5 روش شبکه شارژ EV می تواند تجربه کاربر را بهبود بخشد

#3 به مادربزرگ فکر کنید

عکس ارنست اوژه در Unsplash

آخرین تجربه پمپ بنزین شما چگونه بود؟ به احتمال زیاد قصد ندارید به پمپ بنزین بروید. تازه وقتی از سر کار برمی گشتید متوجه شدید که بنزین کم دارید ، شاید حدود یک چهارم تانک ، و بنابراین به پمپ بنزین رفتید که کمتر از 5 مایلی خانه شما فاصله دارد ، و کشیدید. یکی از 4-16 نقطه پمپاژ از ماشین پیاده شده و به پمپ رفته و کارت اعتباری خود را وارد کنید. شما نوع سوخت مورد نظر خود را انتخاب کرده و سپس پمپ را برداشته و داخل ماشین خود قرار داده اید. شما شروع به سوخت گیری خودرو خود کردید و سپس حداکثر 5 یا 10 دقیقه در کنار ماشین خود منتظر ماندید. پس از اتمام کار ، پمپ را دوباره در کیف خود قرار داده و سوار ماشین خود شدید. کل تجربه احتمالاً کمتر از 15 دقیقه طول کشید بدون توجه به پمپ بنزین شما در ایالات متحده.

حالا بیایید به تجربه شارژ خودروهای برقی فکر کنیم.

اگر در حال رانندگی هستید یک وسیله نقلیه الکتریکی ، احتمالاً برای سوخت گیری خود بسیار بیشتر از گذشته برنامه ریزی کرده اید. ممکن است هر شب در خانه یا هر روز در ایستگاه شارژ واقع در محل کار خود شارژ کنید. اگر در خانه یا محل کار خود شارژ نمی کنید ، احتمالاً متوجه شده اید که تعداد انگشت شماری ایستگاه شارژ سریع در فاصله 20 مایلی محل زندگی شما وجود دارد. قبل از اینکه خودروی برقی خود را خریداری کنید ، احتمالاً شارژرهای سریع را در آن منطقه جستجو کرده اید و شارژرهایی را که هنگام رانندگی در خارج استفاده می کنید مشخص کرده اید.

وقتی از ایستگاه های شارژ سریع استفاده می کنید ، می دانید در بعضی از نقاط فقط 1 تا 4 شارژر در هر ایستگاه وجود دارد ، بنابراین می توان تصور کرد که اگر برای دریافت شارژ سریع ظاهر شوید ، ممکن است شارژری در دسترس شما نباشد. و وقتی این اتفاق می افتد ، نمی دانید که آیا 5 دقیقه یا یک ساعت منتظر می مانید تا شخص مقابل شما شارژ خود را به پایان برساند.

هنگامی که به یک نقطه شارژ بستگی دارید ، بسته به شرایط شبکه را شارژ می کنید ، یا برنامه را باز می کنید ، کارت شبکه خود را بکشید یا کارت اعتباری خود را بکشید. سپس امیدوارم بدانید که کدام شارژر با ماشین شما سازگار است. شما وصل کنید و سپس منتظر بمانید. اگر در حال تلاش برای پر کردن خودروی بنزینی هستید ، احتمالاً 45 دقیقه تا یک ساعت منتظر بمانید تا ماشین شما شارژ شود. پس از اتمام کار ، سوار ماشین می شوید و به خانه می روید ، که احتمالاً بیش از 5 مایل با آن فاصله دارد. بارزترین نقطه درد این است که چقدر طول می کشد تا خودرو شارژ شود. این چیزی است که همه تولید کنندگان وسایل نقلیه الکتریکی سعی در حل آن دارند. در مورد شماره نیز مشکلی وجود داردشارژرها و مجاورت شارژرها با مراکز شهری و حومه ای. اما در مورد تجربه کاربر در مورد شارژ در محل فروش نیز مشکلاتی وجود دارد.

در اینجا 5 راه وجود دارد که شبکه های شارژ خودروهای برقی می توانند تجربه کاربری شارژ خودروهای برقی را بهبود بخشند.

#1 کاهش اصطکاک پرداخت - بسیاری از شبکه های شارژ وسایل نقلیه الکتریکی مدل های عضویت با کارت های مخصوص خود را ایجاد کرده اند که کاربران می توانند برای پرداخت آنها را بکشید. شبکه های شارژ همچنین برنامه هایی را توسعه داده اند که کاربران می توانند از طریق آن هزینه پرداخت کنند. این کارت ها و برنامه ها فقط باعث می شود تجربه شارژ EV ناسازگار باشد. چرا از کارت اعتباری مانند سایر موارد استفاده نکنید؟ شبکه های شارژ که دارای هزینه های بیکار و عضویت در سطوح مختلف هستند ، اصطکاک بیشتری از آنچه لازم است ایجاد می کنند. هنوز می توان از برنامه ها برای وضعیت شارژ و سایر ویژگی ها استفاده کرد ، اما پرداخت باید از طریق کارت های اعتباری انجام شود.

#2 استفاده از شارژر استاندارد - این باید اجتناب ناپذیر باشد. تولیدکنندگان وسایل نقلیه الکتریکی باید از یک شارژر استاندارد استفاده کنند و سپس هر شبکه شارژ باید خود را وفق دهد تا فقط از آن شارژر استفاده کند. اگر می خواهیم وسایل نقلیه الکتریکی به طور گسترده مورد استفاده قرار گیرد ، نمی توان انتظار داشت که کاربران اکوسیستم محلی شارژ خود را به خوبی یاد بگیرند تا بدانند انواع مختلف شارژرها کجا هستند. پذیرندگان اولیه به وضوح متوجه خواهند شد ، اما عموم مردم در صورت عدم شارژ فراگیر از خودروهای برقی رویگردان خواهند بود.

#3 به مادربزرگ فکر کنید - شارژرها و کابل های متصل به آنها سنگین هستند. آیا واقعاً فکر می کنیم افراد مسن تجربه خوبی از استفاده از اینها خواهند داشت؟ ما باید از طراحی ایستگاه های شارژ سبک تر و ارگونومیک تر حمایت کنیم. تمرین "درباره مادربزرگ فکر کنید" همچنین تجربه را برای دیگران ، نه فقط مادربزرگ ، بهبود می بخشد.

#4 سرگرم کنید و آموزش دهید - شما حداقل 30 دقیقه مخاطب کم و بیش اسیری دارید. شبکه های شارژ باید از این زمان برای سرگرمی و آموزش استفاده کنند. ایستگاه های شارژ اساساً می توانند سالن های سینمای کوچک درایو باشند. چرا سوخت گیری باید یک کار سخت باشد؟ اگر مالکان وسایل نقلیه الکتریکی وقت خود را وقف انجام وظایف خود در محیط زیست می کنند ، آیا نباید با ارائه سرگرمی های تجاری رایگان به آنها پاداش دهیم؟ بله ، باید. تا زمانی که صدها هزار ایستگاه شارژ دیگر نداریم ، صاحبان وسایل نقلیه الکتریکی باید به شبکه های شارژ اطمینان داشته باشند. باید بدانیم که وقتی ظاهر می شویم ، شارژرها کار می کنند. در برنامه به ما اطلاع دهید که شارژر خارج از سرویس است خوب است ، اما بهتر است شبکه های شارژ بتوانند زمان خرابی را تا حد ممکن به صفر برسانند.

اگر خودروی برقی هیچ کس نتواند از پس آن برآید ، خودروی برقی به چه درد می خورد؟ خودروهای برقی ارزان در افق
[ بازدید : 22 ] [ امتیاز : 3 ] [ نظر شما : ]

اگر خودروی برقی هیچ کس نتواند از پس آن برآید ، خودروی برقی به چه درد می خورد؟ خودروهای برقی ارزان در افق

منبع

برای بسیاری سالها ، اعتراض قابل اعتماد به خودروهای برقی این بود که آنها نباید تمیزتر باشند زیرا شبکه تنها 30 درصد منابع پاک (با توجه به گازهای گلخانه ای) و مابقی گاز طبیعی و زغال سنگ است. این استدلال رد شده است.

زمان تصادف با ماشین…
[ بازدید : 19 ] [ امتیاز : 3 ] [ نظر شما : ]

زمان تصادف با ماشین…

"ماشین سبز قدیمی در جاده ”توسط Court Prather on Unsplash

سال 1997 بود و این زمانی بود که من در هر فرصتی که داشتم دوچرخه سواری می کردم. من اعتقاد دارم که اواخر ماه مارس بود و به سمت بهار حرکت می کرد. بعد از یک زمستان خفته طولانی مدت بهتری برای دوچرخه سواری وجود ندارد. زمستان های غربی ما طولانی ، خشک و به شدت سرد است.

خیالم راحت شد که سوار دوچرخه شدم و در هوای هنوز خنک و در عین حال طراوت نفس می کشم.

هک کردن کلید خودرو با حمله رولجام
[ بازدید : 21 ] [ امتیاز : 3 ] [ نظر شما : ]

هک کردن کلید خودرو با حمله رولجام

این روزها اکثر خودروها دارای یک کلید اصلی هستند که قفل درها را از راه دور باز می کند ، صندوق عقب را باز می کند و حتی گاهی اوقات موتور را روشن می کند. به دلایل واضح ، فوب های کلیدی فوق العاده راحت هستند و چیزی است که اکثر مردم هنگام خرید یک ماشین جدید یک ضرورت می دانند. اما این راحتی با یک احتمال هک کوچک همراه است. Gonçalo Nespral راهنمایی در مورد نحوه انجام دقیق آن دارد-البته برای اهداف آموزشی ، این کار را با ماشین شخص دیگری انجام ندهید!

این در واقع بازآفرینی سوءاستفاده قبلی است که توسط سامی کامکار نشان داده شد ، به نام حمله رولجم. وقتی دکمه باز کردن قفل را روی کلید خود فشار می دهید ، یک سیگنال رادیویی تعدیل شده ارسال می شود که توسط گیرنده ای در ماشین دریافت می شود. اگر کد تعدیل شده با خودرو مطابقت داشته باشد ، قفل آن باز می شود. اما هک کردن آن بدون هیچگونه امنیت اضافی بسیار آسان است. تنها کاری که یک هکر کلاه سیاه باید انجام دهد این است که سیگنال رادیویی را ضبط کرده و سپس بعداً پخش کند-یک حمله مجدد کلاسیک.

برای جلوگیری از این امکان ، کلیدهای مدرن مدرن از یک سیستم کد نورد استفاده می کنند. هر بار که دکمه باز کردن را فشار می دهید ، کلید فوب از یک الگوریتم برای ایجاد یک کد جدید استفاده می کند. این خودرو از الگوریتم یکسانی برخوردار است و هر بار که یک الگوریتم جدید تولید می شود ، کدهای قدیمی کنار گذاشته می شوند. این امر باعث می شود هکرها به سادگی حمله مجدد را انجام ندهند ، اما سیستم همچنان دارای آسیب پذیری است ، چیزی که حمله رولج کامکار از آن استفاده می کند.

حمله رولجم با ضبط و مسدود کردن سیگنال رادیویی از کلید فوب کار می کند. از آنجا که سیگنال مسدود شده است ، ماشین باز نمی شود و صاحب آن به طور طبیعی دوباره امتحان می کند. این یک سیگنال دوم ایجاد می کند که ضبط و مسدود می شود ، اما این بار مهاجم اولین کد را باز می کند تا قفل در را باز کند. مالک عاقل تر نیست ، اما در حال حاضر مهاجم کد بعدی را در دنباله می شناسد - که هنوز منقضی نشده است - و می تواند از آن برای باز کردن قفل ماشین در زمان آزاد خود استفاده کند.

نسپرال تنها با چند جزء ساده توانست آن حمله رولجام را بازسازی کند. از YARD Stick One برای گرفتگی سیگنال رادیویی اصلی و انتقال سیگنال جدید استفاده می شود ، در حالی که از RTL-SDR (Radio-Defined Radio) برای ضبط سیگنال اصلی استفاده می شود. نسپرال با یک لپ تاپ و چند ابزار نرم افزار منبع باز ، حمله رولجم را با موفقیت روی ماشین خود انجام داد.

شما زمین گیر شده اید. و ما کلیدهای خودرو را دور می زنیم
[ بازدید : 21 ] [ امتیاز : 3 ] [ نظر شما : ]

شما زمین گیر شده اید. و ما کلیدهای خودرو را دور می زنیم

شبکه امیدیه نظر خود را در مورد ایجاد یک اکوسیستم فناوری عادلانه و رقابتی با محدود کردن قدرت بالای فناوری

توسط Anamitra Deb and Gus روسی ، شبکه امیدیار

این ماه ، فیس بوک و یوتیوب گوگل به ترتیب 16 و 15 ساله می شود. در این زمان ، آنها صاحب زیرساخت های اساسی شده و آنها را اداره می کنند ، خدماتی را ارائه می دهند که سایر شرکت ها به آن وابسته هستند و در بازارهای چند جانبه شرکت می کنند. اکثر آنها موافقند که مسئولیت زیادی برای یک نوجوان است.

تا کنون ، غول های فناوری به خوبی کار کرده اند و از نظارت معنادار "والدین" اجتناب می کنند. خودنظم دهی به آنها این امکان را می دهد تا به شیوه های قدرتمندی عمل کنند که به گفتمان سیاسی و نهادهای اجتماعی ما آسیب رسانده ، کارآفرینی و نوآوری را خفه کرده و از آزادی ها و حقوق بسیاری از مردم عادی که از بسترهای خود استفاده می کنند-و آنها را "دوستان" می نامند ، سوء استفاده کرده اند. این قدرت متمرکز و غیر قابل حساب باید بررسی و متعادل شود.

نوجوانان به قوانین اساسی احتیاج دارند که ایمنی ، اعتماد و رفتار خوب را تضمین کند. در این مورد ، رقابت ، حفاظت از حریم خصوصی ، استانداردهای محتوا و کاربران توانمند - همه چیزهایی که فناوری بزرگ علیه آن قیام کرده است - قوانین اساسی لازم برای یک جامعه امن ، عادلانه و فراگیر و یک اقتصاد قوی و عادلانه است.

ریشه همه مسائل فنی: قدرت کنترل نشده

هر والدینی به شما می گویند که نوجوانان در سن رانندگی باید این مسئولیت را به عهده بگیرند. هیچ کس به اندازه سیستم عامل های اصلی فناوری ، کلیدهای خودرو را به کسی که اعتماد «مسافران» خود را شکسته است ، واگذار نمی کند.

امروز ، ما دیدگاه خود را در مورد نحوه مدیریت بهتر فناوری به اشتراک می گذاریم ، قدرت غول های فناوری را محدود کنید و قوانین راه را برای آینده شکل دهید.

اطلاعات گسترده ، اطلاعات غلط آنلاین و تبعیض الگوریتمی علیه گروه های آسیب پذیر و همچنین تاکتیک های مشکوک برای از بین بردن رقابت و تمرینات نظارتی فراگیر گواه این است که شرکت های فناوری غالب به نفع بیشتر مردم کار خود را متوقف کرده اند. و مبالغ قابل توجهی را برای لابی تصمیم گیرندگان ، اجرای کمپین های روابط عمومی و انتخاب و یا مشروط کردن صداهای مستقل برای جلوگیری از پرداختن به این مسائل سرمایه گذاری می کنند. ما به تازگی در نه سازمان سرمایه گذاری کرده ایم تا به عنوان وزنه متقابل نفوذ آنها عمل کرده ، راه حل های مهم سیاست را پیش ببریم و به بازگرداندن کنترل و اعتماد عموم مردم بر صنعت فناوری کمک کنیم.

ما معتقدیم که همه مردم - از جمله آنها کسانی که از فناوری استفاده می کنند یا مستقیماً تحت تأثیر شیوه های تجاری این شرکت ها قرار می گیرند - باید در نحوه عملکرد این سیستم عامل ها نظر داشته باشند. و ما با این عدم تعادل قدرت روبرو هستیم که متخصصان مستقل را قادر می سازد تا آگاهی خود را از آسیب های سیاسی ، اجتماعی و اقتصادی ناشی از فناوری های غالب فناوری افزایش داده و سلطه آنها را بر داده ها ، بازارها و تصمیم گیری به چالش بکشند. با جدیدترین پشتیبانی ما ، چندین گروه منافع عمومی ظرفیت بیشتری برای ایجاد تحقیقات جدید ، کار بر روی کنترل و توازن ، فعالیت به عنوان ناظران ، سازماندهی کمپین ها ، و شامل صداهای حاشیه ای تاریخی در توسعه راه حل ها خواهند داشت. این سازمانها عبارتند از: > صندوق اقدام آزاد مطبوعاتی صندوق اقدام بازارهای باز موسسه فناوری باز در بنیاد آمریکای جدید شهروندان عمومی عمومی دانش

پایدار ، تغییر سیستم بر روی گلوله های نقره ای

تسلط کنونی سیستم عامل ها بر بازاراثربخشی فرایندهای دموکراتیک ما ، چه کسانی از اقتصاد سود می برند و از آزادی های آنها محافظت می شود. و همانطور که دیدیم ، هنگامی که به آنها اجازه داده می شود قوانین را تعیین کنند ، بیشتر به رشد ، سود و نفوذ سیاسی توجه می کنند تا اینکه چگونه برای برخی مزایا و برخی دیگر را کنار می گذارند. توانمندسازی افراد با سوء استفاده از داده های افراد ؛ و توانمندسازی بازیگران بد برای آسیب رساندن به افراد از نظر احساسی ، جسمی و مالی در بسترهای خود.

زمان آن رسیده است که قدرت این سکوها را مهار کرده و شرکت های فناوری را در قبال نقش خود در دامن زدن به نابرابری و ایجاد اقدامات مضر پاسخگو بدانیم. در "قدرت کنترل نشده: ریشه مسائل بزرگ فناوری" ما چندین درمان خاص را ارائه کرده ایم. با راه هایی که می توانیم درک بهتری از آسیب های ایجاد شده از طریق این سیستم عامل ها داشته باشیم. ما همچنین به یک جعبه ابزار متنوع از راه حل ها نیاز داریم-نه تنها اقدامات ضدتراست و مقررات طرفدار رقابت ، بلکه حفاظت از حریم خصوصی و استفاده از داده ها ، استانداردهای محتوا بهتر ، و خطوط نظارت عمومی به طور واضح و پایدار.

ما فرصت های زیادی را در دو سال آینده برای به چالش کشیدن روایات صنعت محور مشاهده کنید. آموزش سیاست گذاران درباره معضلات پیچیده فناوری های نوظهور و همچنین تأثیرات منفی بر حوزه های انتخابیه آنها ؛ و قوانین موجود را اجرا کند. در این سال انتخاباتی ، ما این ایده ها را گسترش داده و تقویت می کنیم و از سازمان ها در آزمایش آنها در حوزه های قضایی کلیدی حمایت می کنیم و در عین حال راه حل های نوپایی را پیدا می کنیم که بیشتر تجربی و خلاق هستند تا نقاط قوت اصلی را در این فضا جمع آوری و تنوع بخشند.

< p> توانمندسازی مردم ، نه پلتفرم ها

ما معتقدیم که امروز فرصت مهمی برای حرکت گسترده تری برای ایجاد اراده ، محیط و شرایط برای یک صنعت فناوری مسئولتر وجود دارد که به افرادی که از فناوری استفاده می کنند احترام می گذارد. .

در تجزیه و تحلیل ما ، ما بسیاری از سازمان هایی را که روایت شرکت های فناوری پیشرو را به چالش می کشند و شواهدی را برای اقدام اجباری ارائه می دهند ، برجسته کرده ایم. در راستای حمایت از پلتفرم پاسخگویی ، شبکه امیدیار شخصاً در موسسه بازارهای باز ، دانش عمومی و پروژه تورن آرنولد ییل ، ​​به رهبری دکتر فیونا اسکات مورتون سرمایه گذاری کرده است. ما همچنین به صندوق مبارزه با انحصار ، به رهبری کریس هیوز ، بنیانگذار فیس بوک کمک کرده ایم تا به عنوان یک مرکز پاکسازی برای تحقیقات دانشگاهی ، حمایت از سیاست ، قصه گویی و اقدامات مردمی عمل کند. و ما از طریق نه سرمایه گذار جدید خود به نامهای فوق در تغییر صداها و تجربیات آنها توسط سیاست گذاران ایالات متحده در این زمینه ، کمک می کنیم.

ما دیگران را تشویق می کنیم تا به این جنبش بپیوندند و کمک کنند:

قوانین و مرزهای مشخصی را برای پلتفرم های قدرتمند تعیین کنید محیطی را ایجاد کنید که در آن نوآوری و ایده های جدید شکوفا شود صدایی معنادار برای مردم در نحوه تعامل فناوری و جامعه تضمین کند. < p> درباره وزنه های متقابل قوی و متنوع بیشتر بیاموزید که شبکه امیدیار پیشنهاد می کند قدرت سیستم عامل های فناوری را در دیدگاه تازه منتشر شده ما به چالش بکشد.

امتیاز دهی به پیش بینی های خودروهای 2019 من
[ بازدید : 31 ] [ امتیاز : 3 ] [ نظر شما : ]

امتیاز دهی به پیش بینی های خودروهای 2019 من

< p> به طور معمول ، من 2020 را با نگاهی به پیش بینی هایی که در ابتدای سال 2020 داشتم ، به پایان می رسانم. به جز ... من هیچ پیش بینی ای در ابتدای سال 2020 نکردم. من یک سال را حذف کردم ، بنابراین مجبورم دو سال به عقب بازگردید تا به پیش بینی هایی که در ابتدای سال 2019 انجام دادم ، نگاهی بیندازید.

به دنبال مثال اسکات الکساندر ، احتمالات را به پیش بینی های خود اختصاص می دهم. این امکان ارزیابی دقیق تر از پیش بینی های من را فراهم می کند. متأسفانه به ثمر رساندن پیش بینی های یک ساله دو سال بعد ، این تمرین را باطل می کند ، اما ما این کار را ادامه می دهیم. در جهان.

90٪ مطمئن

vehiclesخودروهای خودران سطح 4 ، حداقل در حالت آزمایشی ، در جایی در ایالات متحده در راه خواهند بود. learningیادگیری عمیق همچنان ابزار اصلی طبقه بندی تصویر خواهد بود. drivers رانندگان انسانی در تمام جاده های عمومی در ایالات متحده مجاز خواهند بود. oهیچ ماشینی برای فروش در هیچ کجای دنیا شامل ارتباط وسیله نقلیه به چراغ راهنمایی و رانندگی نخواهد بود. [شاید در حال حاضر این در چین صادق است؟] +C ++ زبان برنامه نویسی غالب برای خودروهای خودران خواهد بود. deliveryتحویل پهپاد خودکار به صورت تجاری در هر نقطه از جهان در دسترس خواهد بود. [Google و Walmart خلبانان خود را اعلام کردند-مشخص نیست که آیا این خلبانان در حال حاضر در حال انجام هستند یا نه.]

80٪ مطمئن

cars سطح 4 اتومبیل های خودران برای عموم در دسترس خواهد بود (با یا بدون اپراتور ایمنی) در جایی در ایالات متحده. ayWaymo بیش از هر شرکت دیگری مایل با رانندگی خودران (در تمام دوران) ثبت کرده است. vehicles خودروهای سطح 4 ، حداقل در حالت آزمایشی ، بدون اپراتور ایمنی ، در جایی در ایالات متحده کار خواهند کرد. vehicleهیچ وسیله نقلیه ای که برای عموم مردم قابل فروش باشد با لیدار نصب شده توسط نصب شده عرضه نمی شود. [من فکر می کنم آئودی A8 هنوز لیدار دارد ، اما مشخص نیست. ولوو خودروهای مجهز به Luminar را معرفی کرد ، اما آنها هنوز تولید نشده اند.] techniqueهیچ تکنیک غالب برای برنامه ریزی حرکت شهری ظاهر نمی شود.

70٪ موارد خاص

vehicles وسایل نقلیه سطح 4 در جایی در اروپا در دسترس عموم قرار می گیرد. vehicles وسایل نقلیه سطح 4 در جایی در چین در دسترس عموم قرار می گیرد. nیک شاتل مستقل که در جاده های عمومی حرکت می کند ، در جایی از جهان برای عموم آزاد خواهد بود. [به نظر می رسد که باید درست باشد ، اما مطمئن نیستم کجاست. شاتل های عمومی از May Mobility و Navya به صورت دوره ای ظاهر می شوند ، اما به نظر می رسد که همیشه تعاملات کوتاه مدت هستند.] ✓یک شرکت در درجه اول به دلیل قابلیت خودروهای خودران با ارزش بیش از 100 میلیون دلار خریداری می شود. [Luminar ، Uber ATG ، Zoox ، اگرچه همه آنها در نوع خود موارد خاصی هستند.] deliveryتحویل مواد غذایی از طریق وسایل نقلیه خودران ، بدون اپراتور ایمنی ، در سراسر جهان در دسترس خواهد بود.

60٪ مطمئن

oخودروهای خودران سطح 4 در دسترس نیست عموم مردم ، بدون اپراتور ایمنی ، در هر نقطه از ایالات متحده. esتسلا بهترین عملکرد سیستم پیشرفته راهنمای راننده را در اختیار عموم قرار می دهد. ["بهترین عملکرد" ​​ذهنی است. رتبه بندی های مختلف ، تسلا خودکار و رانندگی کامل را کاهش داده است ، که عمدتا به دلیل ارتباط ضعیف و نظارت بر راننده است. اما به نظر من تسلا هنوز به وضوح پیشتاز ADAS است.] llتمامی وسایل نقلیه سطح 4 عمومی از لیدار استفاده می کنند. ✗یک نفر از عموم مردم در برخورد با وسیله نقلیه خودران سطح 4 (از جمله اگروسیله نقلیه مستقل مقصر نیست). [نه اینکه از اول ژانویه 2019 از آن مطلع هستم] carsخودروهای خودران در جایی در هند در دسترس عموم قرار خواهند گرفت. [نه اینکه من می دانم.]

50٪ مطمئن

vehicleیک وسیله نقلیه سطح 3 در جایی در جهان برای عموم مردم فروخته می شود. [آئودی در این مورد عقب نشینی کرده است. ولوو اعلام کرده اما هنوز تحویل داده نشده است.] سخت افزار کامل خودران تسلا شامل رایانه ای با طراحی سفارشی خواهد بود. mazآمازون با استفاده از وسایل نقلیه خودران تحویل های معمول (به عنوان مثال غیر تظاهرات) را انجام می دهد. [ظاهراً پیشاهنگ هنوز در حال آزمایش تحویل است ، اما آنها کاملاً زیر رادار هستند و من هنوز آنها را "عادی" نمی دانم] ✓یک شرکت در درجه اول به دلیل قابلیت های خودروهای خودران با ارزش بالای 1 میلیارد دلار خریداری می شود. [Zoox ، اگرچه این چیزی نیست که من در زمان پیش بینی آن انتظار داشتم.] woدو مورد از سه بزرگ آمریکا و سه بزرگ آلمان (یعنی دو مورد از شش) ادغام می شوند.

ارزیابی

ارزیابی پیش بینی های یکساله در یک افق دو ساله در واقع نیست دقیق است ، اما نحوه گلزنی من به این شکل است.

70٪ اطمینان = 40٪ دقت

60٪ اطمینان = 40٪ دقت

50٪ اطمینان = 40٪ دقت

نمودار به طور ایده آل باید یک خط مستقیم به بالا و راست باشد. در عوض ، نمودار من به این شکل است.

نه وحشتناک ، اما مطمئناً فضای بهبود وجود دارد.

با نگاهی به آنچه اشتباه کردم ، به نظر می رسد دو سال پیش-دیوید فکر می کرد آزمایش عمومی گسترده تری از وسایل نقلیه سطح 4 (اروپا!) هند! تحویل ها! مرگ و میر!) اما همه با اپراتورهای ایمنی. در عوض ، ما شاهد پیشرفت مداوم و محتاطانه (مایل های بیشتر ، حذف راننده ایمنی) توسط بزرگترین شرکت ها در بازارهایی هستیم که قبلاً در آن فعالیت می کردند.

پیش بینی بهتر در سال آینده!

این اتفاق برای من افتاد
[ بازدید : 30 ] [ امتیاز : 3 ] [ نظر شما : ]

این اتفاق برای من افتاد

تصادف خودرو چگونه است

من هنوز در حال پردازش هستم

عکس توسط شوهر نویسنده گرفته شده است.

اخطار ترغیب: شامل توصیفی از تصادف رانندگی است.

زمان کاهش یافته است پایین

به تازگی ، من و شوهرم در تصادف رانندگی قرار گرفتیم. از یک ناهار لذت بخش یکشنبه به خانه می رفتیم. من جایزه ویژه ام را گرفتم - نان پاندال از رستوران. این…

LeEco Concept Car Driving Concept Car
[ بازدید : 31 ] [ امتیاز : 3 ] [ نظر شما : ]

LeEco Concept Car Driving Concept Car

< p> شریک ما LeEco به تازگی خودروی مفهومی LeSEE خود را در سان فرانسیسکو رونمایی کرد.

ظاهراً برخی مشکلات مربوط به حمل و نقل خودرو از اروپا وجود داشت ، اما این موارد رخ می دهد.

< اگر به خودروهای مفهومی علاقه دارید ، این یک خودروی آینده نگر است. اینجا می توانید بیشتر بخوانید.

تقسیم بندی معنایی-مهندس اتومبیل خودران Udaity نانو درجه
[ بازدید : 18 ] [ امتیاز : 2 ] [ نظر شما : ]

تقسیم بندی معنایی-مهندس اتومبیل خودران Udaity نانو درجه

این پروژه از مفاهیم یادگیری عمیقی که در دوره اول نانو درجه Udacity آموخته شده استفاده می کند. این مقاله یکی از مفاهیم مهم در بینایی رایانه ، تقسیم بندی معنایی را توضیح داده و پیاده سازی می کند.

1. تقسیم بندی معنایی

برای چند دهه تقسیم بندی تصویر یک کار پیچیده در بینایی رایانه بود. اکنون با یادگیری عمیق آسان تر شده است. تقسیم بندی تصویر با طبقه بندی تصویر متفاوت است. در طبقه بندی تصویر ، فقط اشیایی را که دارای برچسب های خاص مانند اسب ، اتومبیل ، خانه و غیره است طبقه بندی می کند که در آن الگوریتم تقسیم بندی تصاویر نیز اشیاء ناشناخته را تقسیم بندی می کند. تقسیم بندی تصویر نیز به عنوان تقسیم بندی معنایی شناخته می شود. این پیوند تفاوت عمده بین طبقه بندی و تقسیم بندی را به خوبی توضیح می دهد.

تقسیم بندی معنایی درک یک تصویر در سطح پیکسل است. به عبارت دیگر ، هر پیکسل به یک کلاس خاص در تصویر اختصاص داده شده است.

تصویر اصلی (منبع) بعد از تقسیم بندی (منبع)

قبل از تأثیر یادگیری عمیق در بینایی رایانه ، سایر روشهای یادگیری ماشین مانند جنگل تصادفی که برای تقسیم بندی استفاده می شد.

اخیراً ، شبکه عصبی کانولوشن (CNN) در طبقه بندی تصویر در گذشته.

CNN

در ساختار معمولی CNN ، لایه ورودی و سپس لایه کانولوشن ، سپس برای طبقه بندی تصویر به لایه کاملاً متصل به دنبال softmax متصل می شود. CNN باید طبقه بندی کند که آیا تصویر دارای شیء خاصی است ، اما پاسخ دادن به اینکه "شی در تصویر کجاست" دشوارتر است. این به این دلیل است که لایه کاملاً متصل اطلاعات مکانی را حفظ نمی کند. مدل زیر راه حل مشکل فضایی با لایه های متصل است.

شبکه کاملاً متحول (FCN)

FCN

لایه تجمع نیز یکی از مشکلات اصلی است ، جدا از لایه کاملاً متصل ، در CNN برای حفظ اطلاعات فضایی. لایه جمع آوری می تواند زمینه را جمع آوری کرده و اطلاعات "کجا" را کنار بگذارد. اما در تقسیم بندی معنایی ، ما باید زمینه "where" را حفظ کنیم تا هر پیکسل را به کلاس شی مربوطه ترسیم کنیم.

FCN

به منظور مقابله با این موضوع از معماری رمزگشای-رمزگشایی استفاده می شود که در آن رمزگذار بتدریج بعد فضایی را با ترکیب لایه ها کاهش می دهد و رمزگشا به تدریج جزئیات شی و ابعاد فضایی را بازیابی می کند. به همچنین از پرش از اتصالات رمزگذار به رمزگشا برای کمک به رمزگشایی بهتر بازیابی جزئیات شی استفاده کنید.

همانطور که در تصویر بالا نشان داده شده است ، FCN یکی از آن نوع معماری است که لایه کاملاً متصل را با رمزگشا جایگزین می کند.

رمزگذار

این شامل لایه های کانولوشن است که به جای لایه های کاملاً متصل به هم ، یک لایه پیچشی 1x1 متصل شده اند. در حقیقت ، بسیاری از مدلهای FCN از پیاده سازی FCN-8 برگرفته از این مقاله

رمزگذار FCN-8 مدل VGG16 است که برای طبقه بندی بر روی ImageNet از قبل آموزش داده شده است.

رمزگشایی

رمزگشایی قسمت دوم FCN است که در آن خروجی رمزگذار را با استفاده از مجموعه ای از پیچیدگی های جابجا شده نمونه برداری می کنیم.

اجرای معمولی یک لایه نمونه برداری به شرح زیر است:

 output = tf .layers.conv2d_transpose (input، num_classes، 4، strides = (2، 2)) 

لایه های متحرک جابجایی ابعاد ارتفاع و عرض تنسور ورودی 4 بعدی را افزایش می دهند.

رد شدن اتصال

منبع: https://stackoverflow.com/questions/45976166/loss -notololing-when-use-skip-connections

اتصال پرش راهی برای حفظ اطلاعات از بین رفته از طریق رمزگذار است. خروجی لایه یکپارچه سازی از رمزگذار همراه با خروجی رمزگشایی لایه اول با استفاده از یک عملیات افزودن عاقلانه. سپس به آن تغذیه می شودلایه بعدی رمزگشایی در نتیجه ، شبکه می تواند تصمیمات دقیق تری برای تقسیم بندی اتخاذ کند. /p>

# مطمئن شوید که شکل ها یکسان هستند!
skip1 = tf.add (conv_1x1_4th_layer، upsampling1، name = "skip1") 

سپس می توانیم این کار را با یک لایه متحرک دیگر منتقل کنیم.

 upsampling2 = tf.layers.conv2d_transpose (skip1 ، num_classes، 4، strides = (2، 2)، padding = 'same'، kernel_regularizer = tf.contrib.layers.l2_regularizer (1e-3)، name = 'upsampling2') 

ما این کار را با خروجی لایه سوم جمع آوری مجدد تکرار کنید.

 skip2 = tf.add (conv_1x1_3th_layer، upsampling2، name = "skip2") 

طبقه بندی و ضرر

آخرین توقف تعریف ضرر است که به ما در آموزش FCN کمک می کند درست مانند آموزش در CNN.

هدف FCN این است که هر پیکسل را به کلاس مناسب اختصاص دهد. ما می توانیم از روش از دست دادن آنتروپی متقابل مشابه CNN استفاده کنیم.

قبل از تغذیه با تابع از دست دادن آنتروپی متقاطع ، تانسور خروجی 4 بعدی است ، بنابراین ما باید آن را به 2 بعدی تغییر دهیم. همچنین برچسب ما باید مانند logits تغییر شکل دهد.

 logits = tf.reshape (ورودی ، (-1 ، num_classes))
label_reshaped = tf.reshape (correct_label، (-1، num_classes)) 

logits و labels اکنون یک تنسور دو بعدی هستند که در آن هر سطر یک پیکسل و هر ستون یک کلاس را نشان می دهد. سپس ما می توانیم هر دو را در تابع ضرر به شرح زیر وارد کنیم: پیاده سازی

این پروژه بر اساس FCN8 است که از VGG16 به عنوان رمزگذار استفاده می کند. اولین قدم این است که مدل بارگیری شده VGG16 را بارگذاری کنید.

مدل VGG16 وانیلی نیست ، بلکه یک نسخه کاملاً متحرک است که قبلاً شامل پیچهای 1x1 برای جایگزینی لایه های کاملاً متصل شده است.

سپس لایه VGG را بارگذاری می کنیم تا ورودی_پایه ، لایه 3 ، لایه 4 و لایه 7 را با استفاده از تابع load_vgg که به عنوان بخشی از پروژه تعریف کردیم بارگذاری کنیم.

 input_layer، keep_prob_tensor، layer3، layer4، layer7 = load_vgg (sess، vgg_path) 

هنگامی که لایه های فوق را از VGG19 دریافت کردیم ، سپس قسمت دوم FCN ، رمزگشایی را تعریف می کنیم. در رمزگشایی ، ما باید خروجی لایه های فوق را به کانولوشن 1x1 تبدیل کرده و سپس با استفاده از کانولوشن جابجا شده نمونه برداری کنیم. همچنین ما اتصال پرش را به عنوان بخشی از این تابع تعریف می کنیم. ما این عملکردها را تحت توابع لایه ها به شرح زیر تعریف می کنیم:

 لایه های def (vgg_layer3_out ، vgg_layer4_out ، vgg_layer7_out ، num_classes):
    "" "
    لایه ها را برای یک شبکه کاملاً متحرک ایجاد کنید. با استفاده از لایه های vgg لایه های پرش ایجاد کنید.
    : param vgg_layer3_out: TF Tensor برای خروجی VGG Layer 3
    : param vgg_layer4_out: TF Tensor برای خروجی VGG Layer 4
    : param vgg_layer7_out: TF Tensor برای خروجی VGG Layer 7
    : param num_classes: تعداد کلاسهایی که باید طبقه بندی شوند
    : return: Tensor برای آخرین لایه خروجی
    "" "
    
    همگرایی # 1X1 لایه 7
    conv_1x1_7th_layer = tf.layers.conv2d (vgg_layer7_out ، num_classes ، 1 ، padding = 'same'،
                                     kernel_regularizer = tf.contrib.layers.l2_regularizer (1e-3) ،name = 'conv_1x1_7th_layer')
    # Upsampling x 4
    upsampling1 = tf.layers.conv2d_transpose (conv_1x1_7th_layer,
                                                num_classes,
                                                4,
                                                strides = (2, 2),
                                                padding = 'same',
                                                kernel_regularizer = tf.contrib.layers.l2_regularizer (1e-3),
                                                name = 'upsampling1')
    # 1X1 convolution of the layer 4
    conv_1x1_4th_layer = tf.layers.conv2d (vgg_layer4_out,
                                     num_classes,
                                     1,
                                     padding = 'same',
                                     kernel_regularizer = tf.contrib.layers.l2_regularizer (1e-3),نام = 'conv_1x1_4th_layer')
    skip1 = tf.add (conv_1x1_4th_layer، upsampling1، name = "skip1")

    # Upsampling x 4
    upsampling2 = tf.layers.conv2d_transpose (skip1،
                                    num_classes ،
                                    4 ،
                                    گامها = (2 ، 2) ،
                                    padding = 'same'،
                                    kernel_regularizer = tf.contrib.layers.l2_regularizer (1e-3) ،
                                    نام = 'upsampling2')

    کانولوشن # 1X1 لایه 3
    conv_1x1_3th_layer = tf.layers.conv2d (vgg_layer3_out ،
                                     num_classes ،
                                     1 ،
                                     padding = 'same'،
                                     kernel_regularizer = tf.contrib.layers.l2_regularizer (1e-3) ،
                                     نام = 'conv_1x1_3th_layer')
    skip2 = tf.add (conv_1x1_3th_layer، upsampling2، name = "skip2")

    # Upsampling x 8.
    upsampling3 = tf.layers.conv2d_transpose (skip2 ، num_classes ،16 ،
                                                  گامها = (8 ، 8) ،
                                                  padding = 'same'،
                                                  kernel_regularizer = tf.contrib.layers.l2_regularizer (1e-3) ،
                                                  نام = 'upsampling3')


    return upsampling3 

سپس تابع بهینه سازی را تعریف می کنیم که در آن از دست دادن آنتروپی و بهینه ساز corss تعریف می شود "" " عملیات تلفات و بهینه ساز TensorFLow را بسازید. : param nn_last_layer: TF Tensor لایه آخر در شبکه عصبی : param correct_label: TF Placeholder برای تصویر برچسب صحیح : param learning_rate: TF Placeholder برای میزان یادگیری : param num_classes: تعداد کلاسهایی که باید طبقه بندی شوند : return: تعدادی از (logits ، train_op ، cross_entropy_loss) "" " # TODO: تابع پیاده سازی # برچسب را مانند logits تغییر دهید label_reshaped = tf.reshape (label_ correct، (-1، num_classes)) # تبدیل تانسور 4 بعدی به دو طرفه. logits اکنون یک تانسور دو بعدی است که در آن هر سطر یک پیکسل و هر ستون یک کلاس را نشان می دهد logits = tf.reshape (nn_last_layer ، (-1 ، num_classes)) # نام logits Tensor ، به طوری که می تواند پس از آموزش از دیسک بارگیری شود logits = tf.identity (logits، name = ’logits’) # ضرر و بهینه ساز cross_entropy_loss = tf.reduce_mean (tf.nn.softmax_cross_entropy_with_logits (logits = logits، labels = label_reshaped)) reg_losses = tf.get_collection (tf.GraphKeys.REGULARIZATION_LOSSES) reg_constant = 1e-3 ضرر = تلفات_تروپی_متقابل + reg_constant * مبلغ (reg_losses) train_op = tf.train.AdamOptimizer (میزان یادگیری = میزان یادگیری) .کاهش (از دست دادن) logits return، train_op، loss

آخرین مرحله برای آموزش مدل ، تعریف پارامترهای فوق و حلقه زدن تصاویر از طریق عملکرد ذکر شده در بالا است.

 sess.run (tf.global_variables_initializer () )
    
    # چرخه آموزش
    برای دوره در محدوده (دوره ها):
        چاپ (قالب "دوران"} (دوره +1))ضرر_آموزشی = 0
        Training_samples_length = 0
        برای تصویر ، برچسب در get_batches_fn (batch_size):
            Training_samples_length += len (تصویر)
            _، loss = sess.run ([train_op، cross_entropy_loss]، feed_dict = {
                input_image: image،
                correct_label: label،
                keep_prob: 0.5 ،
                نرخ یادگیری: 0.0001
            })
            آموزش_از دست دادن += باخت
            چاپ (از دست دادن)
        
        # از دست دادن کل تمرین
        training_loss /= training_samples_length
        چاپ ("******************** کل ضرر **********************")
        print (training_loss) 

پارامترهای فوق العاده ای که در نهایت انتخاب می کنیم Epochs = 50 و batch_size = 5 است.

در اینجا چند تصویر است که برای تقسیم بندی تصویر به کار گرفته شده است. لطفاً به خاطر داشته باشید ، ما فقط دو کلاس را در نظر می گیریم: جاده یا جاده.

3. چالش اختیاری

چالش این بود که مدل آموزش دیده را روی یک ویدئو بکار ببرید تا ویدئویی از تقسیم بندی معنایی ایجاد شود. من فرصتی برای انجام این کار ندارم ، اما روند بسیار ساده است ، زیرا قبلاً در فصل 1 آموختیم که چگونه ویدیو را با اعمال جلوه در هر فریم از ویدئو ایجاد کنیم. در این سناریوی خاص ، ما باید مدل ذخیره شده را بارگذاری کرده و مدل را در هر فریم از ویدیو اعمال کنیم. سرانجام فریم ها را با هم ترکیب کنید تا از تقسیم بندی معنایی فیلم تهیه کنید.

این تقریباً همینطور است. اگر می خواهید کد را در عمل ببینید ، لطفاً از repo github دیدن کنید.

اگر نوشتن من را دوست دارید ، من را در Github ، Linkedin و/یا نمایه متوسط ​​دنبال کنید.

مرجع

مهندس اتومبیل خودران Udacity nanodegree http://blog.qure.ai/notes/semantic-segmentation-deep-learning-review https://www.quora.com/تفاوت-بین-طبقه بندی-تصویر-و-تشخیص-https://people.eecs.berkeley.edu/~jonlong /long_shelhamer_fcn.pdf
تجربه ای در واگن قطار
[ بازدید : 15 ] [ امتیاز : 3 ] [ نظر شما : ]

تجربه ای در واگن قطار

داستانی جمعه: داستانی کوتاه و شهوانی.

عکس توسط امیلیانو ویتوریوسی در Unsplash

گرتا از روی کوسموپولیتن خود به مردی در انتهای ماشین غذاخوری خیره شده بود ، به این امید که دوباره به او نگاه کند.

او به میله تکیه داده بود ، موهای بلوند بلند و ضخیم ، کت و شلوار کتان خاکستری و کراوات آبی براق پوشیده بود.

وقتی وارد ماشین ناهارخوری شد ، به طور اتفاقی به او حمله کرده بود ...

آموزش ماشین ها برای رانندگی با استفاده از یادگیری عمیق-پیش بینی زاویه فرمان
[ بازدید : 13 ] [ امتیاز : 3 ] [ نظر شما : ]