在未来无人驾驶时代我们的隐私怎么办?

简介:

「2030年,新车中15%可能为完全自动驾驶」,这样的结论出自于麦肯锡关于汽车革命趋势的预测报告。

虽然有很多人怀疑无人驾驶的可靠性,但起码在政府层面,对无人驾驶是持开放态度的。比如美国的加州、内华达州、密歇根州等地就立法,承认了无人驾驶车上路的合法性。

 

目前,能够实现完全无人驾驶的汽车主要依靠激光雷达、摄像头、高精度地图,来不断检测周围3D环境,包括街道、其他车辆、行人。未来无人驾驶车多起来,还会涉及到车与车之间的通信(V2V)。

 

目前,能够实现完全无人驾驶的汽车主要依靠激光雷达、摄像头、高精度地图,来不断检测周围3D环境,包括街道、其他车辆、行人。未来无人驾驶车多起来,还会涉及到车与车之间的通信(V2V)。

「无人管」的个人隐私

一样全新事物的出现,总会带来之前我们意想不到的问题。这些无人驾驶汽车收集到的数据,会不会损害人们的隐私?关于汽车用户隐私这件事,我们可以先回顾一下通用安吉星事件。

在2011年,通用承认即使是在用户退出安吉星服务时,安吉星系统也会自动收集用户信息,包括车辆速度、位置和安全带状态。系统静默状态下收集信息也就算了,关键是通用会把这些信息卖给市场资讯公司、保险机构,甚至是相关的执法部门。

对于很多人来说,仅仅是GPS信息就让他们觉得隐私被侵犯了。而无人驾驶车又会不间断扫描周围环境,它所掌握的数据又上升了一个量级。

目前,美国正在起草相关法规,规定这些信息共享是合法的,并且是「正常需要」。这些法规虽然是为了减少交通事故,但是很少明确规定这些厂商是否有权「记录」或者「出售」这些敏感信息。

所以虽然在美国无人驾驶技术得到了不少政府资助,但在法规层面缺失了相关法规来确保这些数据不被「滥用」。

 

作为网民的你,一定听说过「人肉」这个词。网络时代,一个人还真的很难完全隐藏自己。汽车联网了,隐私问题就更严重了,你什么时候去过哪,没准别人都知道。说到前面提到的无人驾驶与用户隐私,让我联想到CES上的两件事。

 

作为网民的你,一定听说过「人肉」这个词。网络时代,一个人还真的很难完全隐藏自己。汽车联网了,隐私问题就更严重了,你什么时候去过哪,没准别人都知道。说到前面提到的无人驾驶与用户隐私,让我联想到CES上的两件事。

通用正在和Mobileye合作,想把ADAS中的影像系统和安吉星系统结合起来,不断收集车辆周边地图数据。经过安吉星上传之后,通用再会用专门的地图数据处理手段,把这些粗糙的数据加工成可应用于自动驾驶的高精度地图。

 

丰田搞了「自动云端空间信息生成技术」,加上每辆车的摄像头、GPS,也是把每辆车都变成了地图测绘车。收集到数据后,丰田也会进行相应处理。丰田方面表示,这种测绘方法在直路上的地图精度可以达到5厘米。

 

丰田搞了「自动云端空间信息生成技术」,加上每辆车的摄像头、GPS,也是把每辆车都变成了地图测绘车。收集到数据后,丰田也会进行相应处理。丰田方面表示,这种测绘方法在直路上的地图精度可以达到5厘米。

利用群众的力量「众包」地图,看似很美好。但回到我们前面说的,这难免让人开始考虑用户隐私的问题。收集这些数据时,用户知道吗?相关的法律和监管,应该还处于缺失状态。当然,也不排除技术倒逼法律进步的可能。

在国内,我们倒不用担心这个问题的,因为涉及「测绘资质」的问题。但我们更应该考虑的,是地图App和车内智能硬件所产生的数据归属问题。

「隐私」与「免费服务」是相对矛盾的,我们又想获得最好的服务,又不想泄露隐私。

对于地图App来说,每位驾车用户可能都是实时路况的贡献者,也是受益者。在安装初始的「用户需知」里,就已经告知会采集位置信息,当你点下「同意」后,一切合情合理。但对于智能硬件来说,情况就复杂多了,数据收集更加隐蔽,用户很难察觉(比如之前通用的安吉星事件)。

如果说互联网时代人人没有隐私,别人可以知道你是谁;但在车联网时代和未来的自动驾驶、无人驾驶时代,别人可以知道你去了哪。



本文转自d1net(转载)

相关文章
|
人工智能 机器人 物联网
用AI生成可爱的泡泡玛特盲盒风,带prompt
用AI生成可爱的泡泡玛特盲盒风
1578 1
用AI生成可爱的泡泡玛特盲盒风,带prompt
|
人工智能
强大的AI绘画网站Draft,重点是免费!不需要爬楼梯!
强大的AI绘画网站Draft,重点是免费!不需要爬楼梯!
1875 0
|
缓存 固态存储 Java
Elasticsearch 的扩展性和性能调优
【9月更文第2天】Elasticsearch 是一个分布式的搜索和分析引擎,适用于各种大规模数据处理场景。随着数据量的增长和查询复杂度的增加,Elasticsearch 的性能优化变得尤为重要。本文将详细介绍如何通过硬件配置、集群规模调整以及查询优化策略来提升 Elasticsearch 的性能。
696 6
|
JavaScript 前端开发 搜索推荐
Moment.js、Day.js、Miment,日期时间库怎么选?
【10月更文挑战第29天】如果你需要一个功能强大、插件丰富的日期时间库,并且对性能要求不是特别苛刻,Moment.js是一个不错的选择;如果你追求极致的轻量级和高性能,那么Day.js可能更适合你;而如果你有一些特定的日期时间处理需求,并且希望在性能和功能之间取得平衡,Miment也是可以考虑的。
590 57
|
数据可视化 算法 Python
基于OpenFOAM和Python的流场动态模态分解:从数据提取到POD-DMD分析
本文介绍了如何利用Python脚本结合动态模态分解(DMD)技术,分析从OpenFOAM模拟中提取的二维切片数据,以深入理解流体动力学现象。通过PyVista库处理VTK格式的模拟数据,进行POD和DMD分析,揭示流场中的主要能量结构及动态特征。此方法为研究复杂流动系统提供了有力工具。
930 2
基于OpenFOAM和Python的流场动态模态分解:从数据提取到POD-DMD分析
|
机器学习/深度学习 数据采集 传感器
智能交通信号:城市交通流的优化
【10月更文挑战第25天】智能交通信号系统通过集成现代信息技术、大数据分析和人工智能技术,实现交通信号动态优化,有效缓解城市交通拥堵,提升交通效率。系统涵盖数据采集、交通状态感知、流量预测、信号控制策略制定及实施优化等环节,已在多城市应用并取得显著效果。未来将向多模态数据融合、深度学习算法应用、区域协同控制和智能交通系统集成方向发展。
|
缓存 网络协议 前端开发
Web 性能优化|了解 HTTP 协议后才能理解的预加载
本文旨在探讨和分享多种预加载技术及其在提升网站性能、优化用户体验方面的应用。
|
数据采集 存储 JSON
基于qwen2.5开源大模型 处理 环境、社会及治理 相关资料
基于Qwen-2.5开源大模型,本方案旨在处理环境、社会及治理(ESG)相关资料,涵盖数据分析、决策辅助和报告生成等任务。方案详细描述了从数据准备、模型功能设计到部署优化的全过程,并列举了多种应用场景,如企业合规审查、投资评估支持等,旨在为企业、机构和研究者提供全面的ESG资料处理解决方案。
629 0
|
Shell 数据处理 开发者
|
存储 编解码 Unix
PyMuPDF 1.24.4 中文文档(十三)(2)
PyMuPDF 1.24.4 中文文档(十三)
602 0