汽车智能化,集度做加法

news2024/11/27 2:46:08

CES2023刚刚落下帷幕,这场名为“国际消费电子展”的业界盛会,近几年重心正明显转向智能汽车及其周边产业链。

在2022年的CES上,集度与英伟达宣布合作,也透露了智能汽车研发的相关计划。而在本届CES之前、2022年末的广州车展上,集度如约带来了首款汽车机器人ROBO-01,以及第二款汽车机器人ROBO-02的展车。

尽管集度起步较晚,但业内给予了它较大的关注。在百度与吉利的加持之下,集度的智能化水平在国内车企中首屈一指。大众集团前任CEO赫伯特·迪斯曾把未来汽车定义为带着四个轮子的智能手机,可见高智能化水平在销量与用户感知层面的优势。

集度曾于2022年10月27日发布ROBO-01探月限定版时宣布,该车型将于2023年三季度交付。集度CEO夏一平认为,国内车市将在彼时回暖,对交付更为有利。2023年,集度的智能化优势势必成为其插入市场的一把利剑,并逐渐验证其品牌诞生600余天以来的成果。

“秀外慧中”的智能化

广州车展期间,集度CEO夏一平指出,用户目前之所以对智能驾驶的接受度一般,是因为车企仍未提供足够好的智能驾驶产品。集度的点到点领航辅助(Point to Point Autopilot),则剑指全域融合的高阶智能驾驶产品,关键在于智能产品交付时,其覆盖场景将达到城市领先。而且,集度可以做到开箱即用。

这份信心,来自集度智能化的内外兼修。也可以说,不同于在行业转型“兵荒马乱”中起步的车企,集度自诞生之初就看到了智能化的意义和必要条件,而这也最终反映到了其产品策略中。

“基础不牢,地动山摇”。集度现有的ROBO-01、ROBO-02两款车型,首先搭载了英伟达的OrinX和高通的8295两类非常重要的芯片,为一切畅想的实现奠定了更稳固的算力基础。

高通8295是目前行业内的最强智能座舱芯片,集度基于它的算力优势,把诸如语音AI算法之类原本需要云端才能开展的活动放到了本地。而两颗英伟达OrinX芯片提供的508TOPS算力,则让集度能够充分发挥来自百度Apollo的自动驾驶技术经验。

其实,尽管硬件基础的进步令人感叹,但更重要的是,集度本质上在随着自己的产品需求找供应商,而非笼络最强供应商以打造产品。集度CEO夏一平透露,高通早期曾告知8295芯片无法在2023年量产,但集度依然坚持实现了产品的差异化壁垒。

这在一定程度上是和百度对智能AI的期许一脉相承——百度创始人、CEO李彦宏曾多次表示,L4自动驾驶可能比L3更早商用。在1月10日的百度“Create AI”开发者大会上,他再次提到,百度旗下自动驾驶服务“萝卜快跑”的订单量已经超过了140万单,这是百度智能驾驶能力的一种验证。

集度打造的正是更为成熟的全方位智能驾驶体验,核心在于城市域、高速域、泊车域“三域融通”。在泛化场景内,现有的智能驾驶功能往往以碎片化呈现,用户的感知就会割裂。集度全栈应用百度Apollo的自动驾驶能力,拥有智驾算法上的领先优势,将给用户带来领先的产品体验。

集度智能驾驶负责人王伟宝透露,集度智驾团队目前已在北京、上海、广州开启场景泛化测试(即不只针对单一特定场景),其中北京和上海正在开展城市和高速智能驾驶的融通测试。

总的来说,这些看不见的方案设计、经验沉淀与海量测试为集度构造了看得到的优势:基于SOA的舱驾融合技术,打通了双Orin X芯片的508TOPS算力与8295芯片的30TOPS算力,在提升安全上限的同时,提供了丰富AI应用的可能;视觉+双激光雷达的全球唯一双系统配置,让集度拥有了高度发达的基础感知能力;来自百度累计超过4500万公里的L4自动驾驶运营测试里程,提供了全球领先的智能驾驶可信度。

所以,说集度的智能化能力是“秀外慧中”,毫无浮夸。

集度的深度

2021年3月,百度和吉利以55:45股比投资组建集度。从此,“目标统一、战略协同、合作商业化”的底层团队逻辑,推动着集度迅速投入并深入智能汽车的战场。

也因为成立时间这个特征,集度的发展速度也颇为引人关注。尤其是集度所做的并非单纯改换动力源,而是要发扬智能化思维。

从发展历程看,集度基本上是一边进行产品的顺序开发,一边拓展合作伙伴,并进行各类资源整合。因此,考虑到来自百度和吉利的帮助,集度的发展并非线性渐进,而是极富资源与技术深度。这种深度,是其产品出道即高光的根源所在。

集度首先是一个继承者。燃油车时代的产品开发周期可以达到5年左右,但集度的工程开发阶段起始点是成立的第128天,启动核心智能化产品开发则是在第207天。

效率基于好底子,集度继承了吉利的硬件素质和工程化能力,SEA“浩瀚”架构本身就带有将软件开发周期缩短一半以上的效率优势。集度也同时继承了百度AI、自动驾驶核心技术的能力,ROBO-01率先全栈应用Apollo高阶智驾全套能力和安全体系。

此外,集度自创的SIMUCar (Software Integration Mule Car) 软件集成模拟样车开发模式,则提前了自动驾驶和智能座舱的软件研发时间,整车更快落地得以实现。

另一方面,尽管堪称“含着金汤匙出生”,集度继承的更多是能力和经验层面的产物,要从年幼迈向成熟,靠的还是自身的努力。

按照集度CEO夏一平的说法,渐进的完善服务已经不是当前行业现状所能容忍的,集度在2023年必然要更多、更快、更激进地投入前置服务,比如迅速铺开线下门店、采取自营与第三方充电桩合用的方式加速基础设施普及,这会是一场规模化战争。

从更长远的视角来看,集度其实跳出了车企发展的传统范式(甚至可以说是有些僵化的范式):集度无论是从产品定义还是体系建设上,都更重视超出传统需求和传统发展节奏的那部分——不是追求必须性,而是更多可能性。

这与理想创始人李想曾提过一个说法类似,他说理想的核心优势之一是做大产品,这个大产品要超越而非满足用户需求。比如做四屏、六座、三维空间交互,前期调研时用户可能觉得不需要,但成功的销量说明这是用户不知道:原来产品还能这么做。集度CEO夏一平所说的市面没有足够好的智能驾驶产品,也是如此。

汽车智能化,尤其是智能驾驶的演变,不是单纯的线性迭代(也就是场景或者数据不断“+1”的方式),而是指数级增长。比如集度的三域融合,绝非城区场景与高速场景相加那么简单。虽然大家都知道智能化水平至少需要感知能力与算力的双突破,但车企在应用与开发逻辑上的差异却客观存在。

电子电气架构(EEA)的开发正是一个观测点。博世曾在研究中提出,EEA从分散到集中的趋势已经明朗,软硬件解耦水平持续提高,从而考验车企开发能力与思维。

前文提到的集度开发模式,正是从这种非线性需求中提取而来。集度自研的高阶智能驾驶智能化架构JET,融合了电子电气架构EEA和SOA操作系统,提供大量数据通信接入能力。它可以实现智驾域、智舱域、整车域、运动域的融合,通过用户端的一次操作联动四域功能,并满足OTA升级的需求。同时,集度SIMUCar开发流程对进度的加速,大约是提前15个月。

站在巨人的肩膀上,各方面都以超前意识发展,助推了这个年轻品牌在600多天里飞速前进。积水成渊,蛟龙生焉,集度的深度,正是如此。

来源:松果财经

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/167034.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

一个关于image访问图片跨域的问题

一、背景 项目中遇到一个问题,同一个图片在 dom 节点中使用了 img 标签来加载,同时由于项目使用了 ThreeJS 3D 渲染引擎,在加载纹理时使用了 TextureLoader 来加载了同一张图片,而由于图片是在阿里云服务器上的,所以最…

SourceTree 拉取、重置提交、回滚、变基与合并

SourceTree的重置当前分支到此次提交 使用场景:“我想把已提交未推送的修改撤销” 使用模式说明软合并软合并是指将此次提交回滚到指定提交位置,但这个过程中会将修改过的文件暂存到暂存区。混合合并混合合并是指将此次提交回滚到指定的位置&#xff0c…

本来挺喜欢刷《剑指offer》的.......(第十一天)

跟着博主一起刷题 这里使用的是题库: https://leetcode.cn/problem-list/xb9nqhhg/?page1 目录剑指 Offer 66. 构建乘积数组剑指 Offer 68 - I. 二叉搜索树的最近公共祖先剑指 Offer 68 - II. 二叉树的最近公共祖先剑指 Offer 66. 构建乘积数组 剑指 Offer 66. 构建…

使用react-bmapgl绘制区域并判断是否重叠

需求如下: 在react项目中使用百度地图实现区域(电子围栏)的绘制绘制的区域类型为:1、多边形 2、圆形可绘制多个区域区域不能有重叠可重新编辑区域 代码如下: index.tsx import { useCallback, useEffect, useState } from rea…

Python入门实践(二)——变量的使用

文章目录变量1、变量的命名和使用1.1、避免命名错误2、字符串2.1、修改字符串大小写2.2、合并(拼接)字符串2.3、使用制表符或换行符来添加空白2.4、删除空白3、数字3.1、整数3.2、浮点数3.3、使用str()避免类型错误4、注释变量是对一种数据结构的命名&am…

2023年基建工程(设计规划施工)经验分享,超多干货

为了彻底打通从工程外业勘探调查、数据资料整理,到内业详细设计之间的一系列障碍,结合工程外业调查的特点,基于安卓(Android)操作系统,精心打磨推出了“外业精灵”移动端应用软件。 该系统把工程外业探勘、…

MPP数据库简介及架构分析

目录什么是MPP?特性并行处理超大规模数据仓库真正适合什么典型的分析工作量数据集中化线性可伸缩性MPP架构技术特性数据库架构分析Shared EverythingShared DiskShare MemoryShared NothingShared Nothing数据库架构优势什么是MPP? MPP (Massively Paral…

分享88个C源码,总有一款适合您

C源码 分享88个C源码,总有一款适合您 下面是文件的名字,我放了一些图片,文章里不是所有的图主要是放不下...,大家下载后可以看到。 源码下载链接:https://pan.baidu.com/s/1TT87gt66kn5BtLqgRUTlUQ?pwdwje5 提取码…

Java图形化界面---JOptionPane

目录 一、JOptionPane的介绍 二、JOptionalPane的使用 (1)消息对话框 (2) 确认对话框 (3)输入对话框 (4)选项对话框 一、JOptionPane的介绍 通过JOptionPane可以非常方便地创建…

SpringCloud复习之Sleuth+Zipkin链路追踪实战

文章目录写作背景为什么要有链路监控SpringCloud SleuthZipkin能做什么上手实战启动一个Zipkin Server微服务集成SleuthZipkin写作背景 前面复习了SpringCloud Netflix的几个核心组件,包括Eureka、Ribbon、Feign、Hystrix、Zuul,并进行了Demo级别的实战…

高精度减法【c++】超详细讲解

前言 大家学过高精度加法之后,可能已经知道高精度减法的实现方法了吧 如果你还没有学过高精度加法的话,请点击这里(很详细的)—>高精度加法【C实现】详解 最大的问题 最大的问题莫过于负数问题了。其他方法和加法一样。 负…

4.二级缓存解析

文章目录1. 二级缓存配置2. 二级缓存结构3. 二级缓存命中条件4. 缓存空间的理解5. 二级缓存执行流程二级缓存也称作是应用级缓存,与一级缓存不同的,是它的作用范围是整个应用,而且可以跨线程使用。所以二级缓存有更高的命中率,适合…

从南丁格尔图到医学发展史

可视化中,前端用于表现不同类目的数据在总和中的占比的场景,往往会采用饼图。 针对数据大小相近,南丁格尔图的呈现会更加美观。 南丁格尔图,又称玫瑰图,是由弗罗伦斯南丁格尔发明。 弗洛伦斯南丁格尔 开创了护理事业…

二、django中的路由系统

django中的路由系统 django中路由的作用和路由器类似,当一个用户请求Django站点的一个页面时,是路由系统通过对url的路径部分进行匹配,一旦匹配成功就导入并执行对应的视图来返回响应。 django如何处理请求 当一个请求来到时,d…

SpringSecurityOauth2架构Demo笔记

总体分为SpringSecurityOauth2授权码模式演示和密码模式演示 一直下一步,依赖手动导入,SpringBoot版本改成2.2.5.RELEASE,JDK版本1.8 <?xml version"1.0" encoding"UTF-8"?> <project xmlns"http://maven.apache.org/POM/4.0.0" xml…

Open3D 点云投影至指定球面(Python版本)

文章目录 一、简介二、实现代码三、实现效果参考资料一、简介 假设球体的相关参数:中心为 C ( x c , y c , z c ) C(x_c,y_c,z_c)

【数据结构和算法】栈—模拟实现Stack和栈相关算法题

文章目录栈的定义Stack模拟实现相关算法题1.栈的压入弹出序列2.逆波兰表达式(后缀表达式)⭐1.什么是逆波兰表达式?如何转换成逆波兰表达式逆波兰表达式如何计算3.有效的括号总结栈的定义 栈作为一种数据结构&#xff0c;是一种只能在一端进行插入和删除操作的特殊线性表。它按…

华为MPLS跨域C2方案实验配置

MPLS隧道——跨域解决方案C1、C2讲解_静下心来敲木鱼的博客-CSDN博客_route-policy rr permit node 10 if-match mpls-labelhttps://blog.csdn.net/m0_49864110/article/details/127634890?csdn_share_tail%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId…

深度学习——长短期记忆网络LSTM(笔记)

长短期记忆网络LSTM&#xff1a; ①隐变量模型存在长期信息保存和短期输入缺失问题&#xff0c;解决方法是LSTM ②发明于90年代 ③使用效果和GRU差别不大&#xff0c;但是实现起来复杂 1.长短期记忆网络 ①忘记门Ft&#xff1a;将值朝0减少 ②输入门It&#xff1a;是否忽…

最容易理解的并查集详解

并查集 并查集&#xff0c;在一些有N个元素的集合应用问题中&#xff0c;我们通常是在开始时让每个元素构成一个单元素的集合&#xff0c;然后按一定顺序将属于同一组的元素所在的集合合并&#xff0c;其间要查找一个元素在哪个集合中。 比如下面这幅图&#xff0c;总共有 10 …