滴滴出行在智慧交通领域为自己设定的三个短期目标

简介:

“滴滴应该可以算作一家数据公司,在你看来也能称之为一家AI公司么?”

“是的。”

滴滴出行(以下简称“滴滴”)高级副总裁、智慧交通项目负责人章文嵩对主持人抛来的问题还是给出了肯定的答案。提起滴滴,显然我们已经不能再局限的定义它是一个手机召车的移动互联网公司……

前两天,一场围绕智慧交通话题的三方对话,在章文嵩、优达学城(Udacity)创始人Sebastian Thrun和Pingwest品玩创始人骆轶航之间铺展开来。

滴滴出行在智慧交通领域为自己设定的三个短期目标

无人驾驶尚处早期阶段

说到智慧交通,就不得不提到自动驾驶。Sebastian坦言,现在的科技足以让自动驾驶与人类驾驶相媲美,但自动驾驶现在还处于早期阶段,只有类似概念产物,产品还未商业化。

“目前在自动驾驶的研究中,每一辆车所犯错误的经验,都可以应用到对现有车辆的研究中。在此过程中,预计每18个月自动驾驶技术的革新会让先前驾驶质量提升十倍。”Sebastian认为,当前正处于一个转折点,自动驾驶的车辆甚至比人工驾驶更为安全。

“为了使自动驾驶技术更快发展,拥有像滴滴这么庞大和复杂度的数据是非常关键的。”章文嵩认为,自动驾驶领域的大数据技术所依赖的不是有限规则,而是无限的模式。因为我们正在面对的驾驶世界要比AlphaGo面对的复杂成百上千倍。

对此,滴滴已经开始使用App来监测司机的驾驶行为,这样一来,短期内就可以有效提升驾驶安全和服务质量。同时,所积累的数据通过分析后,还可以提升无人驾驶的精度和应急能力。

针对智慧交通的三个短期目标

作为滴滴2017五大战略关键词之一。去年,在智慧交通建设方面,已经与包括成都、深圳、南京、沈阳等在内的11个城市展开了战略合作。

以贵阳为例,滴滴已经将交管局与滴滴出行收集的交通大数据融合,应用在城市道路的智慧交通诱导屏上。在实时显示前方道路通行情况的同时,还能通过滴滴的ETA(预计到达时间)技术预测去往前方路段所需时间,让城市交通诱导系统变得更加智慧。

在当天的对话中,章文嵩提到了未来滴滴在智慧交通方面的三个短期目标。而第一个目标则是先从改善交通灯的效率开始。其次是与公共交通体系合作,将公交系统“搬上”网。最后,滴滴希望未来出行将作为服务而非单个产品。

“当你要去往目的地,整体的智能交通体系将提供一整套的可选方案,整个空港车道、高速公路等基础设施都可能被大数据预测能力的调配下变得通达。”章文嵩说这就是他们所努力实现的智慧城市。  

  

原文发布时间为:2017-7-14

 

本文作者:孙博

本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网


目录
相关文章
|
8月前
|
IDE 小程序 开发工具
HBuilderX 4.76安装教程 Windows版:解压+创建桌面快捷方式+启动验证指南
HBuilder X是DCloud推出的轻量级IDE,专注Web、小程序及uni-app跨平台开发,以极速性能、智能提示和护眼设计著称。本文详解4.76版下载、解压、创建快捷方式及验证安装全流程。
|
4月前
|
存储 监控 对象存储
基于YOLO11的道路积水视觉检测:从数据集构建到云上训练实践
本文介绍基于YOLO11的道路积水视觉检测实践,涵盖数据集构建(5275张图片、7155个标注框)、云上训练部署及工程化落地要点,适用于城市内涝预警与智慧交通场景,助力开发者快速实现鲁棒、可复现的积水识别系统。(239字)
基于YOLO11的道路积水视觉检测:从数据集构建到云上训练实践
|
5月前
|
编解码 自然语言处理 文字识别
HiDream-O1开源:8B参数像素级统一Transformer
HiDream-O1-Image是HiDream.ai开源的8B参数像素级统一生成模型,摒弃VAE与分离文本编码器,首创UiT架构实现文本、图像、任务条件在共享token空间端到端联合建模。支持2048×2048高清生成、多镜头/多语言渲染、指令编辑与主体个性化,在GenEval等基准刷新SOTA。含50步未蒸馏版与28步Dev加速版,并集成推理驱动提示代理。
1087 0
|
5月前
|
存储 安全 Java
【Java基础】集合框架: HashMap核心原理:JDK1.7 vs 1.8+ 区别、数据结构、哈希函数、扩容机制、put/get全流程、红黑树转换阈值(附《思维导图》+《面试高频考点清单》)
本文系统对比JDK1.7与1.8+中HashMap的底层原理,涵盖数据结构(数组+链表→+红黑树)、哈希函数、扩容机制、插入方式及并发问题等核心差异,助你深入理解性能优化逻辑与面试高频考点。
|
5月前
|
数据可视化 JavaScript Java
Maven dependency:tree 的 8 个高级用法
本文深入讲解 Maven dependency:tree 命令的 8 个高级用法,涵盖依赖冲突排查、传递依赖分析、版本升级建议等实战场景。通过企业级真实案例,展示如何利用这个强大工具快速定位和解决复杂的依赖问题。提供可视化分析方法、自动化脚本工具和企业级依赖管理规范,让你掌握专业级的依赖分析技能。
Maven dependency:tree 的 8 个高级用法
|
5月前
|
机器学习/深度学习 数据采集 人工智能
无人机角度的道路损害检测数据集分享(适用于YOLO系列深度学习分类检测任务)
本数据集含6341张无人机航拍道路图像,标注4类典型病害(鳄鱼纹/纵向/横向裂缝、坑洼),采用YOLO格式,专为YOLO系列等目标检测模型训练优化,助力智能巡检与道路养护。(239字)
466 0
|
JSON Unix API
1688查询榜单列表API详解
1688榜单API提供实时热销、新品等商品榜单数据,支持20+品类及40+字段筛选,适用于选品与市场分析。每小时更新,响应迅速。提供Python调用示例,开发者可快速集成。
|
数据采集 缓存 监控
阿里云CDN流量超额怎么办?
使用阿里云CDN时,流量超额易致额外费用。本文教你三招应对:实时监控并设置报警、优化配置减少消耗、购买流量包降低成本。常见原因包括访问突增、配置不当或网络攻击。
|
NoSQL IDE MongoDB
Studio 3T 2025.18 发布 - MongoDB 的终极 GUI、IDE 和 客户端
Studio 3T 2025.18 (macOS, Linux, Windows) - MongoDB 的终极 GUI、IDE 和 客户端
703 0
Studio 3T 2025.18 发布 - MongoDB 的终极 GUI、IDE 和 客户端
|
机器学习/深度学习 Ubuntu Shell
在Ubuntu 18.04上安装Anaconda
在Ubuntu 18.04上安装Anaconda
811 1