至顶网CIO与应用频道 05月24日 北京消息:
《车联网产业发展报告2019》显示,当前全球联网车数量约为9000万辆,预计到2020年将增至3亿辆左右,到2025年则将突破10亿辆。
车联网有广阔的发展前景,商用车领域尤其如此。
一家货车运输企业的负责人每次谈起车辆管理就非常苦恼,偷油、接私活等乱象频发,不同区域的外协车辆也需要调配和管理。接入车联网后,每辆货车每30秒回传一次数据,司机所有的驾驶过程全部显示在系统中,管理问题解决了,车队规模也快速扩大。而通过车联网调度运力,这家企业还为客户提供了最优的物流解决方案。
车联网可以对车辆的销售、金融贷款、使用、售后服务等进行全生命周期管理,跟踪车况发现哪些零部件容易损坏,并反馈到设计生产环节进行产品改善,车联网甚至可以预测汽车市场走势及经济运行情况。
在福田汽车集团副总经理宋术山看来,车企能够将车联网与整车电子电器及整车结构的深度集成,在整车数据采集与控制方面有先天优势,而且车联网产品前装能够保障整车可靠性、稳定性、安全性,将主导车联网未来的发展。
打造混合云的业务基石
成立于1996年的福田汽车是中国品种最全、规模最大的商用车企业,现已经形成了整车制造、核心零部件、汽车金融、车联网为一体的汽车生态体系。随着商用车进入新的增长阶段,福田汽车也提出了“工业4.0“战略,即“一云、四互联、五智能”。
“一云”:福田汽车采用”公有云+私有云”的混合云部署模式,公有云负责客户交互数据、车联网数据等面向互联网+内外部ToB/ToC应用的非核心数据,私有云部署包括客户、产品、销售、交易等在内的传统内部核心应用及数据。
“四互联“:通过数据交互实现工厂内部互联、企业运营管理系统互联、企业与产品互联、企业与客户互联。
“五智能”:商业智能、智能管理、智能汽车、智能工厂、智能制造。
福田汽车计划以车联网、大数据、云平台为基础,利用大数据驱动企业管理智能化,通过智能产品、智能工厂及智能制造实现大规模的客户个性化定制。福田汽车集团IT总监辛海明认为,云是整个福田汽车运营的操作系统,统一调度所有资源、服务和数据,打通核心运营系统连接工厂、产业链、客户。
最初福田汽车的车联网部署在私有云,经过近6年的发展,到2018年初,配装福田车联网的车辆总数已超过60万辆,总数据量达到400TB,每年增量达到36.5TB。随着业务的高速增长,对资源和网络环境稳定性等需求急剧增加,福田汽车开始考虑将车联网系统迁移到公有云。
公有云建立汽车连接的桥梁
车联网业务非常适合公有云的模式,一方面本地数据中心资源有限,公有云能够满足车联网业务数据快速增长对资源的要求;第二、车联网大量采用开源组件,公有云能够及时提供社区支撑解决技术难题;第三、公有云能够帮助业务快速弹性扩容,让IT人员更聚焦业务。
为了不影响业务和用户体验,福田汽车同华为云从资源、服务、管理等维度进行了整体规划,在公有云上搭建了1:1、同线下完全一致的车联网平台;在测试和切换上双方团队把网络打通,华为云通过专线搭建了高可用的动态BGP双活网络,并定制详细的切换预案,双方协作把每一个时序都演练精确到位,保证万无一失。经过一个多月的充分准备,最终只花费夜间两小时就成功割接完成,在2018年5月正式上线。最终实现了“按需使用,以租代建”,不仅资源节省非常明显,性能还得到大幅提升,“资源发放从之前的天到现在的分钟级别。”辛海明表示。
此外,福田汽车基于华为云EI服务整合了生产、销售、服务、售后、物流、质量等全价值链数据,建立分析模型,指导业务从网路布局、热销车型等方面对市场做出精准预测,同时推进客户体验的持续提升。
以维修车辆为例,车辆故障地址、环境、故障位置、救援路径等数据都能快速准确传回,救援过程全程可视,甚至能在故障发生前提前预警,相比人工收集资料和计算,车辆救援费用降低10-30%。
在刚刚结束的2019年上海车展,福田汽车与华为达成战略合作,双方将在车载计算与智能驾驶、智能网联、智能互联、智能能源、智能制造和云等领域开展深度合作,开启5G时代商用车全智能化体系建设。此外,双方将构筑福田汽车云战略,为各个系统提供安全,稳定、可弹性拓展的云化IT平台。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。