《加快研发智能化产品,支持自动驾驶、无人配送等技术应用》

  • 来源专题:光电情报网信息监测服务平台
  • 编译者: husisi
  • 发布时间:2022-12-21
  • 近日,中共中央、国务院印发《扩大内需战略规划纲要(2022-2035年)》(以下简称《纲要》)。展望2035年,实施扩大内需战略的远景目标是消费和投资规模再上新台阶,完整内需体系全面建立;新型工业化、信息化、城镇化、农业现代化基本实现,强大国内市场建设取得更大成就,关键核心技术实现重大突破,以创新驱动、内需拉动的国内大循环更加高效畅通。
    《纲要》提出加快培育新型消费,支持线上线下商品消费融合发展。加快传统线下业态数字化改造和转型升级。丰富5G网络和千兆光网应用场景。加快研发智能化产品,支持自动驾驶、无人配送等技术应用。发展智慧超市、智慧商店、智慧餐厅等新零售业态。健全新型消费领域技术和服务标准体系,依法规范平台经济发展,提升新业态监管能力。
    培育“互联网+社会服务”新模式。做强做优线上学习服务,推动各类数字教育资源共建共享。积极发展“互联网+医疗健康”服务,健全互联网诊疗收费政策,将符合条件的互联网医疗服务项目按程序纳入医保支付范围。深入发展在线文娱,鼓励传统线下文化娱乐业态线上化,支持打造数字精品内容和新兴数字资源传播平台。鼓励发展智慧旅游、智慧广电、智能体育。支持便捷化线上办公、无接触交易服务等发展。
    《纲要》明确要系统布局新型基础设施,加快建设信息基础设施。建设高速泛在、天地一体、集成互联、安全高效的信息基础设施,增强数据感知、传输、存储、运算能力。加快物联网、工业互联网、卫星互联网、千兆光网建设,构建全国一体化大数据中心体系,布局建设大数据中心国家枢纽节点,推动人工智能、云计算等广泛、深度应用,促进“云、网、端”资源要素相互融合、智能配置。以需求为导向,增强国家广域量子保密通信骨干网络服务能力。
    全面发展融合基础设施。推动5G、人工智能、大数据等技术与交通物流、能源、生态环保、水利、应急、公共服务等深度融合,助力相关行业治理能力提升。支持利用5G技术对有线电视网络进行改造升级。积极稳妥发展车联网。
    前瞻布局创新基础设施。支持有条件的地方建设区域性创新高地,适度超前布局建设重大科技基础设施。优化提升国家产业创新中心、国家制造业创新中心、国家工程研究中心、国家技术创新中心等产业创新基础设施,强化共性基础技术供给。
    《纲要》还强调壮大战略性新兴产业。深入推进国家战略性新兴产业集群发展,建设国家级战略性新兴产业基地。全面提升信息技术产业核心竞争力,推动人工智能、先进通信、集成电路、新型显示、先进计算等技术创新和应用。推进卫星及应用基础设施建设。发展数字创意产业。
    加快发展新产业新产品,实现科技高水平自立自强。在人工智能、量子信息、脑科学等前沿领域实施一批前瞻性、战略性国家重大科技项目。聚焦核心基础零部件及元器件、关键基础材料、关键基础软件、先进基础工艺和产业技术基础,引导产业链上下游联合攻关。
    加快推动数字产业化和产业数字化。加强数字社会、数字政府建设,发展普惠性“上云用数赋智”,不断提升数字化治理水平。建立完善跨部门跨区域的数据资源流通应用机制,强化数据安全保障能力,优化数据要素流通环境。加快数据资源开发利用及其制度规范建设,打造具有国际竞争力的数字产业集群,加大中小企业特别是制造业中小企业数字化赋能力度。积极参与数字领域国际规则和标准制定。

相关报告
  • 《自动驾驶五大核心技术包括哪些呢?》

    • 来源专题:装备制造监测服务
    • 编译者:zhangmin
    • 发布时间:2020-09-08
    • 智能制造网讯 提高交通运行效率、提升社会交通服务的智能化水平,离不开智能汽车、智慧的路和高效的监管与决策。致力于为用户提供安全、舒适、智能、高效驾驶感受的自动驾驶,离不开相应技术的支持。   车联网   目前,由人工智能和“电动化、智能化、网联化、共享化”为代表的新四化变革驱动,正在引领车联网由第一阶段向第二阶段演进,车联网从汽车内部互联、车与人的交互,慢慢延伸到车与车、车与电信设施、车与路边单元之间的信息交互。   其中,V2X无线通信技术则能够将“人-车-路-网-云”等交通参与要素有机地结合在一起不仅可以支撑车辆获得比单车感知更多信息,促进自动驾驶等技术的研发、转化、应用,还有利于支撑构建一个智慧的交通体系,促使汽车和交通服务朝着新模式业态方向发展。   激光雷达   作为自动驾驶汽车的“眼睛”,激光雷达是重要的传感器之一,对于保证自动驾驶汽车行车安全具有重要意义。激光雷达应用主要分为两个部分:一是落地到自动驾驶测试的无人车上,二是落地到汽车厂商推出的具有辅助驾驶功能的量产车上。   据《中国智能网联汽车产业发展报告(2019)》分析道,激光雷达是未来L4~L5级自动驾驶的核心传感器之一,将逐步由当前的机械旋转式向成本更低、可靠性更高的芯片化、全固态化的方向发展。   精确定位   自动驾驶汽车需要非常精确的定位。除了基于雷达,激光雷达,GNSS和摄像头的普通传感器之外,对于在城市环境中进行自动导航所需的车道级定位来说,轨迹估计也是必不可少的。当前,用于自动驾驶的高精度定位技术主要有以下三种。   其一,基于参考系统信号的绝对定位技术:具有代表性的一种是全球导航卫星系统,以及UWB、WiF、蓝牙等。其二,环境特征匹配,即基于激光雷达和视觉传感器的相对位置,将传感器观察到的特征与数据库中存储的特征进行匹配定位车辆;其三,INS系统提供航迹估计,一种基于惯性导航IMU的组合导航技术。   人机交互   人机交互技术,尤其是触摸屏、语音控制、手势识别技术,在全球未来汽车市场上有较大可能得到广泛采用。自动驾驶汽车人机界面应集成功能设定、车辆控制、信息娱乐、导航系统、车载电话等多项功能,方便驾驶员快捷地从中设置、查询、切换车辆系统的各种信息,从面使车辆达到理想的运行和操纵状态。   当然,人机界面的设计必须在好的用户体验和安全之间做好平衡。随着技术的快速成熟,车载信息显示系统和智能手机将实现无缝连接,人机界面提供的输入方式将会有更多选择的空间,用户能够采取不同操作,在不同的功能之间进行自由切换。   规划决策   决策是无人驾驶体现智能性的核心的技术,相当于自动驾驶汽车的大脑,涉及汽车的安全行驶、车与路的综合管理等多个方面。通过综合分析环境感知系统提供的信息,及从高精度地图路由寻址的结果,规划决策者可以对当前车辆进行速度、朝向等规划,并产生相应的停车、跟车、换道等决策。   与此同时,规划技术还需要考虑车辆的机械特性、动力学特性、运动学特性等。从目前来看,常用的决策技术有专家控制、模糊逻辑、贝叶斯网络、隐马尔科夫模型等。随着5G网络、车辆、路面、云端、平台等各个环节的技术不断成熟,车辆正从辅助驾驶转向自动驾驶,基于自动驾驶的协作式智能交通也日益临近。   总结:   发展智能网联与新能源汽车已经成为了行业共识,这一点在各国政府的产业政策与企业未来战略布局上取得了验证。2020年下半年,自动驾驶路测、技术研发、产品创新等方面或将取得更多新成果。 文章链接:智能制造网 https://www.gkzhan.com/news/detail/126280.html
  • 《从自动驾驶看人工智能的能与不能》

    • 来源专题:中国科学院文献情报制造与材料知识资源中心 | 领域情报网
    • 编译者:冯瑞华
    • 发布时间:2018-07-19
    • 近年来,结合了感知、融合、决策、控制的自动驾驶技术无疑是近年最火的研发领域之一。这得益于现在人工智能技术的发展,但是在ThoughtWorks大数据团队首席科学家王晓雷看来,人工智能不是万能的,深度学习也可能被“愚弄”。 在近日举行的2018 ThoughtWorks技术雷达峰会上,王晓雷进行了主题为《自动驾驶——人工智能的能与不能 》的演讲,并结合自动驾驶技术的最新发展,分享了我们对于真实世界中,关于智能算法的长处和局限性的一些思考。 从备受争议的自动驾驶谈起 2015年5月,工信部发表《中国制造2025》,将智能车联网提升到国家战略高度。至今三年时间里,各项政策层出不穷,甚至开放了包括北京上海的部分道路在内的一部分路段作为路测。然而,近来,自动驾驶汽车的安全与伦理一直备受争议,不仅发生了几起令人侧目的特斯拉自动驾驶系统事故,还在2018年3月发生一起致命事件。在该起致命事件中,Uber自动驾驶车辆与行人之间发生碰撞并导致行人死亡。这让人们不禁关注起自动驾驶技术的敏捷度、安全性、以及车企如何能够保证它万无一失。 王晓雷表示, 比起完全信息博弈,自动驾驶更像是一场司机与环境的对话。这里面涉及众多环节。比如定位与映射;场景理解;路径规划;状态感知等等 。 如此复杂的流程必须依靠包括深度学习在内的人工智能技术进行支撑,机器通过大量数据的采集与特征提取,在一定算法的基础上自主的完成优化和改进,从而最终得出一个具有统计学意义的结果。这个统计学结果的得出其实是值得探讨的。由于包括数据量不足和模型本身的种种限制,深度学习并不能实现100%的准确性。 人工智能背后是一整套算法的支持,而这些算法的优化又依赖于大量的数据进行不断的训练,从而获取到一个在训练数据上相对较好的模型,然后再利用这一模型对其他数据做出预测。在这一过程中,任何一个因素都有可能导致预测结果出现一个偏差。举一个例子,当我们试图训练一个模型来创作一行标题用以描述图片内容时,我们常常认为该模型是在“理解”图片的内容的基础上,从而产生相应的标题。然而,当轻微改变训练数据中存在的图像时,比如调制一些特制的噪声进去后,研发者会非常惊讶地发现模型开始创作完全荒谬的字幕。 通常,这类行为被强调为对抗案例,通过向深度学习网络输出错误的样本来欺骗模型。 如上图所示,我们拍摄一辆卡车,添加一个“鸵鸟”梯度噪声,则训练好的神经网络可以以很高的置信度将这辆卡车分类为鸵鸟,而人类肉眼完全无法判断这两张图片之间的区别。 这证明了深度学习模型并非万能的,它们从输入到输出映射与我们人类感知之间的深刻差异。 简而言之,深度学习模式对他们的输入没有任何理解,至少不是从人的意义上来说。我们对图像,声音和语言的理解是基于我们的运动感觉体验。然而机器人却没有这种经验,因此不能以任何以人为本的方式理解他们的驶入。通过输入大量的培训示例来训练我们的模型,我们让他们学习一个几何变换,将数据映射到这个特定的一组示例上的人类概念,但是这个映射只是我们思想中原始模型的简单草图。 这也就是现在人工智能技术发展的困境。同样,这与适用于自动驾驶技术。“现在对于人工智能的态度,两类人是恐惧的。一类是不懂的人,他们认为人工智能是破坏性的;另一类是懂的人,因为他们知道人工智能能够解决很多现实问题,但是这需要对人工智能技术有个正确的认识和用法,特别是算法的设计。 当算法应用于产品时,我们不仅仅要考虑算法是否能够实现需求,同时还必须考虑算法本身的性能和准确性,这就和算法本身的体系搭建有着密切的关系。 为你的场景找到人工智能的位置 人工智能只是一个单纯的技术,需要与对应的应用场景进行结合,自动驾驶就是典型应用。王晓雷表示,AI能做的与人类想要的交集就是我们的机会。所以,我们给人工智能找到一个合适的落地场景。为了实现这样的目标,我们需要思考以下问题: 预测的目标可以被量化吗? 与目标相关的特征可以被有效的表达吗? 指标和目标相关吗? 有足够的数据来训练模型吗? 不可否认,人工智能代表着未来的方向。但是在生活中,除了在某些特定的场景(自然语言处理和计算机视觉)使用到外,人们还无法感受到它的存在和意义。目前人工智能还远没有达到一个被公众所大范围接受的地步,因为它真正缺失的也是最核心的东西,正是用户场景。更准确地来说是接地气的用户场景。 在当前,随着CNN、RNN等算法成熟和GPU对计算能力的提高,现今人工智能所需要面临的是如何使应用深化,从而对产业发起变革。特别是场景化、标签化的数据获得是人工智能应用落地的关键。我们以安防为例,在深度学习、计算机视觉算法开源化的大趋势下,具有特征性的场景数据集的获得,是对安防行业人工智能视频分析技术真正落地应用的关键。 1956年,美国达特茅斯大学会议标志着人工智能研究的正式诞生,推动了了全球第一次人工智能浪潮。但这一次人工智能的春天只持续了20年,原因是当时过于重视算法和方法论,而导致了人工智能在处理问题范围的局限性。 如今,人工智能研究的发展已经历了六十多年的沉浮,从硬件的计算能力、到深度学习算法、计算机视觉技术和自然语言处理等各领域都有了本质上的飞跃,人工智能已经从一个学术层面上的探索发展成一种可推动产业结构变革的新兴生产方式。 在这样的情况,整个社会需要正视人工智能技术,拥抱人工智能,推动其在行业中的落地,而问题是在发展中解决的,我们不能因噎废食。相信未来人工智能在整个产业革新方面发挥越来越重要的作用。