因为FSD,马斯克又把雷达请回来了

特斯拉请回雷达

作者 | 有据无车  编辑 | 智能车参考

点击下方卡片,关注“自动驾驶之心”公众号

戳我-> 领取自动驾驶近15个方向学习路线

>>点击进入→自动驾驶之心技术交流群

本文只做学术分享,如有侵权,联系删文

员工都能先裁再请回来,雷达当然也可以。

马哥的回旋镖永远在路上:

雷达重新上车特斯拉了。

并且请回雷达的原因,还和FSD有关系。

但是这颗雷达,不在车顶,也不在车底,而是在车里。

特斯拉请回雷达

专注跟踪特斯拉动态的黑客“绿神”green,近日在社交平台爆料,他通过逆编译破解了特斯拉的软件更新数据,指出特斯拉将移除座位占用传感器。

fbf0bed82dd9c1114e5bd5370d9dd20f.png

转而使用舱内摄像头或舱内雷达来实现其原有功能,并表示后者可能性更大。

因为早在2021年4月,特斯拉就获准安装车内雷达。

由4个发射器和3个接收天线组成,信号可穿透柔软的材料,并区分儿童和座椅上的物体,甚至可以监测呼吸、心率等视觉无法捕捉的信息。

50f1d8c83dc4f16b0a8fc2f8dade594e.png

不过特斯拉这次上车,主要考虑的是用来检测车辆发动时,主驾是否有人。

不知道出于什么心态,或许是太相信FSD,北美有车主此前用作弊装置,欺骗车辆系统,让车子开动时误认为有人在主驾,实现“无人驾驶”。

修复这个bug,同时也能优化另一个问题:

此前有车主反馈,座椅传感器过于灵敏,自己稍微晃动一下,就会被误检为无人,然后车子就减速停车了。

c7b6bed77ece05e4391bf2fff40945ae.png

现在用座舱雷达,能避免该问题,帮相关车主省点钱——有博主称修一次需要花3500美元(折合人民币约为2.54万元)。

智能车的兴起,也正在加速座舱雷达上车。

解析座舱雷达

座舱雷达主要应用于车内活体检测、乘驾人员状态监测以及入侵检测

比如车内遗忘儿童或宠物,有座舱雷达检测到,就能通过系统发出警报。

622787c3e2b7b2a906c031738c8115cf.png

同时还可以和DMS(驾驶员监控系统)结合,在视觉维度之外,提供生命体征信息,更全面地分析驾驶员的状态,特别是在未来实现L3级自动驾驶时。

目前座舱雷达主要存在两大技术规范之争:

毫米波和UWB。

毫米波有以下频段:

  • 24GHz,2022年已废止,新车不得再使用

  • 77GHz和79GHz,供车外专用。座舱雷达频段应规避该频段,否则会造成无线信道冲撞。

  • 60GHz,特斯拉的座舱雷达方案就是57-64GHz频段。

c4b5e14414df90cffdbff442f4ede441.png

车载UWB雷达则主要应用6-8GHz频段,目前在全球主要地区都属于合规频段。

从成本上来看,UWB雷达比毫米波雷达便宜的多,不过穿透力和分辨率不如毫米波雷达。

不过虽然调侃马斯克回旋镖,但特斯拉这次座舱内应用雷达,可能也会再次引领行业风气之先。

投稿作者为『自动驾驶之心知识星球』特邀嘉宾,欢迎加入交流!

① 全网独家视频课程

BEV感知、BEV模型部署、BEV目标跟踪、毫米波雷达视觉融合多传感器标定多传感器融合多模态3D目标检测车道线检测轨迹预测在线高精地图世界模型点云3D目标检测目标跟踪Occupancy、cuda与TensorRT模型部署大模型与自动驾驶Nerf语义分割自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频(扫码即可学习

2ff0a5df8075bc1b8227b3cc30ca2199.png

网页端官网:www.zdjszx.com

② 国内首个自动驾驶学习社区

国内最大最专业,近3000人的交流社区,已得到大多数自动驾驶公司的认可!涉及30+自动驾驶技术栈学习路线,从0到一带你入门自动驾驶感知2D/3D检测、语义分割、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪)、自动驾驶定位建图SLAM、高精地图、局部在线地图)、自动驾驶规划控制/轨迹预测等领域技术方案大模型、端到端等,更有行业动态和岗位发布!欢迎扫描下方二维码,加入自动驾驶之心知识星球,这是一个真正有干货的地方,与领域大佬交流入门、学习、工作、跳槽上的各类难题,日常分享论文+代码+视频

2660d734d7958371489ba3b627d0868a.png

③【自动驾驶之心】技术交流群

自动驾驶之心是首个自动驾驶开发者社区,聚焦感知、定位、融合、规控、标定、端到端、仿真、产品经理、自动驾驶开发、自动标注与数据闭环多个方向,目前近60+技术交流群,欢迎加入!扫码添加汽车人助理微信邀请入群,备注:学校/公司+方向+昵称(快速入群方式)

75c4113991d4687d26d7486113db2066.jpeg

④【自动驾驶之心】全平台矩阵

77df829ffcdb3b9f4eacc3d7f4bf8fae.png

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值