gao1
您的位置:首页 > 新车 >

多传感器融合感知技术方案丨昱感微确认申报2024金辑奖·最具成长价值奖

2024-09-04 17:00:04     来源:盖世汽车    阅读量:6971   阅读量:11847   

申请技术丨多传感器融合感知技术方案

申报领域丨智能驾驶

独特优势:

感知智能一直是L3/L4级自动驾驶的技术难点,而单一的传感器始终受到天气/光线/应用场景以及自身局限性限制,无法做到全面精准的感知目标和环境。昱感微将可见光摄像头、红外摄像头以及雷达的探测数据在前端融合,将各传感器的探测数据“坐标统一、时序对齐”,图像与雷达数据完成像素级实时“时空对齐同步”并以“多维像素”格式输出,可以很好地解决感知侧的技术痛点。

昱感微的融合感知技术方案的优势在于:

1)是基于“物理感知”数据驱动,能很好地避免纯视觉神经网络的corner cases问题;

2)传感器前融合的方式可以最大限度地保留原始探测数据,并发挥各传感器的优势,使感知系统能够不受天气光线和场景的限制,实时完成精准目标感知;

3)支持目标的识别与样本采样同步完成,助力车厂建立数据优势。昱感微融合感知系统内含一个专用的数据获取模块,将目标的识别与有效样本的获取结合,可提供有效样本的获取函数,配合车厂开发。特斯拉FSD的成功离不开特斯拉的海量数据优势,昱感微的融合感知技术的感知数据将助力中国车企在自动驾驶赛道上实现弯道超车,领先特斯拉FSD,加速中国车企占领海外市场。 在客户产品成本管理上,我们的方案所输出的“多维像素”感知数据可以为客户节省原本巨量的感知原始数据传输成本,并减轻客户产品的核心算力成本(比如自动驾驶系统的中央域控单元)。并且,昱感微的“多维像素”与现有主流AI计算平台完全兼容,它可以复用已有的图像数据样本,免除了产品的神经网络训练数据需要重新采集的困扰,使客户能够低成本高效地提升感知能力。

应用场景:

昱感微的多传感器融合感知方案产品可应用于L3/L4级自动驾驶,除了乘用车外,还可应用于自动扫地车、自动农机等工业机器人。多维像素是基于“物理感知”数据驱动,能很好地避免纯视觉神经网络的corner cases问题,因此可以识别到路上的各种物体,不会出现没有采样过的目标就无法识别的情况。“多维像素”还能探测出路面的起伏,帮助自动驾驶系统对于不同的起伏程度采取对应的决策。“多维像素”还可以提供路面上覆盖物的材质和状况信息,对于探测到的较脆弱的材质或已损坏的覆盖物就需要避让。并且昱感微的融合感知方案完全不依赖高精地图,对于没有车道线和边界的道路,自动驾驶系统也能根据“多维像素”提供的多模态感知信息来规划路径。此外,多传感器融合感知精度可精确至5厘米,可以很好地满足一些精确作业的要求。

未来前景:

昱感微的“多维像素”技术可以很好地支撑“端到端+VLM+生成式的验证系统”,还可以直接高效支持“占用网络” (Occupancy Network)算法。占用网格是指将感知空间划分为一个个立体网格(体素),而多维像素包含了目标的3D空间位置信息、目标的速度信息和材质信息,可以直接高效实时支持占用网格中的体素算法。特斯拉目前在主推“BEV +Transformer+占用网络”,国内华为GOD2.0和小米汽车也采用相同的架构,预计未来许多智能驾驶团队都会引入“占用网络”来提升系统能力。多维像素的应用前景非常广阔。昱感微的融合感知技术+BEV +Transformer+占用网格有望成为L3/L4级自动驾驶最优的落地方案。

金辑奖介绍:

“金辑奖”由盖世汽车发起,旨在“发现好公司,推广好技术,成就汽车人”, 并围绕着“中国汽车新供应链百强”这个主题进行展开,本届金辑奖重点聚焦智能驾驶、智能座舱、智能底盘、汽车软件、车规级芯片、大数据及人工智能、动力总成及充换电、热管理、车身及内外饰、新材料十大细分板块,进行优秀企业及先进技术解决方案的评选,向行业内外展示这些优秀的企业和行业领军人物,共同推动行业的发展和进步。

声明:以上内容为本网站转自其它媒体,相关信息仅为传递更多企业信息之目的,不代表本网观点,亦不代表本网站赞同其观点或证实其内容的真实性。投资有风险,需谨慎。

上一篇:奔驰C级惊艳亮相,华丽变身轿跑风格,内饰奢华程度媲美S级!
下一篇:返回列表

精彩阅读

  • 可换电的中大型SUV 睿蓝9重庆车展亮相可换电的中大型SUV 睿
  • 极星将发布Polestar 5 对标保时捷Taycan极星将发布Polesta
  • 试驾丨江铃福特领睿,中国特供的高性价比“真福特”试驾丨江铃福特领睿,中国
  • 捷尼赛思电动版G80发布时间推迟捷尼赛思电动版G80发布
  • 福克斯换装四缸机上市,长安福特迎产品黄金期福克斯换装四缸机上市,长
  • 新款KiWi EV内饰官图 搭载双10.25英寸联屏新款KiWi EV内饰官