Wird Luobo Kuaipao Nächstes Jahr Profitabel Sein? Autonomes Fahren Eröffnet Eine Neue Ära Des „End-to-End“-Ansatzes Und Hochwertige Datensätze Helfen Dabei, Große KI-Modelle in Autos Zu Integrieren.
Beim Baidu Apollo Day 2024 am 15. Mai erklärte Chen Zhuo, General Manager der Geschäftseinheit für autonomes Fahren bei Baidu, dass das Ziel von LuoBoKuaiPao darin bestehe, bis Ende 2024 in Wuhan die Gewinnschwelle zu erreichen.Die volle Rentabilitätsphase wird im Jahr 2025 eintreten.Vielleicht war es dieses Gewinnziel, das Luobo Kuaipao dazu veranlasste, vor Kurzem in Wuhan groß angelegte Geschäftstätigkeiten aufzunehmen, die ebenfalls große Aufmerksamkeit erregten.
Sieht man von der in der Öffentlichkeit herrschenden Kontroverse ab, dass „selbstfahrende Taxis Arbeitsplätze stehlen“, sorgen der niedrige Einstiegspreis und der niedrige Stückpreis von Luobo Kuaipao tatsächlich für eine gewisse Wettbewerbsfähigkeit. Zudem bietet das von Baidu erprobte Betriebsmodell bis zu einem gewissen Grad eine starke Referenz für die Implementierung und Entwicklung von „End-to-End“-Lösungen für autonomes Fahren.
August 2023Das FSD-V12-System von Tesla bringt offiziell eine durchgängige autonome Fahrtechnologie in Massenmodelle.Es hat es auch in die Öffentlichkeit gebracht. Anschließend folgten Huawei, Xiaopeng, SenseTime, Baidu und andere diesem Beispiel, und ein neues Paradigma der Industrietechnologie bewegt sich von der Erkundungsphase zur ausgereiften Anwendung.
Die sogenannte „End-to-End“-Lösung betrachtet das gesamte intelligente Fahrsystem als integriertes Modul.Nach Erhalt der Eingangsdaten vom Sensor gibt das System die Fahrentscheidung direkt aus. Auch sein Entwicklungsmodell hat sich von regelgesteuert zu datengesteuert verlagert. Das heißt, durch Training mit einer großen Menge wertvoller Daten kann KI autonom menschliche Fahrmuster erlernen, bis Intelligenz entsteht.
Dies bedeutet, dass die Weiterentwicklung der autonomen Fahrtechnologie nicht von einem Training mit riesigen Mengen hochwertiger Daten getrennt werden kann. Im Juni 2023 sagte ein Tesla-Softwareentwickler in einer Rede auf der CVPR-Konferenz: „Für das Training des Basismodells des autonomen Fahrens benötigen wir keine unbegrenzte Datenmenge, aber wir benötigen eine Diversität auf einem bestimmten Niveau.“
Als führende Suchmaschine im Bereich Data Science in China ist HyperAI Super Neural (hyper.ai)Wir haben auch auf den Bedarf an hochwertigen Daten im Bereich des autonomen Fahrens geachtet und Ihnen beschleunigte Downloads beliebter Open-Source-Datensätze zum autonomen Fahren bereitgestellt. Einige Datensätze sind unten zusammengefasst.
Klicken Sie hier, um weitere Open-Source-Datensätze anzuzeigen:
https://go.hyper.ai/5Ik29
Datensatz zum autonomen Fahren
1. ApolloScape-Datensatz zum autonomen Fahren
Verlag:Baidu
Veröffentlichungszeit:2018
Downloadadresse:go.hyper.ai/CeKea
ApolloScape ist Teil des Apollo-Projekts für autonomes Fahren, dessen Ziel die Förderung von Innovationen in allen Bereichen des autonomen Fahrens ist, von der Wahrnehmung über die Navigation bis hin zur Steuerung. Der Datensatz wird hinsichtlich Datenumfang, Beschriftungsdichte und Aufgaben weiterhin aktualisiert.
2. SODA10M-Datensatz zum autonomen Fahren
Verlag:Huawei Noah's Ark Laboratory, Sun Yat-sen-Universität
Veröffentlichungszeit:2021
Geschätzte Größe:5,61 GB
Downloadadresse:go.hyper.ai/B3XhR
SODA10M ist ein halb-/selbstüberwachter 2D-Benchmark-Datensatz, der hauptsächlich 10 Millionen verschiedene unbeschriftete Straßenszenenbilder und 20.000 mit 6 repräsentativen Objektkategorien annotierte Bilder enthält. Gleichzeitig umfassen die Bilder eine Vielzahl unterschiedlicher Straßenszenen (Städte, Autobahnen, Stadt- und Landstraßen, Parks), Wetterbedingungen (sonnig, bewölkt, regnerisch, schneebedeckt) und Zeiträume (Tag, Nacht, früher Morgen/Abenddämmerung).
3. Talk2Car-Datensatz zum autonomen Fahren
Verlag:Katholische Universität Leuven
Veröffentlichungszeit:2020
Geschätzte Größe:77,6 MB
Downloadadresse:go.hyper.ai/jYVHt
Der Talk2Car-Datensatz ist ein Objektreferenzdatensatz, der in natürlicher Sprache geschriebene Befehle für selbstfahrende Autos enthält, d. h. Passagiere können selbstfahrenden Autos Befehle durch Sprechen geben. Der Talk2Car-Datensatz baut auf dem nuScenes-Datensatz auf und umfasst eine breite Palette von Sensormodalitäten, nämlich semantische Karten, GPS, LiDAR, RADAR und 360°-RGB-Bilder mit 3D-Begrenzungsrahmen-Anmerkungen.
4. A2D2 Audi-Datensatz zum autonomen Fahren
Verlag:Audi
Veröffentlichungszeit:2020
Geschätzte Größe:2,26 TB
Downloadadresse:go.hyper.ai/K1iRu
Bei diesem Datensatz handelt es sich um einen Datensatz zum autonomen Fahren von Audi, der synchronisierte Bilder und 3D-Punktwolken sowie 3D-Begrenzungsrahmen, semantische Segmentierung, Instanzsegmentierung und aus Fahrzeugbussen extrahierte Daten enthält.
5. Argoverse Autonomes Fahren
Verlag:Argo AI, Carnegie Mellon University, Georgia Institute of Technology
Veröffentlichungszeit:2019
Geschätzte Größe:260,38 GB
Downloadadresse:https://go.hyper.ai/CpqTd
Der Argoverse-Datensatz basiert auf über 1.000 Stunden Fahrten auf der Straße und umfasst zwei Teile: 3D-Tracking und Bewegungsprognose. Der Argoverse 3D-Tracking-Datensatz enthält 3D-Tracking-Anmerkungen für 113 Szenen. Jeder Clip ist 15–30 Sekunden lang und enthält insgesamt 11.319 verfolgte Objekte.
6. Lyft Level 5-Datensatz zum autonomen Fahren
Verlag:Lyft
Veröffentlichungszeit:2019
Geschätzte Größe:41,59 GB
Downloadadresse:go.hyper.ai/Q3cmA
Der Lyft L5-Datensatz zum autonomen Fahren ist ein von Lyft bereitgestellter Datensatz zum autonomen Fahren auf L5-Niveau. Derzeit steht nur das Trainingsset zum Download zur Verfügung. Der Datensatz enthält hochwertige semantische Karten, die die Erkennung der Anwesenheit und Bewegung von Objekten ermöglichen. Der Datensatz bietet Karteninformationen zu mehr als 4.000 Straßen, 197 Fußgängerüberwegen, 60 Stoppschildern und 54 Parkbereichen.
7. BLVD Großer 5D-semantischer Benchmark-Datensatz
Verlag:Institut für Künstliche Intelligenz und Robotik, Xi'an Jiaotong Universität
Veröffentlichungszeit:2019
Geschätzte Größe:43,38 GB
Downloadadresse:go.hyper.ai/4ft0g
Dieser Datensatz ist der weltweit erste fünfdimensionale Datensatz zum Verständnis von Fahrszenen und enthält 654 hochauflösende Videoclips und insgesamt 120.000 Bilder. Dazu gehören 249.129 annotierte 3D-Frames, 4.902 unabhängige Frames für das Tracking (mit einer Gesamtlänge von 214.922 Punkten), 6.004 gültige Segmente für die interaktive 5D-Ereigniserkennung und 4.900 Frames für die 5D-Absichtsvorhersage.
8. DBNet-Datensatz zum autonomen Fahren
Verlag:Xiamen-Universität, Shanghai Jiao Tong-Universität
Veröffentlichungszeit:2018
Geschätzte Größe:9,47 GB
Downloadadresse:go.hyper.ai/NPXIL
DBNet ist ein umfangreicher Datensatz für die Fahrverhaltensforschung. Der Datensatz umfasst ausgerichtete Videos, Punktwolken, GPS und Fahrerverhalten (Geschwindigkeits- und Radbewegungsbahnen) und erfasst 1.000 Kilometer realer Fahrdaten.
9. JAAD-Datensatz zum autonomen Fahren
Verlag:New York Universität
Veröffentlichungszeit:2017
Geschätzte Größe:2,88 GB
Downloadadresse:https://go.hyper.ai/mghSj
Der Datensatz enthält 346 Videoclips mit einer Dauer von jeweils 5–10 Sekunden und einer Bildrate von 30, insgesamt also 82.032 Bilder. Die Videos wurden von drei Bordkameras aufgenommen und zeigen typische Szenen des täglichen Stadtverkehrs bei unterschiedlichen Wetterbedingungen in Nordamerika und Osteuropa.
Verlag:Comma.ai
Veröffentlichungszeit:2016
Geschätzte Größe:44,96 GB
Downloadadresse:https://go.hyper.ai/mvkTH
Der Datensatz enthält 10 mit 20 Hz aufgenommene Videos mit einer Gesamtlänge von 7,25 Stunden, die von einer an der Windschutzscheibe eines Acura ILX 2016 montierten Kamera aufgezeichnet wurden.
Oben sind die 10 von HyperAI zusammengestellten Datensätze zum autonomen Fahren. Wenn Sie über Ressourcen verfügen, die Sie auf der offiziellen Website von hyper.ai veröffentlichen möchten, können Sie uns gerne eine Nachricht hinterlassen oder einen Artikel einreichen!
Über HyperAI
HyperAI (hyper.ai) ist eine führende Community für künstliche Intelligenz und Hochleistungsrechnen in China.Wir haben uns zum Ziel gesetzt, die Infrastruktur im Bereich der Datenwissenschaft in China zu werden und inländischen Entwicklern umfangreiche und qualitativ hochwertige öffentliche Ressourcen bereitzustellen. Bisher haben wir:
* Bereitstellung von inländischen beschleunigten Download-Knoten für über 1200 öffentliche Datensätze
* Enthält über 300 klassische und beliebte Online-Tutorials
* Interpretation von über 100 AI4Science-Papierfällen
* Unterstützt die Suche nach über 500 verwandten Begriffen
* Hosting der ersten vollständigen chinesischen Apache TVM-Dokumentation in China
Besuchen Sie die offizielle Website, um Ihre Lernreise zu beginnen: