快快快~充充充~以色列兄弟在行动,以色列初创公司研发超快充电技术

据CNBC网站报道,以色列初创企业StoreDot研发全新的电池技术,旨在把充电时间压缩至几分钟之内。StoreDot是一家总部位于以色列赫兹利亚的锂电池初创企业,该公司在上周二(当地时间6月12日)宣布,其已经成功地在五分钟之内为一辆电动 ...查看全部

据CNBC网站报道,以色列初创企业StoreDot研发全新的电池技术,旨在把充电时间压缩至几分钟之内。

StoreDot是一家总部位于以色列赫兹利亚的锂电池初创企业,该公司在上周二(当地时间6月12日)宣布,其已经成功地在五分钟之内为一辆电动踏板车重新充满电。这辆电动踏板车来自西班牙的Torrot公司。

值得一提的是,上述展示行动由StoreDot和一家全球主要原油企业英国石油公司共同完成,后者是StoreDot的战略支持者。两家公司共同宣布,这是电动两轮车的充电时间首次缩短至几分钟时间。

StoreDot首席执行官多恩·米尔斯多夫上周二在接受CNBC记者采访时指出:“我们利用Torrot电动踏板车展示了我们所具备的技术实力。”

他还指出,这次也是该公司首次展示仅用五分钟时间就为一个含有大量电池单元的电池组充满电,内部的电池单元数达到168个。

除了英国石油公司以外,StoreDot还吸引梅赛德斯奔驰的所有者戴姆勒集团以及技术巨头三星向其投资。值得一提的是,此前StoreDot被推上头条是因为其夸耀所推出的手机电池充电时间也只要五分钟。

多恩·米尔斯多夫向记者说到:“我们正在开发新一代的锂电池。更加特别的是,这种电池将不会再使用石墨材料。”

他解释称之所以放弃石墨材料是因为在快速充电过程中,石墨材料无法有效发挥作用。

StoreDot将在新一代电池的生产原料中加入锡、锗和硅和其他一些有机化合物的混合物取而代之。该公司表示,相比目前大多数消费者电子产品中使用的电池单元,上述调整将为锂电池提供更好的解决方案。

第一步

随着越来越多的企业寻求解决电动汽车充电速度过慢的问题,StoreDot发现其自身正面临着越来越严峻的竞争环境。

保时捷近日发布了一款电动车型,该车只需充电四分钟就可以增加60英里的续航里程;初创企业Sila Nanotechnologies和QuantumScape也有意颠覆目前的电池市场。

多恩·米尔斯多夫表示StoreDot最新的成果展示是公司最终向为电动汽车乃至电动卡车提供充电服务迈进的“第一步”。StoreDot预计在未来一年内将展示出针对梅赛德斯奔驰车型的“五分钟充电”技术。

他还表示,多恩·米尔斯多夫预计针对的智能手机和移动电源的五分钟充电服务将在2020年下半年投入使用,而适用于电动汽车的快速充电技术可能要等到2023年面世。

StoreDot正寻求建设一座类似特斯拉超级工厂的电池制造工厂,该厂被称之为OneGiga。多恩·米尔斯多夫表示,StoreDot目前正在同美国当局就合适的厂址问题展开讨论。

随着在全球范围内化石燃料向清洁能源转型的压力值不断上涨,英国石油公司和戴姆勒等企业所面临的电动化转型也开始提速。

英国石油公司高级移动部门技术总监乔恩·萨克特在接受记者采访时表示:“在未来的道路交通领域,电动汽车将扮演主角。这也是我们对相关技术和基础设施进行投资的原因。”

他还说到:“电动化对于英国石油公司这样的企业来说提供了许多宝贵的商机,我们也因此看到对业务种类进行扩大和补足的可能性。

转自:腾讯汽车 

作者:天宝

博客 tututu

LV5
2019-06-19 11:39
198

聚焦 | 进退两难 共享汽车驶向何方?

风靡一时的共享汽车,近来有些步履维艰。近日,德国汽车巨头戴姆勒旗下的共享汽车品牌Car2go宣布,将于6月30日全面停止在中国运营。而在此前,友友用车、EZZY等国内共享汽车平台也陆续宣布停止运营。与 ...查看全部
风靡一时的共享汽车,近来有些步履维艰。近日,德国汽车巨头戴姆勒旗下的共享汽车品牌Car2go宣布,将于6月30日全面停止在中国运营。而在此前,友友用车、EZZY等国内共享汽车平台也陆续宣布停止运营。与此同时,仍在运营当中的共享汽车平台日子也不太好过——停运、押金难退、用户体验差等问题成为用户集中投诉的焦点。面对困境,共享汽车将驶向何方?

车企重金投入

共享经济作为新经济模式的代表,逐渐渗透进生活的各个角落。共享汽车作为其中的佼佼者之一,极大地改变了人们的生活。

近年来,众多国内外品牌纷纷投入共享汽车市场,试图从中分一杯羹。根据前瞻产业研究院发布的《中国共享汽车商业模式创新与投资机会深度分析报告》显示,从2017年开始,新注册的共享汽车企业数量逐渐增多。截至2018年6月,国内已注册的共享汽车企业超过400家,投入运营的共享汽车数量已超过10万辆。

国有车企纷纷投入重金——今年5月28日,“东风出行”首批1000辆共享汽车在武汉投入运营。而在此前几年,一汽集团、长安集团、上汽集团也各自推出的分时租赁等共享汽车产品。民营企业重庆力帆和长城汽车也发布了“盼达用车”“欧拉出行”等共享汽车品牌。

此外,不少新能源车企和互联网公司也加入共享汽车阵营。如格罗夫氢能汽车公司日前宣布今年将在重庆生产200辆面向分时租赁市场的氢能汽车。今年3月,苏宁、阿里、腾讯等企业携手一汽、东风、长安,共同出资97.6亿元打造T3出行公司。

尽管各方对共享汽车的未来满怀憧憬时,但有专家表示,共享汽车大多仍处于大规模投入期,没有盈利,一些运营成本高、服务能力差的企业难免被淘汰。

“共享汽车与市场真正的需求还有一定距离。目前存在着资本认可但市场不认可的现象。” 中国社会科学院信息化研究中心秘书长姜奇平说。

运营问题频发

随着共享汽车的大规模布局和投入,一些问题也随之而来。新手司机发生重大交通事故、停运、押金难退、用户体验差等问题频频出现,成为影响共享汽车发展的问题。

近日,在湖南湘潭,一名23岁的大学男生驾驶共享汽车与一名推婴儿车的女子相撞,婴儿车内年仅1岁6个月的男童经抢救无效死亡。经调查,该男子在5月中旬刚刚考取驾照。同样的事故在多地都曾发生。

冒名租赁等问题也屡次出现,虽然很多共享汽车平台采用人脸识别、全程录像、定位等方式明晰出租方和承租方的责任,但仍存在漏洞。

车况不佳、存在安全隐患,同样是共享汽车的通病之一。继共享单车后,共享汽车也出现了汽车质量难保证的问题,用户不爱惜车辆、乱停乱放、拒绝处理违章甚至恶意破坏等行为屡见不鲜。

据上海市消费者权益保护委员会副秘书长宁海介绍,2018年其受理的共享汽车相关投诉超过1200件,主要集中在计费混乱、押金难退、索赔繁琐、商家推诿等方面。

发展需要时日

国际会计师事务所普华永道预测,2030年前中国共享出行市场将以32%的年均增速快速扩张。虽然共享汽车发展前景看好,但多家共享汽车平台的退出,无疑给共享汽车的发展敲响了警钟。

姜奇平说,共享经济应当是对闲置物的再利用,但目前市场上存在的问题是不断地“生产”共享物品。专家表示,“烧钱”和过度投放等方式虽然能够抢占市场地盘,但弊端却不少。大肆投入会造成企业成本增加,收入又难以支撑成本,运营就难以持续。

此外,共享汽车在服务方面也有待改进。“共享汽车想要突出重围,在用户体验、设施完善方面仍然需要不断改进,政府和社会也需要不断地完善政策和提高共享意识。”姜奇平说。

一些企业负责人表示,共享汽车发展需要社会各界大力支持。如共享汽车大多布局在人流密集区域,这些区域普遍存在道路资源、土地资源、充电设施稀缺等问题,如何破解停车、充电等难题,考验城市管理者的智慧。

来源:人民日报海外版

博客 gaohong

LV1
2019-06-19 11:22
206

激光雷达的“误区”与“误解”,马斯克可以“用得起”

过去几年,围绕激光雷达能否满足汽车行业对于价格、性能、重量、尺寸、温度/寿命(车规级)、可大规模自动化生产等要求“议论纷纷”。目前,行业内对于可用于前装车规级量产的激光雷达有一个相 ...查看全部

过去几年,围绕激光雷达能否满足汽车行业对于价格、性能、重量、尺寸、温度/寿命(车规级)、可大规模自动化生产等要求“议论纷纷”。

目前,行业内对于可用于前装车规级量产的激光雷达有一个相对明确的要求:

1、测距范围:200-300米;

2、分辨率及视场角:0.1-0.2度,120-180度;

3、价格:批量供货价格在500--1000美金

4、可靠性:车规级及功能安全认证;

5、生产:半自动化及自动化产线,保证产品一致性和生产效率;

而之所以有一部分企业“自称”不需要激光雷达,很大一部分原因还在于车规、价格等因素。要知道,目前,全球范围内只有一家法雷奥能够量产过车规的产品,单一供应商对于汽车制造商来说,存在着不小的风险。

这也是为什么目前行业内存在两种不同的自动驾驶传感器组合,一种是基于摄像头+毫米波雷达;一种是基于摄像头+毫米波雷达+激光雷达。

但如果要遵从自动驾驶的安全冗余要求,激光雷达的配置在大多数主机厂和自动驾驶公司来说,都是必须的传感器。

当然,价格和可靠性是相对较难的部分。不过,价格方面部分厂商的传统机械式激光雷达已经开始松动。


比如,镭神智能的32线360°机械式激光雷达售价已经降至6万元,16线360°机械式激光雷达批量售价已经下探到1.2万元。

而该公司即将要推出的车规级32线120°混合固态激光雷达售价将会降至1万元以内,车规级16线120°混合固态激光雷达大批量售价将会降至4千元左右,完全可以符合车厂前装的价格和性能要求,马斯克完全可以不用为激光雷达的价格原因降低安全性而困扰。

一、激光雷达的“真相”

自从车载激光雷达开山鼻祖Velodyne的代表性产品360度机械式旋转激光雷达被大多数企业划定为“几乎不可能过车规”的行列后,几十家初创公司开始在混合固态、纯固态的激光雷达“量产”之路上拿出了十八般武艺。

“固态激光雷达”实际上是一个涵盖多个非旋转激光雷达设计的总称。其中一种路线是MEMS——微机电系统——它使用一个微小振镜来控制激光束。

其他路线还有光学相控阵,一种完全没有任何运动部件的技术路线。还有就是Flash激光雷达,它不需要光束控制,只需在一个闪光中照亮整个场景,用类似于数码相机的二维传感器阵列探测返回的光线。

由于几乎没有或只有很少的运动部件,这三种设计都有可能实现小体积、低成本和可靠性。从长远来看,支持者们设想将几乎所有的电子部件——包括激光本身、波束控制电路、探测器和支持计算的电源——封装到一个芯片上。

从理论上讲,这一切听起来都不错。但上述三种固态设计(MEMS严格意义上仍处于混合固态)面临着实现目标的重大挑战,最大的困难是目前全世界做MEMS振镜的厂家没有一家可以提供能达到车规要求的MEMS振镜(这些或许很难从这些企业负责人口中听到)。

MEMS系统中的小镜子只能反射有限的光束。这使得将激光束反射到远处的物体上并探测到反射回来的光束变得非常困难。

此外,MEMS反射镜仍然存在一些问题:车辆的运动极易影响镜子的运动;车载环境的较宽的温度范围也会影响扫描。

由于MEMS扫描仪是一种共振设备,这意味着它在每次扫描的中间扫描速度最快,在扫描结束时扫描速度最慢。结果就是扫描的中心分辨率最低,与激光雷达的要求相反。

同时,MEMS镜子悬挂在非常细的扭力杆之间,扭力杆在使用过程中容易突然断裂。

当然,这并非说明MEMS路线就是不可行,比如已经有车规级量产经验的法雷奥,目前也在研发MEMS混合固态雷达,但时间点在2021年。

相控阵方法产生的光束往往比其他技术发散得更大,相控阵芯片对激光功率损耗很大,旁瓣很难压制,因此很难实现远距离、高扫描分辨率和宽视场的性能,而且接收得采用面阵的APD阵列探测器,成本远没美国某公司说的那么美妙。

FLASH激光雷达,来自每个闪光的光被分散到整个视野中,这意味着只有一小部分光照射到任何一个特定的点。而且光探测器阵列中的每个像素都必须非常小,这限制了它能够捕获的返回光的数量。

还有一种近年来兴起的技术路线,就是使用VCSEL技术,一种垂直腔面发射激光器(代替传统的激光发光源)。VCSEL的一个关键区别是激光从晶圆片垂直发射,而不是像边缘发射激光那样水平发射。

这是制造中的一个关键优势,因为VCSEL可以在晶圆片上测试。这降低了生产成本,因为故障芯片可以在封装前被筛选出来。标准的边缘发射激光器只能在后期的生产过程中进行测试。

此外,VCSEL耗电量更低、对温度的敏感性也较低,这是车规级产品验证的关键一环。

同时,雷达厂商可以封装集成数百个VCSEL、电子束控制和晶片尺度的微透镜,使其能够瞄准、聚焦并形成结构化的探测模式。不过,VCSEL目前仍然较为昂贵。而且,FLASH激光雷达的抗干扰能力是所有的这些激光雷达技术方案中最差的。

这也是为什么迄今为止,只有法雷奥和Ibeo合作开发的SCALA“过了车规”,其使用的嵌入式旋转镜是以恒定速度的扫描,已经被证明在移动物体应用中具备足够的可靠性和寿命。

一些汽车行业的人士表示,对于激光雷达的移动部件“质疑”很多时候不一定是对的。“传统汽车里有很多活动部件,它们可以使用10万英里甚至更长时间。”

那么,接下来对于传统机械式雷达的改造就是将发射和接收模块做成固态不动,只有棱镜旋转,也就是SCALA的混合固态模式。

3.jpg

比如,以镭神智能推出的128线激光雷达为例,其采用的正是上述的混合固态的设计,其接收和发射模块都是固定不动的,里面只有一个棱镜转动。

这个背后依靠的是镭神自主研发的全球首款激光雷达专用16通道TIA芯片,而且已经大批量流片成功,它不仅集成了接收模拟信号处理的多种功能和配置控制,同时还将高频高带宽模拟晶体管、多级增益可配置低噪声放大器、多路开关选择器和功率控制单元等集成到比指甲盖还小的芯片中。

这意味着,用单颗芯片就可以实现多线束激光雷达模拟接收处理,且适配所有采用TOF测量原理的多线(200/160/128/64/32/16线)、单线、MEMS和OPA激光雷达。

而在安装方面,除了之前的装在车的四周和车顶,镭神智能的128线是前装设计,可以直接嵌入车头,一辆车可能只须要装一台128线加两个补盲的雷达,比起旧方案,无论是安装还是算法方面都将更简单更省钱。

此外,在敏感的价格方面,128线激光雷达目前报价据说也不超过16.8万元,而后续还将陆续推出32/16/8/4线的车规级混合固态激光雷达,规模化量产后价格有望达到数千元级别,马斯克完全可以不用为激光雷达的价格原因降低安全性而困扰。

如果考虑到未来几年激光雷达在其他工业领域的大面积应用,对于车载激光雷达的成本下降也会有极大的促进作用。Waymo早前宣布从今年开始向非汽车行业出售激光雷达,目的也是通过规模化降低成本。

二、传感器“冗余”也至关重要

除了技术路线的争议,对于未来量产来说,过去对于激光雷达的误区在于大部分企业仅仅关注长距离产品(200米以上)。

实际上,考虑到未来L2+、L3、L4的长期需求共存因素,对于激光雷达的需求也存在两种:一种是前向的长距离探测,另一种是360度环视的中短距离探测(用于盲区)。

尤其是L3开始,不管是制动、转向、ECU等需要冗余,传感器组合也需要配置一定的冗余。

比如,典型的Waymo自动驾驶车的配置,3个中长距离激光雷达安装于车顶“构成”360度环视以及2个安装于两侧翼子板上方、1个安装于前方保险扛的短距离激光雷达。

而这3个短距离激光雷达(最短探测距离为0)可以保障对行人和骑行人的安全识别。尤其是夜间,摄像头失效的情况下,毫米波雷达也可能存在一定的问题,比如对横向穿行物体探测能力差。

最典型的反向例子就是Uber。Uber在将首批福特自动驾驶车型换成了沃尔沃XC90后,将识别行人的激光雷达传感器数量从7个减少到了1个,导致车辆周围出现盲点(大概3米长的盲区)。

因为在Uber早期的介绍中,有这样一段说明:“安装在前后和侧翼上的激光雷达有助于探测接近车辆的障碍物,以及可能在其他传感器盲区的较小障碍物。”

而在这起致命事故中,推着自行车的受害者正是横向穿行马路。当时,摄像头已经失效(道路几乎没有灯光),而毫米波雷达对横向移动物体能力较差。

此时,即便顶部激光雷达探测到自行车,但没有任何其他多余传感器进行验证,进而可能导致决策算法的判断错误。

显然,对于安全是自动驾驶第一要素的基本准则下,仅仅是依靠摄像头+毫米波雷达的组合,仍然存在一定的盲区风险。

这也是为何马斯克的“激光雷达无用论”会引起业界一片震惊与哗然的原因。特斯拉仅依赖摄像头+毫米波雷达做自动驾驶导致的数起交通事故已堪称警醒行业发展的经典案例。

比如,2016年一辆Model
S在自动驾驶状态下撞上对向正在转弯的卡车,该事故导致驾驶员死亡。据报道,当时特斯拉的Autopilot因为卡车车体反光,摄像头并未识别对向的卡车。

至今,或许特斯拉引以为傲的算法能力已获得数倍提升,摄像头+毫米波雷达的方案与激光雷达相比安全系数可能也就99
%和99.9999%的细微差异,然而正是这点差异恰恰可以成为生命安全的重要保障。


4.bmp

可见,此时选择增加激光雷达作为冗余传感器依然是保证安全的必要举措之一。对此,Waymo相关负责人一再强调,“摄像头、雷达和激光雷达系统是‘互补的’,各尽所能。激光雷达能提供‘更丰富、更准确的数据’,如果只是依赖摄像头会有更多的限制。”

曾在特斯拉任职6年的Waymo硬件主管萨蒂什·耶亚桑德兰(Satish
Jeyachandran)表示,“每一个传感器对于创造出性能强大、安全的自动驾驶汽车都很重要。尤其是涉及到自动驾驶时,整个套件比单个输入更重要。”

Waymo表示,目前激光雷达的价格正在下降,而且随着应用范围的扩大,价格还将继续下降。从目前全球的激光雷达行业来看,镭神智能的激光雷达在价格和性能已足够诱人,自动驾驶真正规模化落地也该不远了吧。

知识讲堂 betty19920416

LV5
2019-06-19 11:12
447

日本政府敲定自动驾驶汽车上路规则 解禁开车看手机

3月10日消息,据日本媒体报道,日本政府日前在内阁会议上通过了解禁自动驾驶汽车公路行驶的《道路交通法》修正案、以及纳入安全对策机制的《道路运输车辆法》修正案。日媒介绍称,《道路交通 ...查看全部

3月10日消息,据日本媒体报道,日本政府日前在内阁会议上通过了解禁自动驾驶汽车公路行驶的《道路交通法》修正案、以及纳入安全对策机制的《道路运输车辆法》修正案。

日媒介绍称,《道路交通法》修正案涉及的对象是在一定条件下由系统负责驾驶、紧急时由司机操作的“3级”自动驾驶,力争在本届日本国会通过。

日本的《道路交通法》禁止驾驶人员在驾驶中操作智能手机和注视车载导航仪的画面。而修正案的核心是将自动驾驶排除在上述规定的适用对象之外。修正案以紧急时切换为手动驾驶为前提,将解禁使用智能手机等“开车时一心二用”的操作。

现行日本法律允许“1级”、“2级”自动驾驶,即包括油门、刹车、方向盘中多项操作实现自动化。

通过此次对《道路交通法》的修改,“3级”自动驾驶状态下的公路行驶成为可能。但一定条件下的完全自动驾驶“4级”以及完全自动驾驶“5级”的实用化则还需进一步完善日本法律。


博客 gaohong

LV1
2019-06-19 10:51
211

基于兴趣区域投票的多任务车辆检测

编者按:车辆检测是自动驾驶车辆感知模块中的关键技术之一。由于视角、遮挡和截断造成的大规模内部分类的不同,使得车辆检测非常具有挑战性。这篇文章提出了一个基于多任务CNN和RoI投票的车辆检测方法,实验结果表明,该方法优于大多数现有的车辆检测框架。 ...查看全部

编者按:车辆检测是自动驾驶车辆感知模块中的关键技术之一。由于视角、遮挡和截断造成的大规模内部分类的不同,使得车辆检测非常具有挑战性。这篇文章提出了一个基于多任务CNN和RoI投票的车辆检测方法,实验结果表明,该方法优于大多数现有的车辆检测框架。

本文译自:《Multi-Task
VehicleDetection With Region-of-Interest Voting》

原作者:Wenqing Chu , Yao Liu,Chen Shen, Deng
Cai

原文链接:https://ieeexplore.ieee.org/document/8066331/

摘要:车辆检测是自动驾驶系统中的一个具有挑战性的问题,因为其具有较大的结构和外观变化。在本文中,我们提出了一种基于多任务深度卷积神经网络(CNN)和感兴趣区域(RoI)投票的新型车辆检测方案。在CNN体系结构的设计中,我们以子类别、区域重叠、边界框回归和每个训练ROI的类别作为一个多任务学习框架来丰富监督信息。该设计允许CNN模型同时在不同车辆属性之间共享视觉信息,因此,可以有效地提高检测鲁棒性。此外,大多数现有方法独立考虑每个RoI,忽略了其相邻RoI的线索。在我们的方法中,我们利用CNN模型来预测每个RoI边界朝向相应标注过的数据的偏移方向。然后,每个RoI可以对那些合适的相邻边界框进行投票,这与该附加信息一致。投票结果与每个RoI本身的得分相结合,以从大量候选中找到更准确的位置。KITTI和PASCAL2007车辆数据集的实验结果表明,与其他现有方法相比,我们的方法在车辆检测中实现了卓越的性能。

1·引言

车辆检测是许多视觉计算应用的基本问题,包括交通监控和智能驾驶。不幸的是,由于不同视点,遮挡和截断引起的较大类内差异,车辆检测非常具有挑战性。图1显示了一些具有不同复杂性的例子,这些例子来自PASCAL2007汽车数据集[1]和最近提出的KITTI车辆检测基准[2]。


图1.来自两个数据集的车辆检测的复杂性的图示(a)PASCAL
VOC2007汽车数据集[1]由不同视点和较少遮挡的单车组成。(b)KITTI车辆基准[2]包括安装在驾驶汽车上的摄像头拍摄的道路上的汽车,该汽车具有更多的遮挡和截断。

通常,车辆检测可以被视为通用对象检测的特殊主题。在过去几年中,研究人员在提高物体检测性能方面取得了显着进展[3-8]。解决此问题的常见流程包括两个主要步骤:(1)生成建议目标,(2)特定类的评分和边界框回归。对于第一步,有很多精心设计的方法[8-11]用于生成建议目标或仅仅是[5]中使用的滑动窗口方式。然后提取对象边界框的一些特定视觉特征,并利用分类器确定有界区域是否是期望对象,其中代表性方法包括AdaBoost算法[3],DPM模型[5]和深度CNN模型[7]。然而由于车辆的结构和外观变化较大,尤其是普遍存在的遮挡,这进一步增加了类内差异,使得车辆检测仍然具有挑战性,此外,许多车辆检测基准要求联合交叉(IoU)超过0.7以评估正确的定位,这显著提高了对模型的性能要求。

在本文中,我们提出了一种基于多任务深度卷积神经网络(CNN)、感兴趣区域(RoI)投票和多级定位的新型车辆检测方案,由RV-CNN表示。多任务学习旨在实现信息共享,同时解决多个相关任务,提高部分甚至所有任务的性能[12]。在我们的方法中,CNN模型在四个任务上进行训练:类别分类,边界框回归,重叠预测和子类别分类。在这里,我们引入子类别分类任务来使得CNN模型在不同的遮挡,截断和视点下都能学习车辆的良好表示。我们利用[13]中提出的3D体素模式(3DVP)概念进行子类别分类。
3DVP是一种对象表示,它共同捕获关键对象属性,这些属性涉及到在聚类过程中刚性对象的外观、对象姿态、遮挡和截断。然后每个3DVP被认为是一个子类别。

大多数检测方法利用CNN模型的预测分数进行非极大值抑制(NMS),以得到最终的边界框位置。但是,高于某一水平的检测分数与边框提案的可靠性没有很强的相关性[14]。原因之一是训分类器被训练为从背景中对对象进行分类,而不是对联合交叉(IoU)进行排序。因此,我们建议使用邻近的RoI来完善这一评分。首先,我们使用CNN模型同时预测从RoI到每个边界的标注过的数据的偏移方向。有了这些额外的信息,我们设计了一个简单而有效的投票方案来重新分配这些ROI。在所有提案的得分重新计算后,我们可以应用NMS得到最终结果此外,我们观察到,在IOU超过0.7的限制下,区域提案网络[8]的产出不能保证达到100%召回。这将对以下检测网络构成挑战,因为它必须在没有高质量建议的情况下处理一些困难的案例。此外,在更快的R-CNN
[8]中,NMS的预测框的检测分数不准确,因为它在回归之前应用了RoI的卷积特征。考虑到这两个缺点,本文提出了一种多级定位方案,进一步提高了检测精度和可靠性。

我们已经在两个常用的车辆检测数据集(KITTI车辆基准[2]和PASCAL
VOC2007汽车数据集[1])上评估了我们的方法。我们的方法在KITTI车辆检测基准上实现了91.67%的Ap,显著超越了最近的结果[15-17]。此外,我们还对PASCAL
VOC2007汽车数据集进行了实验。实验结果表明,与基线和相关方法相比,我们的RV-CNN模型具有了一致且显着的性能提升。

2·相关工作

在本节中,我们将简要回顾一下最近关于一般物体检测和车辆检测的工作。

通用目标检测是近年来研究的一个活跃领域,有着大量的前期工作。[3]中的级联式检测器是最早实现相对高精度实时检测的方法之一。这种结构已广泛用于实现人脸[3],[18],行人[19]和车辆[20]的滑动窗口探测器。基于部分的模型也是文献中最强大的物体检测方法之一,其中可变形的组件模型(DPM)[5],[21]是一个很好的例子。该方法采用定向梯度直方图(HOG)特征作为输入,并利用由根滤波器和组件滤波器组成的星形结构来表示高度可变的物体,使其能够检测出被严重遮挡的物体。

最近,深度卷积神经网络(CNN)表现出了卓越的性能,在各种视觉任务中占据了最高精度基准[22-26]。这些工作提出了大量的方法[7],[8],[27-36]解决了CNN模型的问题。在这些方法中,具有卷积神经网络(R-CNN)框架[7]的区域已经取得了很好的检测性能,并成为对象检测的常用范例。其基本步骤包括使用选择性搜索的建议目标生成[9],CNN特征提取,基于CNN特征的对象候选分类和回归。

然而R-CNN带来了过多的计算成本,因为它为数千个建议目标重复提取CNN特征。为了加速R-CNN中的特征提取过程,提出了空间金字塔汇集网络(SPPnet)[28]和基于快速区域的卷积网络(Fast
R-CNN)[29]。其缺点是仍然采用自下而上的建议目标生成,这是效率的瓶颈。相反,在[8]中提出了一种区域生成网络(RPN),它与检测网络共享全图像卷积特征,从而实现了几乎无成本的区域生成。MS-CNN
[15]由提议子网和检测子网组成。在提议子网中,在多个输出层执行检测,以便匹配不同尺度的对象。这种方案也用于SSD [32]和TextBoxes
[37]。另一个有趣的工作是YOLO [31],它在7x7网格内输出对象检测。该网络以40fps运行,但检测精度有所降低。

大多数这些深度模型都针对一般物体检测。为了更好地处理被遮挡车辆的检测问题,在[38]中的一个DPM模型提供的根和组件分数配置上使用了第二层条件随机场(CRF)。最近,在[39]和[40]中提出了一个和或结构,以有效地将遮挡配置与经典的DPM进行比较。在[41]中,作者建议将车辆检测和属性注释结合起来。此外,改进模型泛化的一种常见方法是学习对象类[20]中的子类别。子类别已被广泛应用于车辆检测,并提出了几种子类别分类方法[42-45]。在[42]中,使用局部线性嵌入和HOG特征以无监督的方式学习学习对应于车辆方向的视觉子类别。参考文献[43]根据对象的视角执行聚类,以发现子类别。在[45]中研究了区分性子分类,其中聚类步骤考虑了负面实例。最近,[13]提出了一种新的对象表示,即三维体素模式(3DVP),它共同编码对象的关键属性,包括外观、三维形状、视点、遮挡和截断。该方法以数据驱动的方式发现3DVPS,并为3DVPS训练一组专门的检测器。在[46]中,作者利用3DVP子类别信息训练子类别卷积层,输出特定位置和比例下某些子类别存在的热图。在我们的工作中,我们将子类别分类作为改进基于CNN的检测性能的多任务的一部分,并且可以使用在[13]、[42]和[43]中获得的子类别标签来实现该组件。

3·具体检测过程     

在本节中,我们描述了用于解决车辆检测问题的多任务深度卷积神经网络。对于每个输入图像,我们的方法包括三个主要阶段。首先,我们生成一个由多尺度区域生成网络(RPN)[8]获得的对象提议池。然后我们使用多任务CNN模型来预测每个RoI的属性。根据回归结果,一些提案将由二级回归网络处理。最后,我们采用有效的投票机制来优化每个RoI的最终得分。此外,由于我们可以获得子类别信息,因此我们引入了子类别感知的非极大值抑制(NMS)来更好地处理遮挡。最后,我们可以获得在实际应用中非常准确的预测框。

A.多任务损失函数

最近,多任务学习已经应用于许多计算机视觉问题,特别是在缺乏训练样本的情况下[12]。多任务学习的目的是在同时解决多个相关任务的同时,加强信息共享。这种共享已经被证明可以提高部分或全部任务的性能[12],[47],[48]。对于车辆检测问题,我们通过子类别,区域重叠,边界框回归和每个训练RoI的类别作为多任务学习框架,丰富了监督信息。接下来,我们将详细解释多任务CNN模型的提议方法的细节。图2显示了所提出的多任务学习框架的总体流程。如图2所示,在生成RoI之后,我们将[29]中提出的RoI池化层应用于每个RoI的池卷积特征。然后,汇集的卷积特征用于完成四个任务:类别分类,边界框回归,重叠预测和子类别分类。最后一部分“偏移方向预测”将在下一节中描述。每个被训练的RoI都标有真实类和真实边界框回归目标,类似于[29]中的设置。通常,该监督信息用于设计分类损失L
cat和边界框回归损失L loc。

接下来,第三个任务是子类别分类。对于复杂和杂乱的城市场景中的车辆检测,遮挡和视点是关键方面。如在[40]中,处理遮挡需要能够捕获组件层面上遮挡的基本规律(即不同遮挡配置),并且明确地利用与遮挡共同发生的上下文信息,这超出了单车辆检测的范围。此外,不同视图中的2D图像也难以识别。这些显着增加了类内差异。为了表示遮挡和视点变化,我们采用最近在[13]中提出的3D体素模式(3DVP)的概念。
3DVP是一种对象表示,它共同捕获与外观,三维形状和遮挡掩膜相关的关键对象属性。参考文献[13]提出在网络上的存储库中利用3DCAD模型,例如Trimble3D
Warehouse,并将这些3D CAD模型与2D图像一起标注以构建3D体素示例。更具体地说,对于训练集中的每个图像,使用从预定义的模型集合中选择的3D
CAD模型来标记图像中的对象,选择的模型是有与真实3D长方体最接近的纵横比的模型。然后使用相机参数将所有标注的3D
CAD模型投影到图像平面上并获得深度排序掩模。在下文中,深度排序掩模确定投影的3D CAD模型的哪个像素是可见的,被遮挡的或截断的。
3DVP表示一组三维体素示例,这些示例共享在其三维体素模型中编码的类似可见性模式。参考文献[13]通过在统一的三维空间中聚类三维体素样本来发现3DVP。有关详细信息,读者可以参考他们的项目网站。

图2.多任务框架的图示

在[13]之后,我们对刚性物体(即KITTI中的车辆)采用3D体素模式(3DVP)表示,它在聚类过程中共同模拟物体姿态,遮挡和截断。然后每个3DVP被认为是一个子类别。图3显示了Kitti车辆数据集中不同子类别车辆的几个示例。通过这些附加的注释,CNN模型可以捕获更多关键信息进行检测。如图2所示,CNN模型在K
+ 1个子类别上输出离散概率分布(每个RoI),p =(p 0,...,p
K)。与往常一样,p是由一个全连接层的k+1个输出上的softmax计算的。因此,子类别分类的损失公式为Lsub(p,u) =
logpu,它是真实分类u类的对数损失。

图3.每一列为一个子分类

此外,我们发现预测RoI与相应的标注过的数据之间的重叠对其他任务是有益的。对于重叠回归,我们使用下列方程中的损失。

其中

是一种强大的L1损耗,其对异常值的敏感性低于L2损耗,这需要仔细调整学习速率以防止爆炸梯度。
Op表示由CNN模型预测的重叠,并且根据ROI和标注过的数据计算Og。

总结,整个多任务框架的损失可以表述为:

上式中的超参数λ1,λ2,λ3用于控制四个任务损失之间的平衡。我们在验证数据集上调整了这些超参数。具体地,在实验中将λ1,λ2,λ3设定为1,10,1.2。

B.感兴趣的区域投票

我们观察到检测分数不能很好地表示有界区域的可靠性或置信度。在[14]中,作者还认为,高于某一水平的检测分数与与框提议的最优性没有很大关系。实际上这并不奇怪,因为分类器被训练为从背景中分类对象而不是对IoU进行排序。另外,预测框的分数由RoI的卷积特征计算,其与回归框略有不同,这也是值得怀疑的。为了解决这个问题,我们使用邻近的RoI来优化其得分。首先,我们使用CNN模型同时预测从每个RoI边界到标注过的数据边界的偏移方向。然后我们可以得到四个变量来指示实际的方向。在我们的方法中,我们分别用D
l,D t,D r,D d表示这四个变量,分别用于RoI的左边界,顶边界,右边界和下边界。例如,D
l的可能预测如下:“向左转”,“向右转”,“在此处停止”和“此RoI周围没有实例”。对于D
t,“上升”,“下降”,“在此处停止”和“此RoI周围没有实例”是可能的训练标签。这些标签可以根据ROI的位置和训练前的地面实况来计算。

如前所述,我们使用多尺度RPN模型来生成数千个对象提议。利用所提出的多任务CNN框架,预测每个RoI的边界框偏移,得分和方向。然后结合每个ROI的坐标和相应的框偏移量,我们可以得到大量的预测框,这比实际的图像中的物体数量大得多。因此,我们将一个图像中的所有预测框分成组,每组对应一个对象。分组方案简单如下:我们选择具有最高分数的预测框作为种子,并将具有高IoU的框与种子放入一个组中。此过程将迭代,直到分配了所有框。该方案在物体检测中很常见[5],[7],[8],[29]。我们的目标是为每个组找到最佳对象预测框。以前的方法直接选择具有最高预测分数的预测框。

在这里,我们利用来自每个预测框的相邻RoI的附加信息来优化分数。如果预测框的位置与其相邻RoI的预测方向一致,则该预测框更可靠。否则,应减少预测框的最终得分。为清晰起见,假设预测框具有坐标和得分s。并且我们用B表示它的相邻RoI,用N表示B中RoI数量,用si表示的第i个RoI的得分,用表示预测方向。然后我们制定投票方案,如下所示:

其中

其他r
b(b,b i)函数遵循与r l(b,b
j)相同的规则。在所有预测框的得分重新计算后,我们可以应用NMS得到最终的结果。

这种RoI投票方法有几个优点。首先,不同于被训练以从背景中对对象进行分类而不是对IoU进行排名的类别分类器,我们的RoI投票方法预测朝向标注过的数据的偏移方向,这对于位置是合理的。此外,该RoI投票方法利用来自相邻RoI的统计信息,这使得结果更加稳健和可靠。其次,与基于CNN的回归任务解决检测问题的方法相比,我们的方法采用了更加文件的分类模型,既简单又有效。CNN模型在分类任务上通常比回归任务取得更好的性能[49]。由于具有softmax损失的偏移方向的分类使得模型在真实方向上最大限度地激活,而不是在边界框坐标的精确值上激活。此外,预测朝向标注过的数据的方向可以作为多任务框架的一部分来实现,这不会给计算带来额外的负担。

C.
多级定位

在Fast RCNN[29]等常见的目标检测流程中,我们发现了两个缺点。首先,由于许多检测基准要求IOU超过0.7才能评估正确的定位,因此区域生成网络[8]经常无法达到100%的召回率。这将对以下检测网络构成挑战,因为它必须在没有高质量建议的情况下处理一些困难的案例。其次,在快速的R-CNN中,用于进行NMS的提案的分数不准确,因为它们在回归前采用了特征。这两个因素将降低这些检测器在实际车辆检测任务中的性能。因此,我们引入了一个多层次的定位框架,以粗到细的方式解决这两个问题。具体来说,我们的定位方案从区域生成网络[8]开始,通过迭代评分和细化它们的坐标来工作。在这里,我们实施了一个两阶段方案。首先,我们将所有与标注过的数据重叠大于0.5的提案作为培训第一阶段回归网络的正样本。由于我们发现RPN在直接使用0.7时未能召回所有车辆,而在0.5时所有车辆都有正面建议。在测试阶段,该回归网络可以将召回率从97.8%提高到98.9%。在第二阶段,我们使用来自第一阶段的预测边界框来训练第二级目标检测网络,使用与标注过的数据重叠大于0.7的建议作为阳性样本。在这个阶段,大多数车辆都有高质量的建议,这使得回归任务相对容易。此外,我们发现第一级网络的输出提供了强有力的建议,使第二网络产生更准确的定位。另外,由第二网络计算的边界框偏移通常很小,这使得预测框的得分更准确。

图4.在复杂的交通场景中,标准流程会导致漏检

(a)原始图像(b)NMS之前的部分车辆检测结果

考虑到速度,我们对所有提案进行一级定位,并选择其中的一部分进行二级定位。选择的规则是:如果一个提案与预测框有很大的重叠,我们将不会进行第二次定位。我们认为,如果重叠度很大,评分是准确的,提案不需要再次回归。在实验部分,我们将此阈值设置为0.9。在多级定位之后,我们获得了一系列检测结果,这些检测结果都具有高召回率和准确定位。我们考虑重用卷积层功能来进行多级定位。但是,性能增益并不令人满意。因此,对于第二阶段,我们训练一个新的回归网络。我们采用这种设计是因为我们希望通过相应边界框的卷积特征尽快准确地计算提案的分类分数。

D.子类别的NMS

在复杂的交通场景中,遮挡使得车辆检测非常具有挑战性。例如,图4中的蓝色圆圈中有两辆汽车彼此靠近,它们的IOU大于0.7。虽然我们之前的管道可以检测到它们的位置并为它们分配高分,但标准的后处理步骤NMS将过滤其中一个分数较低的边界框。如果我们将NMS的阈值设置得更高,则可以保留两个边界框。

但是,检测结果的精度会非常低。为了解决这个难题,我们引入了子类别的NMS(subNMS)方法。在我们的多任务框架中,我们可以获得子类别信息。由于蓝色圆圈中的两辆车属于不同的子类别,我们的subNMS利用级联管道。首先,我们为属于同一子类别的边界框执行标准NMS,其严格阈值为0.5。然后,NMS将处理所有边界框,其阈值为0.75。通过所提出的subNMS,检测结果的精确度和召回率可以达到平衡。

E.实施细节

我们的框架是使用caffe[50]实现的,运行在配置了Nvidia
M40
GPU卡的工作站上。我们不从零开始培训我们的RPN和检测CNN,而是应用在ImageNet[22]上预训练的模型来初始化卷积层和前两个全连接层,然后对整个网络进行微调。在KITTI基准测试中,我们对第一级定位的AlexNet
[22]和第二级定位的GoogleNet [51]进行了微调。

为了解决尺度的变化,我们使用多尺度方式来训练第一级定位。由于GPU内存限制,我们无法直接培训多尺度GoogleNet检测网络。因此,我们独立裁剪和调整RoI,不在同一输入图像中共享卷积计算。用于多任务学习的全连接层分别由标准差为0.01和0.001的零平均高斯分布初始化。偏差初始化为0。所有层对权重使用1的每层学习率,对偏差使用2的每层学习率,全局学习率为0.001。在对KITTI训练数据集进行训练时,我们运行SGD进行30k小批量迭代,然后将学习率降低到0.0001并训练另外10k次迭代。学习在40,000次迭代后停止,并且在学习期间,将conv1-1到conv2-2的层参数固定,以实现更快的训练。

在对VOC07  trainval
car数据集进行训练时,我们运行SGD进行8K小批量迭代,然后将学习率降低到0.0001,再进行2K迭代培训。使用0.9的动量和0.0005的参数衰减(基于权重和偏差)。

4·实验

在本节中,我们在两个公共数据集上评估我们的方法:KITTI车辆检测基准[2]和PASCAL
VOC2007汽车数据集[1]。

A.KITTI验证集的实验

KITTI数据集由7481个训练图像和7518个测试图像组成。训练中的物体总数达到51867,其中汽车仅占28742。KITTI汽车检测任务的关键难点在于大量汽车尺寸较小(高度<40像素)并且被遮挡。

由于KITTI测试集的基本真实注释不公开,我们使用[46]的训练/验证分割来对我们的框架进行分析,其中分别包含3682个图像和3799个图像。对于KITTI的验证,我们使用125个子类别(125个3DVP用于汽车),而对于KITTI的测试,我们使用227个子类别(227个3DVP用于汽车)。关于子类别的数量,我们遵循[13]中的配置。
3DVP是一种数据驱动方法,子类别的数量是聚类算法中使用的一个超参数。对于验证数据集,仅使用训练数据集来发现3DVP模式。对于测试数据集,训练数据集和验证数据集的结合更加复杂,所以子类别的数量更多。

图5 
检测成功和失败案例示例(绿色框表示正

确定位,红色框表示错误报警蓝色框表示检测缺失)

我们根据KITTI基准[2]建议,在三个难度级别(简单,适度和难度)上评估我们的识别结果。为了评估物体检测精度,在整个实验中报告平均精度(AP)。

汽车的KITTI基准采用0.7重叠阈值。表I显示了三个类别的检测结果,其中我们证明了各种组分对KITTI的RV-CNN性能的影响。从表I可以看出,多任务学习,RoI投票和多层次本地化的组成部分都是有效的设计。对于那些中等和难度级别的汽车,我们的方法可以通过更多组件实现更好的性能。

6.jpg

0.jpg

为了展示我们方法的稳健性,我们给出了图6中不同IOU阈值下的AP。此外,图5显示了我们在KITTI验证数据集上的检测结果的一些示例。我们可以看到,检测中失败的大多是那些难以看到的被遮挡的汽车。将来,我们需要将CNN模型与一些遮挡推理机制相结合,以更好地处理这些困难案例。

B.KITTI测试集的实验

为了与KITTI检测基准的最新方法进行比较,我们使用所有KITTI训练数据训练我们的RPN和RV-CNN,然后将我们的结果提交到官方网站,在KITTI测试集上测试我们的方法。

表2列出了三类检测结果,我们将我们的方法(RV-CNN)与KITTI评估的不同方法进行了比较。这些结果是在2017年3月提取的。最近,评估脚本已经更改,并提供了原始结果。我们的方法在基于中等难度结果的所有已发布方法中排名第一。实验结果证明了我们的CNN能够处理具有更多遮挡和截断的车辆。图7给出了中等类别的KITTI测试装置的精确召回曲线。

C.VOC Pascal
2007车辆数据集的实验

我们还将我们方法与几个竞争模型:DPM
[5],RCNN [7],快速RCNN [29]和更快的RCNN [8]在另一个公共数据集上进行了比较:PASCAL
VOC2007汽车数据集[1]。这些方法在一般物体检测方面获得了最先进的性能,并且这些代码是公开可用的。

13.jpg

图8.PASCAL2007汽车数据集上的精确召回曲线

我们在VOC-RELEASE5[65]中采用训练好的车辆模型用于DPM,而基于CNN的其他模型和我们的方法则基于预训练的VGG16模型。提取PASCAL
VOC 2007数据集中的训练集和测试集(总共1434个图像)中包含的所有图像以进行评估。

汽车检测评估标准与PASCAL目标检测相同。联合交叉(IoU)设置为0.7以以确保定位正确。图8显示了PASCAL
VOC2007汽车测试集的精确召回曲线。由于3DVP需要标注过的数据3D注释(立方体)和相机参数,我们没有找到PASCAL
VOC的这些标签。因此,我们删除了PascalVOC数据集实验中的子类别分类任务。APS分别为63.91%(我们的模型)、38.52%(RCNN)、52.95%(快速RCNN)、59.82%(快速RCNN)和57.14%(DPM)。尽管这个数据非常小,但我们的方法依旧胜过了其他方法。

5·结论

在本文中,我们开发了一种基于多任务深度卷积神经网络(CNN)和感兴趣区域(RoI)投票的新型车辆检测方案。KITTI和PASCAL2007汽车数据集的实验结果表明,我们的方法优于大多数现有的车辆检测框架。在未来,我们将探索一个更有效的投票机制的端到端框架。此外,我们希望将CNN模型与一些遮挡推理方法相结合,以更好地处理这些困难案例。

知识讲堂 betty

LV1
2019-06-19 10:42
383

新“汽车三包”即将出炉 电动汽车维权有法可依

“今年3月14日,我们启动了对原有汽车三包规定的修订工作。目前正在梳理我们公开征求意见阶段收集到的各方面反馈,并以此为基础对这个规定作出修改。”近日,国家市场监督管理总局质量发展局副处长邱丽君如是说。 ...查看全部
“今年3月14日,我们启动了对原有汽车三包规定的修订工作。目前正在梳理我们公开征求意见阶段收集到的各方面反馈,并以此为基础对这个规定作出修改。”近日,国家市场监督管理总局质量发展局副处长邱丽君如是说。

  汽车三包规定,指的是《家用汽车产品修理、更换、退货责任规定》。它是我国汽车产品质量担保制度的主要表现形式,是消费者保护法律体系中的一项重要制度。

  2013年10月1日,汽车三包规定正式实施。今年3月14日,国家市场监督管理总局官方网站发布《家用汽车产品修理、更换、退货责任规定(修订征求意见稿)》,这也是汽车三包规定实施6年来首次迎来修订。

  5月24日,中国消费者报社联合慧科讯业在京发布《消费者满意度与汽车企业社会责任年度报告(2019版)》。发布会上,针对业界关心的新能源车三包问题,邱丽君表示,在此次修订稿里已经“有所体现”。

  “事实上,2013年出台汽车三包规定的时候,新能源汽车还没有在市场上得到广泛应用,因而汽车三包规定里对这方面没有做详细的表述。”邱丽君透露,“这次修订,把关于新能源汽车一些三包的条款进行了详细的描述和细化。希望通过制度完善,为汽车行业和汽车市场的健康发展带来共赢局面。”

  质量问题频发汽车三包完善“新能源”选项

  新能源汽车在我国汽车市场持续升温。2018年,我国新能源汽车总销量125.6万辆,同比增长61.7%。其中,新能源乘用车销售105.3万辆,同比增长82%;根据公安部公布的机动车保有量数据,截至2018年年底,我国新能源汽车保有量达261万辆,全年增加107万辆,纯电动汽车保有量211万辆,占新能源汽车总量的81.06%。

  随着新能源汽车销量的持续上扬和保有量的增加,新能源车的质量问题凸显。根据国家市场监管总局公布的数据,2018年国内新能源汽车召回数量达13.8万辆,涉及7家厂商,召回率较高。

  有业内人士表示,与发展了100多年的燃油车相比,新能源汽车的发展时间短、发展速度快,这也在一定程度上造成了相关法律法规尚不健全的问题。

  国家市场监管总局缺陷产品管理中心副主任王琰透露,当年三包规定起草的时候,并没有把电动汽车的动力蓄电池行驶电驱动电机和电控系统单独纳入退换车的条款中,因此,这也是这次修订的重点内容。

  “汽车三包规定中针对传统能源汽车的发动机、变速器及其主要零部件,有具体的换、退车条款,但并没有将新能源汽车,特别像电动汽车的动力电池、电机、电控系统等重要部件纳入对应的换、退车条款中。”王琰表示。

  3月14日,国家市场监督管理总局官方网站发布《家用汽车产品修理、更换、退货责任规定(修订征求意见稿)》,该意见稿进一步完善了电动汽车主要零部件的三包政策。

  有业内人士表示,此次修订将有助于汽车“三包”规定与时俱进,增强消费者在新能源汽车领域的消费信心。

  投诉解决率不降反增消费者权益保护“仍在路上”

  “西安奔驰女车主维权”事件掀起轩然大波后,社会各界对汽车质量问题、售后服务的诚信缺失和金融服务费暗藏猫儿腻提出了不少质疑。舆论步步关注的背后,折射出的是消费者的维权困境。

  全国消协组织投诉与咨询信息系统的数据显示,2016年~2018年汽车产品(含零部件)每年的投诉从2016年的1.5万件上升至2018年的1.9万件左右,投诉量逐年增加。而投诉解决率则从2016年的73.84%下降到2018年的67.8%,呈现逐年下降趋势。

  有分析认为,尽管中国汽车市场产销已经连续10年蝉联全球冠军,但对于汽车消费者权利的保障,无疑仍“任重道远”。

  在中国消费者协会投诉部主任张德志看来,汽车消费投诉主要集中在五大领域。一是经营者巧立名目,消费者辨识难;二是经营者不提供凭证,消费者取证难;三是产品质量出现纠纷,消费者鉴定难;四是经营者推诿扯皮,消费者协商难;五是维权涉及问题复杂,消费者投诉解决难。

  王琰透露,除了对电动汽车三包规定的修订外,本次修订还将重点关注三包补偿系数的调整、三包日期的计算等问题,并拟建立“三包责任争议第三方处理机制”等,加大对消费者合法权益的保护力度。

  根据《家用汽车产品修理、更换、退货责任规定(修订征求意见稿)修订说明》,针对当前消费者退换车支付使用补偿费用偏高的问题,将使用补偿系数n从现行《汽车三包规定》中的0.5%至0.8%,调整到上线不超过0.7%、下线不封底。

  同时,此次修订增加了推动建立家用汽车产品三包责任争议第三方处理机制的规定。“拟借鉴美国等汽车大国的做法,推动构建汽车三包争议第三方处理机制。”

  根据国家市场监督管理总局官网发布消息,除了加快修订汽车“三包”规定外,下一步,国家市场监管总局将会同相关部门对汽车销售行业开展专项整治,切实破除消费者反映强烈的潜规则,坚决查处侵害消费者权益的违法行为;开展消费投诉公示,健全长效监管机制,更好地规范汽车行业发展,推动汽车消费升级扩容,保障广大消费者合法权益。



博客 gaohong

LV1
2019-06-19 10:22
928

智能网联汽车发展面临五大挑战

 “在汽车工业4.0时代已经有共识,智能网联汽车是汽车产业发展的战略方向。”国汽(北京)智能网联汽车研究院有限公司首席科学家、中国智能网联汽车产业创新联盟专家委员会主任、清华大学教授李 ...查看全部

 “在汽车工业4.0时代已经有共识,智能网联汽车是汽车产业发展的战略方向。”国汽(北京)智能网联汽车研究院有限公司首席科学家、中国智能网联汽车产业创新联盟专家委员会主任、清华大学教授李克强在第六届国际智能网联汽车技术年会上表示。

李克强认为,国际上的发达国家通过国家战略协同和各方面的推进,已经形成了智能网联汽车发展的先发优势。

在李克强看来,面对国际上智能网联汽车产业的竞争,在我国智能网联汽车发展过程中,特别是产业化发展过程当中,还存在着一系列挑战。

五大挑战

“我国智能网联汽车发展面临的挑战与国际上有相同之处,也有我们特殊的地方。”李克强表示,我国智能网联汽车发展面临五大挑战。

一是智能网联汽车的相关标准与法规需要健全。我国自动驾驶相关标准的制定权分属政府的不同部门,《公路法》、《保险法》等并未包含自动驾驶的相关内容,《网络安全法》、《测绘法》等也存在与自动驾驶发展所不适用的规定,这些方面都亟待完善和改革。

二是技术亟待突破。智能网联汽车是高新技术的载体,对我国智能网联汽车产业发展来说,技术亟待突破。在技术领域,自动驾驶相关产业链还不完善,自动驾驶相关的传感器、底盘,包括汽车的人工智能等方面的核心技术还需积累。另外,在系统集成方面的自主能力还有待加强。

三是交通基础设施如何商业化。自动驾驶不仅仅是汽车产品的问题,还涉及到人、车、网、路、云、图一体化。虽然交通基础设施得到了长足发展,但智能化的交通基础设施发展还涉及到周期长、投资大的问题,以及增加投入后如何进行商业化运行的挑战性问题。

四是商业模式不清晰,产业生态不健全。未来自动驾驶运营包括产业链等方面还有一系列问题需要解决,比如怎么获取自动驾驶用的高精度动态地图,如何在自动驾驶的测试场地运用,以及自动驾驶技术方面涉及到商业模式的问题。

五是社会对智能网联汽车的接受度仍需检验。包括道路伦理、社会安全问题等一系列问题需要面对。特别是在中国,有一些方面还更需要有效的办法给予解决。

八条建议

第一,进一步形成发展战略共识,更加明确顶层设计。自动驾驶是高新技术的载体,在发展过程当中应该能够在各行各业形成整体发展共识,包括关键技术等方面的共识,完善顶层架构。

第二,未来中国的智能网联汽车,应该适应中国的本地属性、本地需求,可以称之为中国方案的智能网联汽车。

中国方案的智能网联汽车包括以下三个方面。一是符合中国基础设施标准,包括道路基础设施标准、地图数据标准、V2X通信标准、交通法规等;二是符合中国联网运营标准,符合中国要求的智能网联汽车准入、联网运营监管、信息安全等标准;三是符合中国新体系架构汽车产品标准,包括智能终端、通信系统、云平台、网关、驾驶辅助系统、自动驾驶系统等标准。

第三,构建智能网联汽车技术创新体系。重视和掌握智能网联汽车核心技术,加强关键零部件技术研发,才能解决核心技术短缺的问题。

第四,构建适应中国方案的智能网联汽车产业链。中国方案的智能网联汽车是技术变革产品,不仅产品构型新,开发体系、产业链生态体系同样会发生变化,所以,针对这样一个未来新技术变革的产品,需要构建适应这种变革的中国方案的产业链,加快产业链布局,打造产业链聚集区。

第五,推进智能基础设施建设,完善智能网联通信环境。中国的交通基础设施取得了长足进步,下一步需要做智能基础设施建设,需要完善智能网联的通信环境,包括路面信息化的升级与智能设施建设的双同步,以及相关大数据的管理、服务、运营平台。

第六,加强监管,保障智能网联汽车运行安全和国家信息安全。加快制定汽车信息安全相关标准和规范,推动中国汽车信息安全保障体系的构建;加强对端-网-云各环节的信息安全监管,建设国家智能网联汽车运行的基础大数据运维及监管中心;优先解决智能网联汽车运行安全、用户数据安全、跨境数据安全,以及车联网应用数据安全问题。

第七,统筹推进智能网联汽车测试、示范应用和产业推广。在政府有关部门的支持下,中国已经有多个智能网联汽车测试示范基地,但是测试评价方法不尽相同,未来希望做到统筹推进,建立统一的测试评价标准体系,为测试评价由封闭区域向开放道路过渡提供依据。

第八,未来应将智能汽车移动出行与社会服务要素融合,为我国智能网联汽车产业发展建立生态,为智能时代蓄积战略资源,能够真正意义上构建智能网联汽车与智能交通、智慧城市的深度融合,从而达到智能网联汽车实现共享和谐、绿色环保、互联高效、智能安全的目标。(本文根据第六届国际智能网联汽车技术年会速记整理,文中专家观点未经本人审阅)(来源:新能源汽车报)


博客 gaohong

LV1
2019-06-19 10:22
263

车路协同走进自动驾驶测试区 或让自动驾驶加速到来

在上周刚刚闭幕的CES Asia2019上,自动驾驶的智能舱、交互体验和车载系统甚至是脑控制等让自动驾驶展示不再是PPT或概念车,整车企业、零配件供应商、科技公司和新锐力量都不再局限技术开发,而是从出行服务和移动生活入手,让自动驾驶融为出行、生活一部分, ...查看全部

在上周刚刚闭幕的CES Asia2019上,自动驾驶的智能舱、交互体验和车载系统甚至是脑控制等让自动驾驶展示不再是PPT或概念车,整车企业、零配件供应商、科技公司和新锐力量都不再局限技术开发,而是从出行服务和移动生活入手,让自动驾驶融为出行、生活一部分,让自动驾驶从高高在上变为触手可及。

转型出行服务并不意味着自动驾驶的技术和平台等不再重要,相比单单重视车辆智能,现在业内外更赞同车路协同路线,从车路两端提升上路安全性和智能化。比如,在日前闭幕的2019世界交通运输大会上,中国公路学会自动驾驶委员会主任冉斌就表示,没有哪个国家或企业有足够耐心等待仅仅以车为主的自动驾驶发展起来,反而,车路协同自动驾驶更具前景。

在车辆智能化、网联化和道路智能化的三维架构下,通过建设具有感知、融合、路径规划、控制、通讯的路侧系统,能使车辆自动驾驶的门槛大大降低:只需布设成本较低的车载设备,便可使车辆初步具有自动驾驶能力,同时自动驾驶技术配合专用道可大幅减少驾驶反应时间、降低行车间距,进而提升道路通行能力。正因如此,车路协同路线被认为自动驾驶尽快实现商业推广和特定场景应用的重要路径之一。

围绕车路协同路径,不仅要对车辆运行本身多次测试,而且还要对道路进行升级,两相融合磨合才能打造真正的未来智慧出行。为此,目前多个测试区已经开始逐渐建立开放测试区,利用车联网、V2X、5G等加速车路协同早日到来。

比如,在浙江省德清县建设的省内首个“自动驾驶与智慧出行示范区”中,将率先建成支持自动驾驶的5G通信网,推动5G商用、LTE-V车联网等智能信息基础设施的布局应用。目前,德清已编制完成支持自动驾驶的LTE-V车联网专网和5G试点网络部署方案。根据计划该测试区今年开放道路里程不低于900公里,力争今年底完成县城主城区LTE-V网络以及5G全覆盖,2020年实现全域全覆盖和全域开放。 

该测试区计划建设172亩的封闭测试区,模拟城市、乡村、隧道等交通环境,提供以智能网联为主的测试环境,为车辆上路许可提供研发测试和验证支持,同时开展10种以上特定场景下的示范应用。

LTE-V网络是专门针对车间通讯的协议,被称为是影响车联网“连接”的起始点,是实现车辆与周边环境节点低时延、高可靠的直接通信。只有车辆之间、车辆与车位、道路信号之间都有实时通讯,才能实现行车安全和道路安全。

同样的,在国家智能汽车与智慧交通(京冀)示范区海淀基地中,搭载了网联通信(V2X)设备与系统的测试,便于自动驾驶车辆识别红绿灯、指示牌的同时,交通设施也能够识别车辆,这样才能实现智能网联。就在今天上午,媒体报道称,四维图新正式获批了北京市政府颁发的自动驾驶车辆道路T3级测试试验用临时号牌(北京市颁发的最高级别自动驾驶路测牌照)。

现阶段我国正在长三角、京津冀、珠三角等地区开展自动驾驶的试点试验,杭绍甬等具有光伏路面,能够实现智能控制、无线充电、安全快速的“超级高速公路”正在建设中。

目前,我国已颁发109张自动驾驶路测牌照,其中包含16个城市。获得自动驾驶路测牌照数量最多的城市是北京,数量为59张,其次是重庆,数量为12张。以上牌照主要颁发给了上汽、蔚来汽车、一汽、东风、长安、广汽、吉利、PSA、宝马、奔驰、奥迪中国等中外汽车企业。

随着商用车在环卫、长途运输、矿山、封闭园区和社区内的无人驾驶作业落地,相信对开放路段的模拟测试需求将日益增多,加之5G、LTE-车联网等加速覆盖,将会助力车路协同更加成熟发展、提前到来。


博客 betty19920416

LV5
2019-06-19 10:21
269

瑞萨电子更新基于模型的开发环境,显著简化多核汽车控制微控制器的软件开发

瑞萨电子株式会社今日宣布对其“Embedded Target for RH850Multicore”基于模型的开发环境进行更新,该环境用于开发汽车控制应用的多核微控制器(MCU)。更新后的开发环 ...查看全部

瑞萨电子株式会社今日宣布对其“Embedded Target for RH850Multicore”基于模型的开发环境进行更新,该环境用于开发汽车控制应用的多核微控制器(MCU)。更新后的开发环境将支持在发动机和车身控制等系统中已经很常见的多周期控制(多个控制周期)系统的开发

RH850基于模型的开发环境支持开发多周期控制(多个控制周期)系统

21IC讯 瑞萨电子株式会社今日宣布对其“Embedded Target for RH850Multicore”基于模型的开发环境进行更新,该环境用于开发汽车控制应用的多核微控制器(MCU)。更新后的开发环境将支持在发动机和车身控制等系统中已经很常见的多周期控制(多个控制周期)系统的开发。即使在多核MCU的软件开发场景中,这种基于模型的开发环境也很实用,并且可以减少日渐复杂的软件开发负担,尤其是自动驾驶汽车的控制系统开发。

瑞萨电子早期的 RH850Multicore 基于模型的开发环境会自动将软件分配给多个内核,尽管可以验证性能,但在包含多周期控制的复杂系统中,所有软件都必须手动实现,包括 RTOS 和设备驱动程序。现在,为了满足对发动机和车辆性能不断提高的要求,同时缩短产品开发时间,通过该开发环境支持的多周期控制,可以从多周期控制模型中直接生成多核软件代码,从而实现在仿真中评估执行性能。不仅在软件开发的最初阶段就能够估算执行性能,还可以轻松地将验证结果反馈到模型本身。在开发过程前期就让系统开发的完整性得到改进,还可以显著减少开发更大规模和复杂性的软件系统的负担。瑞萨电子正在加速多核处理器软件开发中基于模型的开发环境的实用性,并如 Renesas Autonomy™概念倡导的那样,引领绿色电动汽车的发展。

瑞萨电子将于 2018 年秋季开始提供已更新的“Embedded Target for RH850Multicore”基于模型的开发环境。针对此次发布,瑞萨电子将于 2018 年 7 月 3 日(星期二)在品川东京会议中心举行的 2018 MathWorks 汽车研讨会上演示该开发环境。

瑞萨电子汽车解决方案业务部第一协同研发部副总裁近藤宏郁表示:“基于模型的开发变得越来越普遍,而瑞萨电子已经构建了一款覆盖从控制设计到自动代码生成的开发环境。同时,由于多核软件比较复杂,因此很难在早期的基于模型的开发环境中处理这种软件代码。凭借在汽车控制使用场景方面的专业知识,我们很早就开始研究这项技术的实际应用,并成功实现了此次开发环境的更新。我相信,我们基于模型的开发环境将显著提高多核微控制器软件开发的效率。”

更新版“Embedded Target for RH850Multicore”基于模型的开发环境的关键特性

支持多周期控制,可显著降低多核软件的开发负担

控制功能开发需要多周期控制,例如发动机控制中的进气/排气周期,燃油注入和点火周期以及车辆状态验证周期。这些都是不同的周期。Simulink® 控制模式能够生成RH850 多核代码,而将该技术应用于多周期控制就可以直接生成多核代码,即使是包含多个周期的模型(如引擎控制)也可以直接生成多核代码。瑞萨电子还为 RH850 集成开发环境CS +提供了一个选配件——一款可以精确测量时间并与实际系统保持一致的循环精度模拟器。使用该选配件可以在软件开发的前期阶段估算多核MCU 模型的执行性能。这将可以显著缩短软件开发周期。

Ÿ符合基于汽车模型开发的业界实操标准 JMAAB 控制建模准则

JMAAB(日本 MBD 汽车咨询委员会)是一个致力于推动汽车控制系统基于模型开发的组织。该组织推荐了 JMAAB 控制建模准则中的几种控制模型。其中,瑞萨电子在此次更新中提供的 Simulink® 调度程序块符合(Alpha)类型,会在上层设置一个调度层。这使它可以在没有操作系统的情况下遵循多周期单任务方法,执行Simulink® 模型中的核心规范并进行同步,然后自动生成 RH850 多核代码以实现确定性操作。

对多系统集成 ECU 进行整体操作性验证

随着当今汽车电子控制程度的不断提高,较小规模系统的 ECU(电子控制单元)也在向集成化发展。现在通过支持多周期控制,可以让多核微控制器更容易地操作具有不同控制周期的小型系统,从而验证集成了多个系统的整个ECU的操作。

今年秋季,该款新的基于模型的开发环境可实现对含双核的瑞萨电子 RH850/P1H-CMCU 的支持,而对多达六核的 RH850/E2x 系列 MCU 的支持也在计划中。此外,瑞萨电子计划将此开发环境部署到包括“ R-Car ”系列 SoC在内的整个 Renesas Autonomy 平台。瑞萨电子将致力于进一步提高基于模型的软件开发效率,包括来自合作伙伴公司的基于模型的并行化工具,并加强相关的支持多周期控制的执行性能评估,包括操作系统的评估。展望未来,随着工业领域的复杂性和规模不断增加,瑞萨电子计划将汽车电子开发工作中积累的基于模型的设计专业技术应用到工业领域持续增长的“RX”系列产品中。


博客 别碰我的刘海

LV1
2019-06-18 16:50
196

自动驾驶:从电影走向现实

从电影《全面回忆》中的约翰机器人出租车,到《少数派报告》中穿梭在尼亚加拉大瀑布高速公路上的智慧车辆,人们在幻想的未来世界中,将驾驶任务从双手过渡到机器人和计算机。随着人工智能的发展,自动驾驶汽车已经驶出电影,开向了人们的现实生活。“我从上午 ...查看全部

从电影《全面回忆》中的约翰机器人出租车,到《少数派报告》中穿梭在尼亚加拉大瀑布高速公路上的智慧车辆,人们在幻想的未来世界中,将驾驶任务从双手过渡到机器人和计算机。随着人工智能的发展,自动驾驶汽车已经驶出电影,开向了人们的现实生活。

“我从上午10点多就等在这里,想体验一下无人大巴。”在海淀公园散步的退休职工王雄告诉记者。北京海淀公园无人驾驶测试路段早已开通。百度阿波罗微循环无人电动巴士已经开始载人运行。记者了解到,海淀公园阿波罗自动大巴分两条路线测试,每次最多乘坐7人,很多慕名而来的体验者不得不排队等候。

在中国,无人驾驶的概念已不再遥不可及。2018年,北京市首批自动驾驶测试试验用临时号牌发放,获得首批试验用临时号牌的5辆自动驾驶车辆正式上路测试。随后,上海、重庆、长沙、深圳、长春、平潭等多个城市先后出台相关政策,并发布地方首批自动驾驶路测牌照,助力自动驾驶技术提速。目前,获得北京市自动驾驶车辆道路测试资格的车辆已经达到34辆,全国领先。作为全国第一个出台自动驾驶测试政策、允许自动驾驶小规模试验的城市,北京完成了中国从传统驾驶迈向自动驾驶的第一步。在第六届国际智能网联汽车技术年会上,亦庄开发区有关负责人表示,在现有24条道路的基础上,北京亦庄经济技术开发区将于近期新增约40k㎡、322km的自动驾驶开放道路,进一步满足企业研发需求。

从概念车到上路测试,中国自动驾驶产业的发展离不开一大批优秀企业,百度、蔚来汽车、地平线、商汤科技、驭势科技等企业为中国自动驾驶行业发展发挥了重要作用。大到整车厂,小到技术研发,中国企业争分夺秒地投入到无人驾驶智能技术的核心领域,包括单点技术方案、整体解决方案以及传感器和计算平台研发。

地平线CEO余凯接受记者采访时表示,2015年,在自动驾驶领域的赛道上还只有地平线一家中国芯片公司,此后行业入局者慢慢增多。“在国内,自动驾驶是从2016年开始火起来的,如今对行业方方面面的影响还是蛮大的。”驭势科技首席生态执行官邱巍告诉《中国电子保》记者,自动驾驶的发展对汽车产业的影响“从大渗透到小”。“现在,在汽车领域,整机厂、主机厂也好,一级供应商也好,都开始在自动驾驶领域发力,积极投资。因为,大家认识到了自动驾驶未来发展具有非常可观的市场预期。”邱巍说。

商汤科技CEO徐立同样肯定了我国在自动驾驶领域的发展。“自动驾驶需要两部分内容打基础,一部分是前端的处理,另一部分是传输。前端处理离不开计算机算力,传输也离不开5G网络,这两方面国内近几年都有进步,前景可期。”徐立对记者说。

“自动驾驶到如今,发生的最大变化之一就是人们的观念。不论是从行业角度,还是从老百姓角度,经过这么多年的发展,大家都意识到,一方面,自动驾驶会使未来人们生活发生翻天覆地的变化,另一方面,自动驾驶发展需要时间。大家开始慢慢地冷静下来,意识到自动驾驶并不会在2019年立刻出现,而是需要五年到十年左右的时间才能够实现。”邱巍说。

中国工程院院士李德毅表示,在自动驾驶领域,我国具有长达十年的研究积累,包括概念车、演示车、示范车等。每一次的研发有成功也有失败。科研探索期也就是从0到1,如果从美国开始算起的话,现在科研探索期基本完成。我们目前进入了第二阶段,即产品孵化期,也就是从1到10。李德毅预计,到2025年将会有万辆规模的自动驾驶车辆,真正达到规模化量产则要等到2060年。


博客 gaohong

LV1
2019-06-18 15:25
175

Waymo破天荒公开数据集!

对于学术界而言,这60万帧的数据量无异于稀世珍宝。对自家技术一贯守口如瓶的Waymo,今年突然对“外部力量”张开了怀抱。在全球最大的计算机视觉会议CVPR 2019现场,Waymo首席科学家Drago Anguelov公开了自 ...查看全部

对于学术界而言,这60万帧的数据量无异于稀世珍宝。

对自家技术一贯守口如瓶的Waymo,今年突然对“外部力量”张开了怀抱。

在全球最大的计算机视觉会议CVPR 2019现场,Waymo首席科学家Drago Anguelov公开了自家的自动驾驶数据集Waymo Open Dataset。作为公司研究院老大,Drago Anguelov同时预告了几个关键数字:3000段驾驶记录、时长共16.7小时、平均每段长度约为20秒;60万帧、共有大约2500万3D边界框、2200万2D边界框,以及多样化的自动驾驶场景。

事实上,在Waymo Open Dataset之前,自动驾驶领域中已经存在几个比较知名的数据集。其中,KITTI被公认为使用最广泛的数据集之一,Cityscapes的专长是城市街景的语义理解,ApolloScape则以标注的精细程度著称,还有UC Berkley最新发布的BDD100K等等。

自动驾驶公开数据集对比自动驾驶公开数据集对比

然而,这些优势在Waymo眼里似乎都不值一提。Drago Anguelov在演讲中列了一个表格,条分缕析地将Waymo Open Dataset与KITTI、NuScenes等数据集直接进行对标:

数据集对比,图片来自“机器之心”数据集对比,图片来自“机器之心”

直观地说,主流数据集提供的数据量已经远远不够用了。因此,Drago Anguelov称,Waymo 将在7月份发布1K数据集,且将在近期公布数据集基准并组织竞赛。

目前为止,Waymo Open Dataset的细节内容尚未公开。单从数据量的对比来看,该数据集就已经比现有的公开三维标注数据集领先了好几个身位,基本是两位数与个位数的差距。当然,Waymo自己的全量数据应该已经到达近亿级别。

对于学术界而言,这60万帧的数据量无异于稀世珍宝。受限于数据与传感器兼容的问题,学校实验室大概率会在Waymo的传感器配置基础上展开科研工作,也不排除其最终找到适用于其他类似传感器搭配的方案。

但最重要的是,一旦这些科研成果能够形成一个影响力广泛的数据集,其上的研究成果全部都适用于Waymo自家传感器配置,这家科技大牛完全可以轻松吸收最新的无人驾驶技术。更何况,这某种程度上也能够推动无人驾驶方向的人才培养,甚至可以造福整个行业。

可换个角度看,这件事的意义却并没有这么乐观。Waymo对于传感器设置的严格把控,意味着如果其赋予一些超特殊的、难以复现的属性,那么其他无人车公司从这些基于Waymo数据的科研成果中得不到半点好处。此外,Waymo Open Dataset的数据分布大概率位于美国地区,那么受法律法规限制,此上训练出的深度学习模型也不见得能够适用于其他国家地区。

最根本的一点是,现阶段Waymo公布出的数据量级仍旧满足不了工业界的胃口。虽然其多少能够缓解初创公司在数据标注层面的时间和经济压力,但仅仅16个小时的资源也无法支持一个年轻的团队从0做出一个可以上路的无人车Demo,更别提试图以此博取资本市场的青睐。

因此对于汽车工业而言,仍旧需要依靠从业者长期的数据积累,Waymo Open Dataset现阶段的数据量不足以说明问题。而且对于当下最稀缺的3D激光点云标注数据,Waymo目前的贡献值几乎是寥寥无几。

除了发布数据集,Waymo也同时曝光了无人车传感器配置,包括视觉系统、激光雷达系统和雷达系统。而Waymo Open Dataset也将同步涉及到来自5个激光雷达、5个摄像头,激光雷达和摄像头的数据。

换句话说,随着本次数据集的公开,Waymo自家传感器的所有性能将一览无遗。友商甚至可以直接进行评测:噪点多不多、远处物体距离准不准、除了距离和信号强度外还有没有其它信息……

那么,如果Waymo后续将延用“对外出售激光雷达”的策略,打算继续拿其他传感器部件挣钱,Waymo Open Dataset的开放便会揭开Waymo无人车上最大一块“遮羞布”。


博客 自动驾驶小能手

LV5
2019-06-18 14:51
294

初级自动驾驶汽车规模量产 特定应用场景成产业化热点

近期,国汽(北京)智能网联汽车研究院有限公司筹建国家智能网联汽车创新中心建设方案通过了专家论证,业界认为创新中心的建设将加速我国智能网联汽车产业发展。国汽(北京)智能网联汽车研究院有限公司首席科学家、清华大学教授李克强表示,国家智能网联汽车创新中心的建设 ...查看全部

近期,国汽(北京)智能网联汽车研究院有限公司筹建国家智能网联汽车创新中心建设方案通过了专家论证,业界认为创新中心的建设将加速我国智能网联汽车产业发展。国汽(北京)智能网联汽车研究院有限公司首席科学家、清华大学教授李克强表示,国家智能网联汽车创新中心的建设将促进我国智能网联汽车产业体系架构、标准、基础开发平台、场景库建设等重大环节的落地。

智能网联汽车占据AI技术的战略制高点

“当前,汽车工业也进入了工业4.0时代,汽车工业4.0时代的典型特征就是新一代移动通信技术、互联网技术、大数据、云计算、人工智能技术等与传统汽车工业有机结合,形成汽车交通领域的信息物理融合系统,这一系统将会给汽车产业带来重大的变革。”中国智能网联汽车产业创新联盟专家委员会主任、清华大学教授李克强在接受《中国电子报》记者采访时表示。

他认为,在汽车工业4.0时代,智能网联汽车是未来汽车产业发展的战略方向。在技术层面,智能网联汽车占据了AI、信息通信等高端技术的战略制高点;在产业层面,汽车产业与其他产业深度融合,将会形成产业链重构以及价值链的不断扩展。在应用层面,汽车将不仅具备传统的运载的功能,还将成为移动智能空间。当前,一些发达国家或地区,通过国家战略协同,在多个方面推进产业发展,已经形成了智能网联汽车发展的先发优势。

对于目前全球产业的发展现状,李克强告诉记者,美国、欧盟、日本相继发布了相关战略和技术路线图,加速完善各自智能网联汽车的政策法规。另外,智能网联汽车技术也在快速迭代发展,目前L1-L2初级自动驾驶汽车已经实现大规模量产,对于高级自动驾驶汽车,在特定场景下的应用也已经形成了产业化热点,正在快速发展。记者了解到,当前一些公司如谷歌的Waymo,在技术实力、测试里程、用户公测方面均处于领先地位。

李克强强调,智能网联汽车正在形成一些新的产业体系,深度合作、创新协同发展已经成为国际大趋势。例如,大型汽车企业强强联合研发自动驾驶、巨头零部件企业合作开发自动驾驶的零部件关键技术,并催生出自动驾驶汽车高精动态地图等新的供应链体系。与此同时,新的商业模式也将不断出现。例如,伴随着自动驾驶高度产业化,出行与配送服务等特定商业化应用场景也将成为下一个市场竞争的热点。

我国智能网联汽车产业化面临六大挑战

“与国际相比,中国的智能网联汽车产业化发展面临的挑战,有相似之处,也有特殊的地方。”李克强表示。

第一,当前我国智能网联汽车发展的相关行业标准以及法规亟待加强和健全,现有的一些法律法规无法适应未来自动驾驶发展的部分,需要我们进行调整和修改。

第二,技术仍然是最大的挑战,目前我国智能网联汽车产业链还不太完善,关键零部件的核心技术积累不足,例如,自动驾驶相关的传感器技术、线控底盘技术,人工智能技术等方面,还需要“修炼好内功”。

第三,自动驾驶系统的产业集成能力还有待提升。汽车产业的一个显著特征是关键零部件的核心技术发展严重影响和制约整车技术发展。伴随着智能网联汽车产业链关键零部件核心技术积累的不足,我国自动驾驶系统的产业集成能力仍需加强,产业上下游体系仍需完善。

第四,自动驾驶不仅涉及汽车产品本身的问题,还涉及车、网、路、云一体化的问题,尽管我国交通基础设施已取得了长足的发展,但是智能网联交通基础设施的发展仍然面临投资周期长、投资额度大、投资主体不明确以及未来商业化运营方式的挑战性问题。

第五,我国自动驾驶所存在的商业模式还不够清晰,产业生态还不够健全。未来自动驾驶汽车运营如出行、配送服务等方面还有一系列的商业模式需要突破。产业链生态方面仍需完善,比如未来如何获取自动驾驶汽车用的高精度动态地图等,产业链的布局还存在着一系列需要解决的问题。

第六,和国际上产业面临的挑战类似,我国社会环境对智能网联汽车的接受程度还需要逐步提高和检验,涉及相关道路伦理、社会安全、隐私安全等问题还需要逐渐面对并解决。

据了解,我国正在积极完善智能网联汽车方面的政策法规,相关政府职能部门也正在联合推进,积极探索新的机制。产业界如整车企业、零部件企业、ICT和互联网企业也在合作开展核心技术研发。同时相较于传统汽车产业,智能网联汽车是一个跨界融合的全新产业,我国也正在探索建立新型“端管云”的产业生态体系。

对于未来产业发展,李克强建议,要进一步形成战略发展共识,明确顶层设计。构建智能网联汽车技术自主创新体系,重视和掌握核心技术,促进产业链上下游合作,大力支持自主基础技术研究与自主零部件供应商成长。推进智能基础设施建设,完善智能网联的通信环境,建立大数据平台,这个大数据平台不仅涉及管理平台,还要涉及服务、运营平台。保障信息安全和交通运营安全。统一测试评价标准体系,促进测试示范应用推广。

“未来我希望智能网联汽车能与智能交通、智慧城市深度融合,最终实现智能网联汽车共享和谐、绿色环保、互联高效、智能安全的发展目标。”李克强表示。


博客 gaohong

LV1
2019-06-17 15:22
164

电动汽车的电池寿命只有22年吗

外媒报道,雷诺日产的一位经理 Francisco Carranza在Automotive News Europe Congress发言称,聆风电动汽车的电池寿命约为22年——比车辆本身的平均寿命 ...查看全部

外媒报道,雷诺日产的一位经理 Francisco Carranza在Automotive News Europe Congress发言称,聆风电动汽车的电池寿命约为22年——比车辆本身的平均寿命还要长10年左右。

这是日产根据售出的40万聆风电动车产生的数据做出的统计和测算得出的结论。日产方面正在着手将电池回收进行二次利用。也就是说,很多车子本身已经不行了,但电池还可再战。

可以预料到,这一定让很多人难以置信,或者根本不愿意去相信。在一些人的眼中,电动汽车的电池和2000元的电驴子用的是同样的电瓶,一两年就要换。

事实上,电动汽车的动力锂电池的寿命非常长,和普通的电动自行车完全是不同的东西。

首先,锂电池本身的循环寿命,保存年限就远远大于普通的铅酸电池。铅酸电池的设计最大寿命仅为300次左右,而且,随着时间推移,电池容量衰减也非常快。而锂电池的设计寿命为800-2000次,远长于铅酸电池。(至于锂电池的衰减速度,你可以找出一台10年前的老诺基亚或者长虹手机,充满电试一下,看电池能否再战)

其次,车规级的产品,标准要比数码产品的电池要求高太多。电芯等级更高不说,工程师在设计成组的时候还考虑到了各种因素,通过控制电池的SOC区间等方式让电池的寿命更长,而且车规级的电池温度控制也相当严格,要能过极为严格的测试认证方能获得装车许可。种种手段叠加,让电动汽车的电池寿命达到了很多人难以相信的水准:国家强制质保至少8年12万公里,不少车企主动延长至8年15万、20万公里甚至终身质保。

日产的电池寿命22年,其它的大厂也不会差,比如特斯拉、比亚迪的电动车,早期车型都已经运营了10年左右了,宝刀仍未老。谁再给你说电动汽车电池两三年就要换,不要辩论,最好的办法就是:嗤之以鼻。毕竟,你永远叫不醒一个装睡的人。


博客 tututu

LV5
2019-06-17 11:30
223

又跌了……大神教你如何选择高保值率纯电动汽车

提到纯电动汽车,大家第一时间想到的是续航,接着想到的是充电慢,再想到的就是换电池贵。后来发现这些问题都不是问题的时候,又发现纯电动汽车的保值率实在是让人难以接受,至少从目前看,纯电动汽车的保值率有点低是不争的事实。那么真的就没有什么纯电动汽车的保值率比较 ...查看全部

提到纯电动汽车,大家第一时间想到的是续航,接着想到的是充电慢,再想到的就是换电池贵。后来发现这些问题都不是问题的时候,又发现纯电动汽车的保值率实在是让人难以接受,至少从目前看,纯电动汽车的保值率有点低是不争的事实。那么真的就没有什么纯电动汽车的保值率比较高吗?当然不是,今天就看看老司机教你如何选择高保值率纯电动汽车,毕竟谁也不愿意买到手的新能源汽车就赔钱,那感觉其实并不好受。


第一点:选牌子大的

其实和传统燃油车一样,有些品牌的纯电动汽车本身就是品质的保证,其在二手车市场的地位自然不会让人失望。目前来看,特斯拉、比亚迪等车企的纯电动汽车的二手车市场保值率还是比较高的,咱们不说具体成交价,单纯的看保值率数据的话,还是比较可观的,比一些小品牌的纯电动汽车保值率高出一大截,有的甚至高出10%左右,结合汽车的价格来看的话,这个力度还是比较大的。


第二点:选续航长的

在买纯电动汽车的时候,一定要选续航特别长的,别听有人说纯电动汽车续航400km就够用,理论上的确是如此,但是实际上并不是这样。举个最简单的例子,同样是半个小时快充80%的电量,你觉得续航1000公里和续航400公里的车一样吗?所以不要觉得续航里程不重要,如果可以,我恨不得一辆纯电动汽车的综合续航可以达到10000公里,这样我就彻底放心了,当然,我知道这是不可能的。但是作为普通消费者,还是劝你选择综合续航更长的车型,这样的车更好卖,也更容易卖上价格。不信你去二手车市场看看,大家是否更喜欢那些续航特别长的车型,哪怕是二手车。此外,即便是电池有衰退,续航更长的车型,在衰退后也依旧处于领先地位。

 

第三点:越大越好

国内汽车市场依旧是以大为主,即便是纯电动汽车也逃不过这个怪圈,所以如果可以的话,即便是买纯电动汽车也要买大的。你会发现一些微型纯电动汽车在二手车市场很少见,不是卖的太快,而是根本没人收这样的车,一方面是因为这种车没人买,另一方面也是真的不值钱。所以大家在选择新车的时候也要注意,虽然微型纯电动汽车够便宜,但是卖的时候可能赔的更多,而且实用性也比较差。

其实不论怎么说,纯电动汽车目前的保值率都是一个大问题,如果想买纯电动汽车,尽可能选择那些大品牌、销量好、口碑好的车型,起码自己用着放心、安心,而且也不至于给自己找太多麻烦。即便是有一天开够了想要卖车,你也会发现这辆车不会让你亏太多,当然,目前的纯电动汽车别指望能给你赚钱了,除非有一天被当成古董来收藏。

 


博客 tututu

LV5
2019-06-17 11:15
232

增程式电动汽车难道真的省油吗?

增程式电动汽车本质就是串联式混动,发动机不会直接驱动车轮,而是专门发电。犹如在汽车后面加了一个大号充电宝,解决了续航里程焦虑症。但是增程式电动汽车,在增程模式下中低速行驶时(市区内)效率最高,能耗要比燃油车低。持续高速行驶时能量转换损失大, ...查看全部

增程式电动汽车本质就是串联式混动,发动机不会直接驱动车轮,而是专门发电。犹如在汽车后面加了一个大号充电宝,解决了续航里程焦虑症。

但是增程式电动汽车,在增程模式下中低速行驶时(市区内)效率最高,能耗要比燃油车低。持续高速行驶时能量转换损失大,能耗要比起燃油车没有优势,甚至还要更高一些。因此这类车型跑长途时油耗不占据优势,増程器只能解决里程焦虑而不能提高燃油效率。

6.png

串联式混动汽车中低速省油的原理:燃油车中低速行驶时,发动机利用率是非常低的。例如市区内走走停停,怠速等信号灯,或者中低速行驶。这些工况下发动机不能停机,低速低档位行驶时发动机的功率远远大于车辆实际所需的功率,例如同样转速下不同档位下汽车速度也会不一样,在不拖档的情况下同样的燃油高档位行驶距离远于低档位。因此市区内行车油耗普遍要比市郊行车高很多,高1/3都是正常的。

这时候串联式混动的优势就凸显出来了。串联式混合动力汽车,车辆由电动机驱动。电动机驱动车辆除了动力表现好之外还有一个优点:能效高!与内燃机不同的时,电动机功率是可以随意调节的,能量按需分配。行驶时调节电机电流使电动机功率比汽车所需功率高一点就可以,控制更精准,能量损失小。内燃机中低速工作时富余功率多,而且富余功率没有办法回收,白白的变成热量散发掉。

当串联式混动汽车电池电量不足时,増程器就会启动。此时汽车进入混动模式,发电机开始工作、发电后一部分电量驱动电动机行驶,富余电量可以为电池充电。而且内燃机工作在高效率区间,内燃机效率高、发电机转换效率高,油电转换率高。这也是为什么能源经过两次转换后油耗依然比燃油车低的原因。

而中高速行驶时,串联混动油耗上就不占据优势了!中高速行驶时发动机机并不能直接驱动车轮,电机功率可控的节能优势也不复存在,因为车辆巡航功率都是一样的,燃油车与电动车是相同的。这时候电动机只能乖乖的向内燃机一样工作,没有了工况优势,持续工作消耗的功率是一样的。此时内燃机通过变速箱直接驱动车轮的效率是最高的,而串联混动因为内燃机要驱动发电机发电,发电过程中有了一次能量损失,随后电能驱动电机做功时还会有一次能量损失,这就是高速行驶时串联式混动不省油的原因。

增程式电动汽车值不值得购买?增程式电动汽车的电池容量要比插电混动汽车容量高很多,纯电动续航里程也增加很多。例如增程式电动车续航里程200-300公里,插电混动汽车纯电续航60-80公里。增程式电动汽车日常使用成本更低,大多数时不需要开启増程器。充一次电行驶距离更远、省心省事,偶尔电力不足或者长途时开启増程器就可以解决续航里程之忧。如果跑长途次数不多,偶尔跑长途那么增程式电动汽车更实在,更值得购买。如果纯市区内行驶、不跑长途、那么纯电动汽车更划算 ,毕竟购车成本更低。如果必须选混动汽车,而又经常跑长途那么插电混动汽车更合适, 动力更强、油耗更低。


知识讲堂 tututu

LV5
2019-06-17 10:25
1017

自动驾驶推动四维图新与德赛西威“牵手”走到台前

在CES Asia 2019现场,合作十几年的一对老伙伴——四维图新与德赛西威终于牵手走上台前。这次“官宣”的契机即是自动驾驶技术,引发了无限唏嘘。车云菌现场获悉,本次德 ...查看全部

在CES Asia 2019现场,合作十几年的一对老伙伴——四维图新与德赛西威终于牵手走上台前。这次“官宣”的契机即是自动驾驶技术,引发了无限唏嘘。

车云菌现场获悉,本次德赛西威与四维图新正式签署战略合作框架协议,宣布将在自动驾驶地图及智能网联等领域进行深入合作。根据协议,双方将围绕德赛西威L3/L4级别自动驾驶解决方案,结合四维图新自动驾驶地图数据、地图引擎、在线分发服务和动态交通信息,为客户共同提供量产自动驾驶核心解决方案。

在此基础上,利用车端与四维图新云平台数据协同能力,实现动态、快速更新地图数据,实时收取、处理传感器数据并提供数据增值解决方案。此外,双方还计划整合旗下公司的车联网资源及能力,打造一个车联网整体生态系统。四维图新旗下的四维智联,将落实提供面向智能驾驶的整合车联网内容产品与运营服务战略,赋能德赛西威。

具体而言,为了促成此次结合,四维图新拿出了一套包含数据采集、自动化制图、地图学习更新体系以及在线分发服务的自动驾驶地图完整产品解决方案,及其上具备的超视距感知能力,德赛西威则贡献出了多传感器融合和自动驾驶大脑决策能力,进而在中国境内的高速及城市快速路上提供L3及以上级别的自动驾驶解决方案。

换句话说,四维图新与德赛西威的战略合作旨在为自动驾驶地图及定位解决方案整合软硬件一体化能力,最终落地在车端应用,打通潜在客户群体。

事实上,在这场发布会的整个过程中,二者的关键词都只有一个——量产。

为了更好地展现四维图新与德赛西威进军自动驾驶领域的决心,车云菌将后续沟通细节记录了下来:

Q:能否透露一下双方在技术方面的合作是否有新的进展和突破?

四维图新副总裁陈丹:四维图新的高精度地图、SDK已经集成到德赛西威产品中,给潜在客户进行展示。

Q:德赛西威在自动驾驶解决方案的各个环节具体有怎样的规划?

德赛西威总经理高大鹏:感知层面,德赛西威在一系列传感器,包括毫米波雷达、高清视觉传感器等方面都有所布局,目前已到量产阶段。今年我们会与主机厂配合量产24G及77G毫米波雷达。

但我们没有做激光雷达,而是选择了几个行业领先的业务合作伙伴,共同研发传感器融合的算法。从目前提高系统安全冗余的角度来看,激光雷达是必要的。而激光雷达现阶段的瓶颈还在于成本,我相信也有非常多的公司致力于推广激光雷达应用场景,使其性价比更高,更能被厂商接受。

在软件方面,我们今年有基于深度学习的感知融合算法。在中国市场也还有很多L2、L3级的ADAS产品。现阶段我们以开放的态度,和全行业中比较领先的初创公司进行合作,目标就是为车厂提供一个全栈的解决方案。在这种基础上,我们昨天发布了自动驾驶域控制器。

至于执行层,德赛西威没有牵扯非常多的整车系统及底盘架构,其更多的核心能力由整车厂及零部件供应商进行系统集成。

我们理解的智能驾驶是在行业分工、系统细分的基础上一点一点实现智能化的进程。

Q:在智能座舱方面,四维图新和德赛西威将如何展开合作?

德赛西威总经理高大鹏:在之前与四维图新沟通的过程中,我们知道该公司在智能驾驶舱方向的战略规划分为两个部分:一个针对驾驶舱,一个针对乘客,其中核心体现的是渠道智能。

在我看来,任何产品智能化程度越高,其默认设置都应该是最体贴的水平,而不是说一定要让客户进行选择。德赛西威目前在“车和家”领域中进行了很多尝试,目前来说我们认为还存在很多协作空间。因为我们的产品线是用户能够最先感知到的,我们也希望有更多的参与者,用软件和服务定义智能化的体验。智能化驾驶舱是可以持续升级的,这是一个和车主、乘客不断交互成长的过程。我相信四维图新有这个能力和我们协作打造智能驾驶舱。

四维集团CEO程鹏:怎么让车变得更聪明?这个事很简单,就是要基于大数据能力。高精地图产品就是一种预测行为,而且大部分场景都是可以预测的。所以包括自动驾驶在内,智能汽车最终要解决的问题就是预测行进方向。

这个问题如果不解决好,产品就落不了地,所以我们解决的所有问题都是围绕AI在车里面,这会花费很多年的时间。我们希望把这些底层的大数据能力、引擎能力、AI能力做好以后,输出给像德赛西威这样优秀的集成商,做成好的产品给用户使用。

转自:车云网

博客 tututu

LV5
2019-06-17 10:00
210

FF与第九城市合资新能源车项目落户呼和浩特

FF(法拉第未来)与第九城市的合作造车项目有了新进展。6月10日,第九城市与呼和浩特经济技术开发区沙尔沁工业区签署战略合作磋商备忘录,双方就法拉第未来(FF)和九城所共同成立的新能源汽车合资公司在沙尔沁工业区的落户及发展进行战略合 ...查看全部

FF(法拉第未来)与第九城市的合作造车项目有了新进展。

6月10日,第九城市与呼和浩特经济技术开发区沙尔沁工业区签署战略合作磋商备忘录,双方就法拉第未来(FF)和九城所共同成立的新能源汽车合资公司在沙尔沁工业区的落户及发展进行战略合作。

根据备忘录,沙尔沁工业区将为合资公司预留不少于5000亩土地供应。同时,双方将共同设立新能源产业基金,第九城市及其下属企业出资不低于5亿元人民币,政府出资不低于15亿元人民币。呼和浩特沙尔沁工业区协调对于新能源项目融资贷款40亿元。备忘录签订双方会在约定期间内达成协议,备忘录有效期为三个月。

2019年3月25日,FF与第九城市联合宣布:将共同建立合资公司,在生产、制造、运营及销售方面达成协议,携手进军中国豪华智能互联网电动汽车市场。

FF、九城及合资公司三方将在后续约定的时间内进行商谈以达成授权协议,根据授权协议,FF将授予合资公司在中国制造、营销、分销和销售全新的Faraday Future旗下的互联网智能豪华电动车全新品牌车型V9的独家许可,包括约定车型的后续授权。

合资公司预计年产30万辆智能电动汽车,将于2020年前实现量产。

据界面新闻了解,呼和浩特作为京津冀产业转移承接区,将发展高端装备制造、新能源汽车等领域作为了城市发展的主要发力方向。

公开资料显示,呼和浩特最近的一次汽车项目落地是在2018年。据《呼和浩特日报》2018年1月的报道,开沃新能源汽车集团有限公司与呼和浩特市人民政府签署新能源汽车产业项目战略合作。开沃汽车计划在呼和浩特高新技术产业开发区投资建设新能源汽车系列产业项目,规划总投资50亿元,形成年产1万辆大中型电动客车、10万辆电动物流车的生产规模,建成中国西部地区和“一带一路”高端示范项目。

同时界面新闻查阅资料发现,2016年至今,呼和浩特市先后出台了《呼和浩特市新能源汽车推广应用实施方案(2016—2020年)》、《呼和浩特市推广应用新能源汽车专项资金管理办法》、《呼和浩特市电动汽车充电基础设施建设运营管理暂行办法》和《呼和浩特市2016年电动汽车充电基础设施推广建设实施方案》等利好政策,推动新能源汽车产业发展。

不过,作为此次的主角之一,FF至今还是一家仍未有量产车型的汽车创业公司。

根据《华夏时报》消息,FF洛杉矶办公区内当前办公人员为300多人,另有400多人处于停薪留职状态。自2017年1月4日完成全球首秀之后,FF91至今仍然处于测试状态。FF高管称:“每天都会安排FF91测试车到道路上行驶一会,承担测试任务的同时,亦可对外展示。”研发车间里另有三台车正在进行测试。

该媒体引援FF一位高管的话称:“(对于FF91)我们最初设计有面部识别开锁系统,不用车钥匙,但因为成本原因,这个设计可能会被取消,但是车内依然配备有面部识别的功能。”

根据这位高管的描述,外界有理由认为FF目前尚未冻结FF91的功能设计,离量产状态仍有距离。

至今,贾跃亭的新浪微博最后一条还停留在4月11日,他写道:就像我正在努力学习英语技能一样,FF91的超级计算平台也在不断学习……我们正在见证这一颠覆性技术的诞生。

记者|周纯粼 界面新闻

博客 tututu

LV5
2019-06-14 16:35
186