ZD至顶网CIO与应用频道 06月14日 北京消息:讲真,坐在驾驶座上的时候总会有些让人分心的事情。将注意力时刻集中在路面情况上,而非速度表、收音机或是燃油表上,是很有帮助的。通过将信息直接显示在驾驶员视野正前方,汽车抬头显示(HUD)系统已经成为提高驾驶员注意力的重要工具。
通过增加板上传感器、摄像头、以及车辆与车辆/基础设施之前的通信,车辆现在能够了解的周围环境的信息量呈几何级数增长。这些新数据让我们的挑战变为——如何将这些信息高效地传递给驾驶员。
进入HUD 2.0的世界
传统的HUD提供一个大约5度的视野(FOV),覆盖单条车道的一部分。而HUD 2.0借助于高达12度的更大FOV以及更长的虚拟图像距离(VID),让驾驶员能够看到单条车道以外的交通情况。同时,从一个小型的辅助显示器升级为一个大型的主显示屏也意味着提高图形质量的重要性,以及变化光照条件下恒定可读性的重要性。此外,FOV和VID的增加与提高也对于亮度和功效提出了更高的要求。
这恰恰是TI DLP技术的切入点——它提供一流的图像质量、出色的亮度和灵活的开发选项。
更广阔的FOV和高亮度可以为驾驶员提供易于观察的图像。为了确保变化光照条件下的可读性,这个HUD应该能够产生出一个介于15,000和30,000 cd/m2之间的虚拟图像,以便为一系列不同的路面情况和光照亮度条件提供合适的对比度。为了在尽可能降低能耗的同时实现较大的FOV和高亮度,我们需要一个高效的成像器。DLP 0.3英寸 WVGA Type A100数字微镜器件(DMD)的效率高于66%,并且使用直射式RGB LED,实现有着丰富色彩饱和度的成像。
随着HUD系统的FOV不断扩大,HUD光学元件中采集的太阳能也越来越多。此外,增加的VID使得驾驶员能够从合适的角度来查看图像,正因如此,来自太阳光中的能量也越来越多地聚焦在HUD的内部成像器上。这两点结合会造成较小的区域内聚集的过多的热量,从而对成像器带来损害。基于DLP技术的HUD系统使用漫射屏幕材料来生成HUD系统的内部图像。这样做主要有两个优势:
(1) 它不吸收太阳能——它使光线漫射
(2) 它本身不发热。
这些属性帮助系统带来更大FOV和更长VID,从而顺利升级为增强现实HUD系统。
HUD正在成为车辆人机界面(HMI)策略的重要部分,在技术被越来越深度的整合进驾驶体验中时就更是如此。随着HUD从小型辅助显示转变为大型主显示屏,用户对于图像质量、可读性和可靠性的要求也在不断提升。HUD设计人员所面临的挑战就是如何满足这些全新要求,同时面对传统车辆环境条件所带来的问题。DLP技术已经在可靠性和灵活性方面建立口碑,接下来,DLP技术将致力于成为下一代HUD系统开发的强大组件。
好文章,需要你的鼓励
Anthropic推出首个行业定制版AI产品Claude for Financial Services,专为金融行业打造。该服务基于Claude企业版,提供更高使用限制、内置数据连接器以及提示词库。新版本预装了连接FactSet、PitchBook等金融数据提供商的MCP连接器,并包含实施支持。针对金融分析师工作负载大的特点,该服务显著提升了速率限制,同时提供提示词库帮助用户更好地构建查询。
Skywork AI推出的第二代多模态推理模型R1V2,通过创新的混合强化学习方法,成功解决了AI"慢思考"策略在视觉推理中的挑战。该模型在保持强大推理能力的同时有效控制视觉幻觉,在多项权威测试中超越同类开源模型,某些指标甚至媲美商业产品,为开源AI发展树立了新标杆。
多年来,Cursor、Windsurf和GitHub Copilot等代码编辑工具一直是AI编程的标准。但随着代理AI能力增强,AI系统正从处理代码转向直接与系统终端交互。Anthropic、DeepMind和OpenAI都推出了命令行编程工具。终端工具采用更广阔视角,不仅关注代码,还涉及整个程序运行环境,包括DevOps任务。研究显示传统代码助手可能降低效率,而Warp等终端工具在TerminalBench基准测试中表现出色,能够自主处理开发者的非编码工作。
这项由北京大学等多所高校联合完成的研究,首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系,从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o,发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构,并发现其生成图像仍可被现有检测工具有效识别,为AI图像生成领域提供了重要的评估基准和技术洞察。