智能驾驶技术的演进取决于三个关键要素:算法、算力和数据。行业内逐渐出现共识,智能驾驶应用有一些特点:
● 随着企业不断尝试,智能驾驶的算法趋于统一,以BEV+Transformer为主导,特别是大模型在各方面跑通以后,更加深了这个信念。
● 算力方面,随着E2E的需求,车企都需要更强的算力芯片来支持算法的迭代,Orin已经不够用,大家都准备上Thor了(之前黄教主的发布没特别的感觉,现在开始显出意义)
至于量产车反馈回来的数据,随着特斯拉宣称可以用生成的速度来覆盖Corner Place,数据反馈的权重可能被降低了!Elon Musk说:“特斯拉已经能够以精确的物理生成真实世界视频大约一年了。这并不是特别有趣,因为所有的训练数据都来自汽车,所以它看起来就像特斯拉的视频,尽管是动态生成的(而不是记忆的)世界。”
在这里,变化最大的是智能驾驶的数据要素。在Openai 发布Sora之前,大家都认为数据是根本。在智能驾驶场景中,影响数据产生和迭代的关键要素主要有以下几点:
● 量产车的数量,即需要足够多的数据传感器开始工作;
● 数据传感器的效率和质量,标准传感器方案对技术迭代有更强的推动作用;
● 免费使用的智能驾驶产品有助于数据反馈和技术迭代。
随着激光雷达量产规模的增加,成本下降,有利于大规模应用,并促进更多智能驾驶产品向更高等级迭代。但是随着大模型技术的推进,视觉技术在狂奔,激光雷达更像是一个冗余。
越来越多的L4玩家推出适用于乘用车的智能驾驶产品,完全自动驾驶技术的应用可加速高技术等级智能驾驶产品的上市。但是这些玩家存在感不强,没办法实现高性价比的方案。
相同规格的传感器方案能提高智能驾驶能力迭代效率,而传感器方案数量越少、已实现的能力等级越高,则智能驾驶技术能力越强。
芝能点评:下面这个图是不是能代表你的看法,欢迎大家把你的想法打在留言区!
中国智能驾驶市场呈现出明显的梯队格局,能够实现城区NOA的厂商被认为是领先一代,而能够实现高速NOA的厂商则被视为正当代,而缺乏NOA功能的厂商则被直接视为落后一代。各厂商逐渐形成统一的标准化数据容器,这有利于数据的收集和利用,帮助智能驾驶系统向更高级别的迭代发展。
- 用于开关电源的 LT1185CQ 辅助 + 12V 低压差稳压器的典型应用电路
- 涂鸦智能语音助手
- 具有使能开/关功能的基于ST1S40的、4A峰值、800 kHz固定频率PWM同步降压演示板
- LT6656ACDC-2.048、2.048V 微控制器电压基准和稳压器的典型应用
- 使用 ON Semiconductor 的 NCP9001SNT1G 的参考设计
- 具有可编程软启动功能的 Ap7173 1.5A 低压差线性稳压器的典型应用
- LTC3400ES6 单节 AA 电池至 ±3V 同步升压转换器的典型应用电路
- LTM4648IY 3.3V 至 5V Vin、2.5Vout at 8A 设计的典型应用电路,频率增加 650kHz
- LT1934IS6 5V 降压转换器的典型应用电路
- Data Fitness Connector (DFC):让Peloton自行车与健身手表等通信连接器(原理图、源码、PCB等)