关于 湖州做驾驶证行驶证 微电155.乀.7080.乀.0579代n 的搜索结果,共657
y****n 2018-07-09
Apollo 自动感知技术分享
感知属于自动核心技术,我们可以将汽车上的感知与人类感官进一个类比:人有感知,通过感官器官获取外界信息,传达感知功能区,把形象化的东西抽象成概念性或者更高层的语义,供我们思维记忆、学习、思考或者决策,让我们运动控制功能区,让我们身体对外界进反馈。无人车类似这样的结构,这是强相关的东西,我们无人车也是一样。 下图所示这辆车是 2016 年 12 月乌镇演示车队的其中一台,它有传感器、雷达、摄像头,这是覆盖比较全面的设置,包括视觉、触觉、嗅觉等信息。它需要大脑处理,大脑是无人车里的感知功能模块。 由于感知范围是广泛的,它依赖于人工或者自动需要的环境匹配,工况复杂度越高,感知复杂度越高。自动不同级别里,感知的复杂度也不同。Apollo 目前开放的定位是 Level3 或者 Level4,感知、决策、控制是三位一体的过程。 感知与传感器系统紧密结合,获取外部环境信息,比如有没有障碍物,障碍物的距离、速度等,把数据交给感知处理模块,我们会收集信息,构成人开车时理解的环境。 这些信息会被我们决策模块进分析和提取,在周围环境车辆状况下,下一步怎么走才是安全的。
不****主 2018-07-09
高精地图
与普通地图不同,高精地图主要服务于自动车辆,通过一套独特的导航体系,帮助自动解决系统性能问题,扩展传感器检测边界。目前 Apollo 内部高精地图主要应用在高精定位、环境感知、决策规划、仿真运四大场景,帮助解决林荫道路GPS信号弱、红绿灯是定位与感知以及十字路口复杂等导航难题。 一、高精地图与传统地图 当我们开车时,打开导航地图通常会给我们推荐几条路线,甚至会显示道路是否拥堵以及每条路线将花费多长时间、是否有交通管制,有多少个交通信号灯或限速标志等,我们会根据地图提供的信息来决定是在中直、左转还是右转以及对周围环境的评估。 而无人车缺乏人类员固有的视觉和逻辑能力。如我们可以利用所看到的东西和GPS来确定自己的位置,还可以轻松准确地识别障碍物、车辆、人、交通信号灯等,但要想让无人车变得和人类一样聪明,可是一项非常艰巨的任务。 这时就需要高精地图了,高精地图是当前无人车技术不可或缺的一部分。它包含了大量的辅助信息,最重要是包含道路网的精确三维表征,例如交叉路口布局和路标位置。
C****X 2018-07-10
群雄逐“图”,百度缘何备受关注?
我们发现,高精地图领域的入局者基本上可以分为这样几类,以Google 为表的互联网企业,包括百度;以丰田、特斯拉为首的车企大厂;以Moblieye(已经被英特尔收购)为主的传感器厂商;以及包括 TomTom、四维图新、高德等在内的图商。 不过仔细想想,入局归入局,但是要想玩的比别人都好,成为领先的玩家,确实不是一件容易的事儿。 其实对高精度地图的研发,除了在技术上需要攻克一些难关之外,更需要站在自动产业链的角度上思考问题。高精度地图是自动的专属地图,了解车的需求或许比“造图”本身更重要。 如果从开发者的角度来看,以百度为表的互联网企业以及传统车企或许在整合产业链资源,全局入手的能力上更占优势。 关于高精度地图的一些based问题 地图,对于人们的日常生活来说很普遍。 通常我们了解的都是用于导航、查询地理信息的传统子地图,这类地图主要服务的是人类员。 传统子地图 (图片来源于文章《高精地图在无人中的应用》) 如图所示,传统子地图是对路网的一种抽象表现,将路网抽象成有向图的形式。 什么是有向图形式? 简单来说就是图的顶点表路口,边表路口与路口的连接。
1****6 2018-07-10
反向图灵测试——如何识别这是不是AI?
前几天那个巨硬的陪聊AI在博上求骂蹭热度,我不信那条博是AI发的。 用AIcoding是有可能性的,编程本来就是人类语言转换为机器语言的翻译,但时日尚早,云计算+SDK+IDE从更简单更高效的层面编程简化了。但现在说在用AIAIOPS的,实际是只展示不决策,无知者无畏的也没有试验环境。 现在成熟的AI应用就是少数几类场景,比如:语音识别、图片识别、无人为预估(如金融风控)。但我们怎么明这些AI应用是机器学习还是深度学习哪,毕竟用深度学习融资/吹牛逼更高大上啊。 深度学习的惊艳之处在于解决了很多问题,但它对数据量的需求像打着吊瓶跑马拉松,有几个场景提前储备了那么多数据?这两天的热门新闻是 AlphaGo Zero 自学棋谱解决了数据问题,但用单纯的围棋来推理复杂的世界,这个类比糟糕透了。 AI技术配得上世人给它的盛名和期待,但AI技术不是用来嚼舌根编新闻的。这波AI宣传大潮让很多人半年之内都不愁编稿字数了,搞冒牌AI场景的人大都比AI程序员还聪明。 后记...... 我本来让创业者多提供一些数据、算力、技能的资料,结果H哥说这个项目已经Pass了。
1****9 2020-08-31
【资源中心】CarLife接入参考资料!8月15日更新~~
需要测试/认所需相关资料
3****3 2018-07-10
百度智能运维工程架构
相比较原有的单机房故障处理方式,在感知、决策、执三个方面,L4级的单机房故障自愈系统效果显著: 1.感知方面,智能异常检测算法替过去大量误报漏报的阈值检测方法; 2.决策方面,具备全局信息、自动决策的算法组件替了过去“老中医会诊”的人工决策模式; 3.执方面,状态机等执长流程组件的加入,让执过程可定位、可复用。 目前L4级的单机房故障自愈,已经覆盖百度大多数核心业务线,止损效率可到分钟级,最快秒级止损,较人工止损效率提升60%-99%。 总结 随着AIOps逐渐走向成熟和产品化,必将有越来越多的运维场景被AIOps所变革,而我们,百度云智能运维团队,也希望秉承着这个方向,为业贡献更多的创新理念、技术和产品,欢迎大家一起加入探讨。 最后,用一句话来总结下工程架构对于智能运维的意义: 框架在手,AI我有:智能时,框架会越来越重要,从机器学习框架TensorFlow到自动框架Apollo,概莫能外。
布****五 2018-07-10
如何执一条命令
面临的困难 命令的三要素,也是如何执一条命令面对的三个问题,如前文所述,对于单机环境来说,这三个问题在前人的努力下已经被很好的解决。可是如果要在几十万台机器上每天执几十亿条命令,同时保时效性,保成功率,保结果正确收集,保7*24小时稳定运,就不是一件简单的事情了。所谓远无轻担,量大易也难,在构建这样的执系统的过程中要面临诸多困难,此处举几个突出的例子如下: 信息存储问题:为了支持水平扩展,需要高效的内存数据库作为缓存。为了到执命令的可追溯、可统计,需要对执过的命令信息持久化。日均几十亿的热数据,年均上万亿的冷数据,需要仔细选择存储方案。 任务调度问题:为了达到在任意多台服务器上执命令的要求,需要确定何时分发命令、何时回收结果以及怎么样的并发度批量下发。 消息传输问题:为了保命令高效正确送达目标服务器,需要构建一个可靠的命令传输网络,使命令信息在准确送达的前提下保障传输的可靠与高效,毕竟百度的几十万台服务器分布在世界各地。 理执问题:为了更好的处理权限、单机并发等单机执问题,需要在目标机构建执理,以应对单机的复杂执环境。
TOP