車關系,將人從駕駛中解放出來,為人在車內進行信息消費提供前提條件。車輛將成為網絡中的信息節(jié)點,與外界進行大量的數據交換,進而改變車與人、環(huán)境的交互模式,實時感知周圍的信息,衍生更多形態(tài)的信息消費。

而隨著智能駕駛的普及,或許,大部分人不再需要購買一輛屬于自己的汽車,出行可以作為一項按需提供的服務,將道路、汽車等資源充分進行共享,從而提高社會的整體運行效率。

屆時,更為先進的信息技術、通信技術、控制技術、傳感技術、計算技術會得到最大限度的集成和應用,人、車、路之間的關系會提升到新的階段,新時代的交通將具備實時、準確、高效、安全、節(jié)能等顯著特點,智能交通系統(tǒng)必將掀起一場技術性的革命。

當然,這一切得以實現的基礎,是必須確保智能駕駛技術的穩(wěn)定和可靠,而回到今天,對于L2級車禍依然高發(fā)的現狀,彌合理想與現實的差距,深耕底層技術,或許才是實現智能駕駛未來最行之有效的辦法。

本文為轉載內容,授權事宜請聯(lián)系原著作權人。