L’année 2026 verra-t-elle la technologie sans conducteur ?

Lors de cette conférence, Elon Musk est arrivé sur les lieux en conduisant lui-même un Cybercab, créant ainsi une atmosphère efficace. Selon son introduction, le Cybercab à deux places ne sera pas équipé d'un volant et de pédales et s'appuiera entièrement sur la technologie Full Self-Driving (FSD) de Tesla. Cela montre pleinement la détermination de Tesla dans la technologie sans conducteur. Tesla prévoit de produire en masse ce modèle à grande échelle entre 2026 et 2027, et le coût de fabrication est inférieur à 30,000 3 dollars américains. Afin de coopérer à la production en masse et à l'utilisation commerciale du Cybercab, la version non supervisée du FSD sera d'abord lancée au Texas et en Californie aux États-Unis. Les modèles XNUMX et Y actuels pourront également utiliser la version non supervisée du FSD.

Tesla a également dévoilé pour la première fois un modèle Robovan, qui peut transporter 20 personnes et peut également transporter des marchandises, ce qui peut réduire considérablement les frais de déplacement des personnes.

Cette conférence a clairement montré que la technologie Robotaxi de Tesla adoptera également le schéma FSD de conduite autonome entièrement non supervisée de l'IA + vision pure. Le temps de production en série de Cybercab est également conforme aux attentes des analystes précédents. À cet égard, Huatai Securities estime qu'à mesure que le Robotaxi de Tesla progresse, les fonctions de conduite intelligente de haut niveau devraient recevoir davantage d'attention et favoriser sa mise en œuvre rapide.

En fait, sur le plan national, des entreprises de conduite autonome telles que RoboTaxi, Pony.ai et WeRide se lancent également dans la course pour concurrencer Tesla dans le domaine des technologies sans conducteur. À l'heure actuelle, les entreprises nationales de conduite autonome sont divisées en deux camps : d'une part, les fournisseurs de solutions tels que RoboTaxi, Pony.ai et WeRide et, d'autre part, les constructeurs automobiles représentés par NIO, Xpeng, Li Auto et Xiaomi.

Bien sûr, passer de la conduite autonome actuelle à un niveau hautement automatisé qui ne nécessite aucune surveillance du conducteur (comme la suppression du volant et des pédales dans ce Cybercab) n'est pas facile. Selon le plan de Musk, le Cybercab ne sera pas mis en production de masse avant 2026-2027, et de nombreux obstacles doivent être surmontés aux niveaux technique et réglementaire. Mais cette tendance est déjà claire et la technologie sans conducteur s'accélère.

Des solutions de vision fortes attirent l'attention

À en juger par cette version de Tesla, les solutions de vision puissante devraient bénéficier d'une attention renouvelée de la part de l'industrie. Par rapport à la singularité des données renvoyées par le lidar, les caméras peuvent reconnaître du texte (panneaux de signalisation), des couleurs (lignes de voie), des graphiques planaires, etc. Ces informations jouent un rôle important dans les scènes de circulation.

De plus, la capacité de numérisation du nuage de points n'est pas exclusive au radar. Le capteur binoculaire inertiel peut également utiliser le nuage de points binoculaire dense pour calculer les saillies/dépressions locales du sol grâce au système de prévisualisation binoculaire de la surface de la route basé sur la vision binoculaire, aider le véhicule à ajuster de manière adaptative la suspension active et obtenir l'effet d'une carrosserie stable sur les routes cahoteuses.

De plus, grâce à la technologie d'estimation de pose étroitement couplée qui fusionne la vision binoculaire et l'odométrie inertielle, elle peut prendre en charge un positionnement local robuste de haute précision dans tous les scénarios et prendre en charge des applications tous scénarios telles que la conduite, le stationnement à niveau, avec/sans GNSS. La réduction du lidar peut également économiser davantage de puissance de calcul et raccourcir le cycle de développement du modèle de véhicule. Pour les OEM, cela présente un fort attrait pour réduire efficacement le coût du développement, de l'adaptation et de la vérification des algorithmes, ainsi que pour réduire la consommation de temps correspondante.