微软正在放弃“微软”

文/侯继勇


    新任CEO萨蒂亚·纳德拉上任后第一把火竟然是力促“Winodows生态系统与Android生态系统的融合”。纳德拉表明自己的态度:微软正在放弃“微软”。


    此次,诺基亚在巴赛罗拉世界移动通信大会(MWC)上正式推出了诺基亚版安卓手机,包括NOKIA X、NOKIA X+以及NOKIA XL三个型号。与一般安卓手机不同,诺基亚版安卓机用微软的软件云服务取代了谷歌云服务。


    其中包括用诺基亚地图Here、诺基亚音乐MixRadio、微软必应搜索、微软存储服务、Skype取代了通常Andriod手机上的谷歌地图、谷歌音乐、谷歌搜索、Google Drive以及Google Voice等。


    诺基亚设备与服务部门高级副总裁的艾洛普(前诺基亚CEO)说微软这么做是在向亚马逊致敬:相当Kindle上定制的Andriod系统,接入的是亚马逊服务。


    在安卓平台上接入微软服务,只是“Winodows生态系统与Android生态系统的融合”中的一步;另一步则是向windows平台下Android生态系统的云服务。


    有消息人士向21世纪经济报道记者透露:微软未来可能会允许Android应用运行于自己的Windows和WP平台上,补足Windows生态链中应用缺失的短板。目前安卓、iOS生态圈应用与服务数量均过百万,微软WP平台目前不到14万。


    两者相辅相成,是“Winodows与Android生态系统的融合”微软战略的全部。


    纳德拉的算盘打得很响:只要促进了“Winodows与Android生态系统的融合”,微软在移动互联网时代的三个环节,即“软件+硬件+互联网”将全部补齐。


    自微软终于意识到在其PC时代“软件统治世界”的思维落伍之后,就开始在“软件、硬件、互联网”三个环节上布局,以重塑其移动互联网疆域。


    在PC时代,微软是软件王者,同时拥有软件时代最强大的应用与服务生态系统。微软觉得自己缺的只是硬件。正因为此,微软于2012年6月在众多OEM伙伴的反对声中,出人意料地推出了Surface进入硬件领域,这是微软补足硬件短板的第一步;去年10月微软宣布收购诺基亚,这是补足硬件短板的第二步。


    收购诺基亚的时候,微软的目标很明确,向谷歌学习:2011年8月,谷歌125亿美元收购摩托罗拉,当时Android还远没有今天这种绝对优势的市场地位,同时正面临苹果、微软等企业针对Android系统专利诉讼的风险;收购完成之后,摩托罗拉成为Android最坚定的支持者,为Android超越iOS立下汗马功劳。


    直至今年2月24日,Android生态大局已定,再无利用价值的摩托罗拉被谷歌以29亿美元的价格甩给了立志做“全球硬件大王”的中国联想集团。


    2013年10月收购诺基亚,诺基亚对于微软犹如摩托罗拉对于谷歌。


    诺基亚推出Android版手机说明什么?微软不再认为“学习谷歌好榜样”,转而认为“学习亚马逊好榜样”:用别人的系统做硬件,推广互联网云服务。


    但诺基亚推出Android版手机不是亚马逊kindle:在亚马逊kindle中,电子阅读服务是核心的应用,占用了用户几乎所有时间,这一服务来自kindle;而在安卓版诺基亚手机中,诺基亚地图Here、诺基亚音乐MixRadio、微软必应搜索、微软存储服务、Skype,都无潜替代阅读服务在kindle中的位置。


    按照这一计划,移动互联网时代的微软正在放弃微软:硬件基于诺基亚,软件与互联网应用基于Android生态圈,Winodows不扮演任何角色。这真是一个让人唏嘘的结果:Winodows曾经是微软的全部。


    Android生态系统始终是谷歌的,微软正做着自己的青天白日梦。


    但是,这或许也不过是微软没有看清前景时的试探。2月26日,微软公关主管弗兰克·肖在自己的个人科技博客中这样写道:微软对于诺基亚的收购尚未全部完成,当下我们和诺基亚是作为两家独立的企业进行运作。


    弗兰克·肖的意思很明显,安卓版诺基亚不是微软的意志。(编辑 卢爱芳)
内容概要:本文介绍了一个基于多传感器融合的定位系统设计方案,采用GPS、里程计和电子罗盘作为定位传感器,利用扩展卡尔曼滤波(EKF)算法对多源传感器数据进行融合处理,最终输出目标的滤波后位置信息,并提供了完整的Matlab代码实现。该方法有效提升了定位精度与稳定性,尤其适用于存在单一传感器误差或信号丢失的复杂环境,如自动驾驶、移动采用GPS、里程计和电子罗盘作为定位传感器,EKF作为多传感器的融合算法,最终输出目标的滤波位置(Matlab代码实现)机器人导航等领域。文中详细阐述了各传感器的数据建模方式、状态转移与观测方程构建,以及EKF算法的具体实现步骤,具有较强的工程实践价值。; 适合人群:具备一定Matlab编程基础,熟悉传感器原理和滤波算法的高校研究生、科研人员及从事自动驾驶、机器人导航等相关领域的工程技术人员。; 使用场景及目标:①学习和掌握多传感器融合的基本理论与实现方法;②应用于移动机器人、无人车、无人机等系统的高精度定位与导航开发;③作为EKF算法在实际工程中应用的教学案例或项目参考; 阅读建议:建议读者结合Matlab代码逐行理解算法实现过程,重点关注状态预测与观测更新模块的设计逻辑,可尝试引入真实传感器数据或仿真噪声环境以验证算法鲁棒性,并进一步拓展至UKF、PF等更高级滤波算法的研究与对比。
内容概要:文章围绕智能汽车新一代传感器的发展趋势,重点阐述了BEV(鸟瞰图视角)端到端感知融合架构如何成为智能驾驶感知系统的新范式。传统后融合与前融合方案因信息丢失或算力需求过高难以满足高阶智驾需求,而基于Transformer的BEV融合方案通过统一坐标系下的多源传感器特征融合,在保证感知精度的同时兼顾算力可行性,显著提升复杂场景下的鲁棒性与系统可靠性。此外,文章指出BEV模型落地面临大算力依赖与高数据成本的挑战,提出“数据采集-模型训练-算法迭代-数据反哺”的高效数据闭环体系,通过自动化标注与长尾数据反馈实现算法持续进化,降低对人工标注的依赖,提升数据利用效率。典型企业案例进一步验证了该路径的技术可行性与经济价值。; 适合人群:从事汽车电子、智能驾驶感知算法研发的工程师,以及关注自动驾驶技术趋势的产品经理和技术管理者;具备一定自动驾驶基础知识,希望深入了解BEV架构与数据闭环机制的专业人士。; 使用场景及目标:①理解BEV+Transformer为何成为当前感知融合的主流技术路线;②掌握数据闭环在BEV模型迭代中的关键作用及其工程实现逻辑;③为智能驾驶系统架构设计、传感器选型与算法优化提供决策参考; 阅读建议:本文侧重技术趋势分析与系统级思考,建议结合实际项目背景阅读,重点关注BEV融合逻辑与数据闭环构建方法,并可延伸研究相关企业在舱泊一体等场景的应用实践。
评论
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