交通运输场景多元、数据丰富、市场广阔。人工智能应用于交通领域,探寻交通运输典型场景,能够助力实现“人享其行、物畅其流”的美好愿景。
交通大模型
当前,我国人工智能大模型应用快速从通用领域向行业纵深渗透。交通运输具有场景多元、数据丰富等优势,是人工智能重要应用领域。近年来,我国交通运输数字化、网络化、智能化水平不断迈上新的台阶,智慧交通、智慧物流创新实践日趋活跃,“人工智能+交通运输”展现出广阔的发展空间。
近日,交通运输部、国家发展改革委、工业和信息化部、国家数据局、国家铁路局、中国民用航空局、国家邮政局七部门联合印发《关于“人工智能+交通运输”的实施意见》,加快推动人工智能在交通运输领域规模化创新应用。《意见》提出,到2030年,人工智能深度融入交通运输行业,智能综合立体交通网全面推进,关键核心技术自主可控,总体水平居世界前列。
为推动人工智能技术全面赋能交通运输行业,8月16日,交通运输部指导成立了交通大模型创新与产业联盟。目前,联盟已汇聚了50多家行业龙头企业、人工智能头部公司以及相关高校院所。
交通大模型是基于通用大模型开发的一种行业大模型。传统人工智能可以在交通领域实现碎片化的应用,如识别一个红绿灯、识别某一个违章行为等,但交通行业存在复杂性、耦合性问题,需发挥大模型的优势,通过将车、路、云、图等方面的数据信息进行动态整合,提升交通的效率与安全性。
交通大模型可利用全域的感知数据,分析研判交通网络,并叠加仿真推演,生成全域信控方案。目前,中国正通过云、图、大数据、数字孪生等技术,推动交通行业的数字化转型。其中,交通大模型已应用于多个场景。
各地交通运输部门运用大模型等技术,推动人工智能在交通运输领域的应用,提升交通流预测、交通管控和运行调度的科学化和精细化水平。年初以来,江苏、海南、四川、安徽、山东省交通运输厅等纷纷完成深度求索大模型本地化部署。
当前,交通运输部已启动综合交通运输大模型建设工作,研究交通大模型架构和建设路径。综合交通运输大模型建设将采用“1+N+X”架构,即基于1套大模型通用技术底座、打造“N”类垂域模型、服务“X”个典型应用场景,通过“基础-垂域-智能体”三级联动,支撑贯通全行业业务应用,引领交通运输智能化转型。
智慧物流
近年来,随着电商的发展和民生需求的日益多元,快递物流已逐渐成为城市运行中不可或缺的基础设施。人工智能等前沿科技的应用正给这一传统劳动密集型行业带来改变。
智能化、无人化设备的广泛应用成为我国快递装备业高质量发展的显著特征。无人机穿梭云间、机器人智慧分拣、算法实时调度运力……当前,人工智能技术在邮件快件收寄、分拣、运输、投递、仓储、客服、管理等环节都得到了广泛应用,在生产与服务、管理与决策中发挥了重要作用。运用科技创新手段,大力推广智能化、数字化、自动化技术设备应用,显著提升县、乡、村三级物流体系的运转效率。
通过大数据分析、实时路况感知和动态需求预测,人工智能算法能够基于多维度数据(货物、天气、路况等)自动生成最优配送路线,实现最优调度,提高时效和利用率,有效降低空驶率、缩短中转时间,大幅提升整个物流网络的运转效率。人工智能大模型的优化决策系统能使分拣准确率提升至99.5%以上,路线规划效率提升30%。
智能分拣机器人、智能搬运机器人等目前已广泛使用。机器人等高科技装备可替代人工处理危险、重复、繁琐的作业,还能够克服复杂地形和恶劣天气的影响,提高效率和准确性,降低人工成本。此外,智能客服能快速响应客户需求,无人化智能服务如无人机、无人车辆配送、智能快递柜等能够实现快速、准时的快递派送,给消费者带来前所未有的体验。
自动驾驶
作为汽车智能化、网联化的关键环节,自动驾驶成为全球科技界、产业界竞争的新赛道。从为普通人提供出行服务,到在机场、物流、矿山等垂直领域大显身手,我国自动驾驶技术进入全场景落地阶段,产业活力迸发。
广义的自动驾驶从L0至L5共分为6个层级。L0只提供预警信息,不介入驾驶操作。L1和L2以驾驶员为主,称其为辅助驾驶更准确。只有到L3及以上才算是逐步减少直至摆脱驾驶员干预的自动驾驶。工业和信息化部的数据显示,2024年上半年,我国L2级及以上智能辅助驾驶新车渗透率为55.7%。
自动驾驶加速推进,以深度学习为代表的人工智能是主要驱动力。目前,人工智能技术的几个主流发展方向大多可以在自动驾驶系统中找到相对应的应用出口,人工智能在自动驾驶技术发展中发挥着重要作用。
近年来,人工智能领域前沿的图像与3D视觉建模方法,被大量引入自动驾驶的感知系统。人工智能领域中模仿学习、强化学习方法,被广泛用于自动驾驶规划模块或端到端决策系统。新涌现的语言、多模态大模型开始快速在新能源汽车中广泛应用,探索提升了自动驾驶车辆在复杂环境中的自主决策能力。
自动驾驶前沿技术
多模态数据融合
有效融合多模态数据,消除感知盲点,增强感知能力,支撑更可靠的驾驶决策。
端到端学习
让人工智能模型直接从摄像头、激光雷达等设备采集的原始传感器中学习车辆的规划与控制方式。
世界模型
可用于生成多样化、真实化的驾驶场景,丰富训练数据,提高自动驾驶系统的适应性。
自动驾驶视觉语言行动模型
具备对视觉输入中的文字、标志的认知能力,借助多模态大模型理解和推理能力,提升在复杂、未知环境下的决策能力。
车路协同
构建车路协同自动驾驶系统,实现车与车、车与人、车与路之间的动态信息实时交互。
作者:综合整理转载自闪亮播报
编辑:汪兴 审核:轨道交通学院
【关闭】