※ 文章網址: https://www.ptt.cc/bbs/car/M.1616641664.A.C3C.html
推 d8613518 : 這樣打馬神跟信徒的臉很不厚道啦03/25 11:11
→ bill97385 : 3個鏡頭？前中後？基本調查都沒做好就來評論？03/25 11:14
→ l79cm : 知不知道人開車的反應時間是多少？看到不動手？03/25 11:18
推 EddieJeremy : 曲博士的背景是??03/25 11:23
→ dslite : 畫素太低的確可以嘴 但前三鏡頭的左右兩隻就等同於03/25 11:24
→ dslite : 人的雙眼可以有距離資訊 486的eyesight也是這樣幹 03/25 11:24
→ dslite : 的03/25 11:24
→ dslite : 畫素低就會造成看不夠遠 但他怎麼知道畫素多低？行03/25 11:26
→ dslite : 車記錄器錄的不見得等於sensor的原始解析度啊 03/25 11:26
推 StarburyX : 光達要搭配高精地圖 這點就GG了啦 不是普遍方案03/25 11:29
→ StarburyX : 要用高精地圖 注定只有在地車企能做03/25 11:29
→ StarburyX : 沒有國家會讓其他非本國車企掌握高精地圖的03/25 11:30
→ StarburyX : Tesla的視覺辨識 神經網路訓練才 有可能 成功03/25 11:31
→ StarburyX : 只能說 有可能 成功03/25 11:31
→ StarburyX : 如果像waymo這樣 我就是只做一個區域 也行03/25 11:31
→ StarburyX : 看車企的目標擺在哪 就會決定往哪走03/25 11:32
→ StarburyX : 高精地圖精密到幾公分的程度 這資安問題太嚴重03/25 11:33
→ dslite : 深度跟ai完全無關吧 他在鬼扯什麼03/25 11:34
→ StarburyX : 光達 目前都是要搭配 高精地圖 這是很棒的區域解 03/25 11:34
→ l79cm : 現在硬體的神經網路影像輸入解析度都不會太大，放4 03/25 11:34
→ l79cm : K sensor最後也要縮小再餵入，光達掃出來的矩陣解03/25 11:34
→ l79cm : 析度也很低 03/25 11:34
→ dslite : 深度是純光學跟數學03/25 11:35
→ StarburyX : 沒錯 深度學習是純光學+數學 03/25 11:36
推 sk2g : 如果搭配Garmin的圖資 03/25 11:37
→ plug : 光達+高速晶片，車可能直接產生智能視覺+高精地圖 03/25 11:41
→ StarburyX : 高精地圖跟garmin或估狗圖資等級差太多 03/25 11:42
→ plug : 就看車商要否把資訊上傳變資料庫，地圖商死光光 03/25 11:42
→ zyx12320 : 這些都是幾年前就知道的東西了.. 03/25 11:42
→ StarburyX : p光達的目的是判斷車在高精地圖上的哪一點用 03/25 11:43
→ StarburyX : 高精地圖的產生可能不是你開過去 就有的03/25 11:44
→ StarburyX : 高精地圖準確度達到幾公分的等級03/25 11:44
→ StarburyX : 目前汽車車上晶片的算力 是沒辦法達到這種程度的03/25 11:45
→ StarburyX : 特斯拉深度學習也是用dojo超級電腦訓練03/25 11:45
→ DYE : 主要還是電腦對圖形判斷太差03/25 11:46
→ StarburyX : 跟車上的晶片沒什麼關係03/25 11:46
→ DYE : 兩歲小朋友，只要幾筆畫的圖，就能說出是貓狗03/25 11:47
→ plug : 自駕不需要全部地圖，只要知道是路+可以通過，其他03/25 11:47
→ plug : 走線可用舊圖資03/25 11:47
→ DYE : 電腦需要大量數據還沒辦法快03/25 11:47
推 StarburyX : plug大 不行 你這樣就是特斯拉的方案 03/25 11:48
→ DYE : 所以人可以輕易判斷什麼是白色貨車，什麼是天際線 03/25 11:49
→ DYE : 電腦一出錯就撞 03/25 11:49
→ plug : 車載光達即時製作路面環境給AI判斷能不能過就好 03/25 11:49
→ StarburyX : AI判斷 就是特斯拉現在在做得 怎麼判斷？訓練！ 03/25 11:51
→ zyx12320 : 內文都過時資訊 S大推的才是目前各方案的現況 03/25 11:51
→ plug : 現在很多公司用點雲建立機器視覺了，即時路面環境 03/25 11:51
→ StarburyX : AI能不能訓練成功？ 天知道 03/25 11:51
→ plug : 不是問題 03/25 11:52
→ plug : 現在感測器可以一直裝，就看晶片多快算出視覺 03/25 11:53
→ plug : 把空載光達位態同步與計算晶片作一起放車上 03/25 12:01
→ plug : 陣列式光達鏡頭已經大幅降價，要多裝不是問題 03/25 12:11
推 dix : 曲建仲 成大化工學士 清大材料碩士 台大電機博士 03/25 12:12
→ dix : 德儀資深工程師 03/25 12:13
噓 LimYoHwan : https://youtu.be/MvWWHgNm0_w 03/25 12:14
→ LimYoHwan : 高精度地圖誰來維護啊 花多少錢？ waymo走不出鳳 03/25 12:15
→ LimYoHwan : 凰城 還看不出來嗎？ 03/25 12:15
噓 LimYoHwan : Tesla不是用3鏡頭 曲低能 做好功課再來 03/25 12:17
噓 TaiwanNeko : 軟體才是關鍵 03/25 12:21
→ l79cm : 影片有解釋下雨光達就失效基本還是視覺作用，那下 03/25 12:24
→ l79cm : 雨可以自駕為何晴天就不能？精度較低不等於不能 03/25 12:24
→ StarburyX : 幫Lin大補充一下 Tesla是用8顆鏡頭在訓練 03/25 12:29
→ plug : 目前來看，混合影像+光達較能面對環境變數 03/25 12:34
→ l79cm : 樓上從哪裡看出來的 03/25 12:38
推 StarburyX : plug大 完全誤會這些東西的能力了 有空我發一篇 03/25 12:44
→ plug : 除了天氣，光達有反射率的差異，辨識距離會縮短， 03/25 12:46
→ plug : 還有噪訊，都會環境單純，在鄉村會搞死AI 03/25 12:48
→ plug : 舉例，90度正面，光達看鐵門300米、混凝土150、土 03/25 12:49
→ plug : 牆60，若時速90，偵測到牆要AI多遠開始煞車到停？ 03/25 12:54
推 plug : 有勞S大，我只是對air bone 跟TSLR應用有興趣 03/25 12:59
噓 lycosidae : 他的youtube 有很多謬論 當科普看就好 03/25 13:02
推 chandler0227: 主要還是在感知這塊，電腦遠不如人類，電腦99%情況 03/25 13:24
→ chandler0227: 做得比人類駕駛好，但還是卻會發生離譜錯誤 03/25 13:24
推 motan : 摻在一起就好啦，沒有影像辨識怎麼可能完全掌控路況 03/25 13:25
→ chandler0227: 主流是多感應器融合(sensor fusion)，Tesla擺明不 03/25 13:29
→ chandler0227: 用lidar，那在視覺無法辨識&濾掉毫米波雷達的靜止 03/25 13:29
→ chandler0227: 物量測資訊下，就變成災難啊 03/25 13:29
→ chandler0227: 視覺在lane tracking的應用上就很成功，但全都丟給 03/25 13:32
→ chandler0227: 視覺&深度學習，有夢最美囉 03/25 13:32
→ plug : 看到白灰的翻覆貨車頂以為是天空就不意外了 03/25 14:18
推 DaveLu : 特斯拉的戰略蠻正確的,lidar又貴整合難度又高, 03/25 16:41
→ DaveLu : 裝這個根本拖累上市時程,至於少裝的後果就打媒體戰 03/25 16:42
→ DaveLu : 解決就好 03/25 16:42
→ bill97385 : Lidar也不是萬靈丹啦！即時有lidar資訊，還是需要 03/25 19:23
→ bill97385 : 去做後處理跟分類！一樣會有分錯類的可能性 03/25 19:23
→ wellkom : 我猜馬斯克打的算盤是幾年之後顯卡晶片效能滿出來 03/26 12:45
→ wellkom : 所以他的演算法賭的是軟改硬幹 03/26 12:46
推 wisdom : 影像辨識解析度會影響判斷結果沒錯，但是電腦需要的 03/26 17:34
→ wisdom : 解晰度比你想像的要低很多就能正確判斷。人眼看起來 03/26 17:34
→ wisdom : 根本馬賽克的東西只要training正確，ANN判斷的正確 03/26 17:35
→ wisdom : 率高的讓人莫名其妙。而實際上要拉高影像解析度以現 03/26 17:35
→ wisdom : 在的技術根本也沒有太多難度，ANN即時辨識的運算需 03/26 17:35
→ wisdom : 求也根本不龐大（運算慢是在training）。所以特不拉 03/26 17:35
→ wisdom : 高光學解析度，並不是技術難以克服，更多是不需要 03/26 17:36
→ wellkom : 應該是說解析度高反而增加 training 的成本與困難度 03/26 17:43
→ wellkom : 只要對物體有一定程度的辨別度，解析度是越低越好 03/26 17:43
推 answermangtr: 光達是Lidar嗎 03/27 11:55