无人驾驶出租车与具备驾驶辅助技术的车辆有何不同？
区别并非程度问题。谁负责车辆，这存在着根本差异。
在 L2 级或 L2++ 级车辆中，人类驾驶员始终承担法律责任和运营责任，同时 AI 提供辅助。在 L3 级车辆中，AI 在特定环境下处理驾驶，但必须在达到其能力范围的极限时提醒驾驶员。人类始终可作为后备支持。
无人驾驶出租车没有后备功能。车辆在公共环境中运行、载客，没有人类可进行干预。该单一条件会在各个维度上改变技术要求、安全认证门槛和运维模型。
AI 系统不仅必须能够处理常见的驾驶场景，还必须能够处理车辆在其 ODD 范围内遇到的每种情况，包括尚未明确训练的场景。安全体系架构必须通过汽车功能安全标准认证，而不依赖人工监督作为保护层。车队运维基础设施必须远程检测并响应车辆问题。整个系统必须在现实条件下，在数千辆同时运行的车辆中保持一致的性能。
无人驾驶出租车有哪些用例？
无人驾驶出租车正被部署在越来越多的行业和用例中，从城市叫车服务到配送。
网约车和城市移动性
商业网约车网络正在集成无人驾驶出租车，以提供可扩展、按需的交通运输，而不受驾驶员可用性或轮班限制的约束。多家全球移动运营商目前正在全球主要城市扩展自动驾驶车队。
自动配送
用于乘客传输的 L4 级车辆平台正在进行调整，以实现食品杂货、包裹和餐食的最后一英里配送，将经济模式扩展到叫车之外。
医疗健康和可及性
无人驾驶出租车为老年人、残障人士和其他无法驾驶的人提供可靠、按需的交通运输。无需依赖其他人提供乘车服务，即可前往医疗预约、购买杂货和处理日常事务。
机场、园区和地理围栏公交
机场、企业园区和规划社区等受控环境是一些最早且最活跃的无人驾驶出租车部署。确定的路线、已知基础设施以及清晰的运营边界，可降低复杂性并加速监管审批。
智慧城市基础设施
市政当局正在探索自动驾驶车队如何降低车辆总保有量、缓解泊车需求并降低城市排放，特别是在与全电动动力总成和实时交通管理系统相结合的情况下。
快速链接
部署无人驾驶出租车有哪些挑战和解决方案？
大规模部署无人驾驶出租车需要解决监管、技术和社会挑战。以下是主要障碍以及行业正在使用的解决方法。
NVIDIA 如何赋能无人驾驶出租车生态系统？
无人驾驶出租车需要一个涵盖车载计算、仿真、数据中心基础设施和 AI 模型的全栈平台。NVIDIA 提供每一层设施。
基础是 NVIDIA Hyperion，这是一个基于 NVIDIA DRIVE AGX Thor 系统级芯片构建的、可支持无人驾驶出租车的硬件平台。Thor 提供实时感知、规划和决策制定所需的 AI 计算性能，并具备 L4 自主性所需的安全冗余。
在数据中心，NVIDIA DGX 和 NVIDIA 加速计算驱动训练流水线，将数英里的传感器数据转化为可量产的自动驾驶模型。借助配备 Cosmos 的 NVIDIA Omniverse，开发者能够生成合成数据并仿真那些非常罕见或太危险而无法在公共道路上获取的长尾场景。
NVIDIA 还提供开放的 AI 模型与参考工作流，为自动驾驶开发者提供构建无人驾驶出租车的工具。
其结果是一个全栈端到端平台 NVIDIA DRIVE，涵盖从数据中心的训练与仿真，到边缘端的推理与功能安全，让无人驾驶出租车开发者更快地构建、更彻底地验证，并充满信心地进行大规模部署。
NVIDIA 与哪些无人驾驶出租车公司合作？
全球领先的无人驾驶出租车公司基于 NVIDIA 运行。从美国到中国再到欧洲，几乎所有致力于实现商业化 L4 级自动驾驶部署的主要开发者，都采用了 NVIDIA 技术。
在美国，Waymo、Wayve、Avride、May Mobility 和 Nuro 基于 NVIDIA 技术构建，而 Uber 和 Lyft 已开始将由 NVIDIA 提供支持的车队集成到其全球叫车网络中。
在中国，小马智行、文远知行和 Momenta 是全球最先进的商业化自动驾驶公司，它们已选择 NVIDIA Hyperion 作为其新一代平台的基础。
在欧洲，大众、梅赛德斯-奔驰、Autobrains 和 Stellantis 正在 NVIDIA 平台上推动智能汽车开发和加速面向无人驾驶出租车的整车量产。
包括比亚迪、现代、日产、吉利、通用和丰田在内的全球汽车制造商也加入了该生态系统，这让 NVIDIA Hyperion 成为了无人驾驶出租车开发的首选参考体系架构。请访问 nvidia.cn/autonomous-vehicles/partners 查看合作伙伴列表。
无人驾驶出租车使用哪些传感器？
无人驾驶出租车依赖于一组互补的传感器，以构建其环境的完整、冗余感知图像，具体组合因公司和方法而异。
没有任何一个传感器可单独满足需求。无人驾驶出租车栈通过传感器融合将这些来源的输入整合在一起，以构建可靠、实时的世界模型。
NVIDIA DRIVE 在计算层面处理该问题，通过深度神经网络同时处理来自摄像头、LiDAR 和雷达的数据，以实现安全的 L4 自动驾驶。
摄像头可截取丰富的视觉细节，如车道标记、交通灯、标志和其他道路使用者。大多数无人驾驶出租车使用多个摄像头，以实现 360 度覆盖。
LiDAR (光检测和测距) 发射激光脉冲以生成周围环境的精确三维点云，擅长测量距离并检测物体形状和尺寸，即使在弱光条件下也不例外。
雷达使用无线电波测量物体的速度和距离，在摄像头和 LiDAR 可能无法正常工作的雨、雾和雪等恶劣天气条件下具有高度可靠性。
超声波传感器处理低速任务的短距离检测，例如泊车或检测紧邻车辆的物体。
无人驾驶出租车有多安全？
无人驾驶出租车的设计旨在满足比人类驾驶员更高的标准。人为错误占交通事故的 90% 以上，智能汽车旨在消除最常见的原因：分心、疲劳、判断力受损和反应时间缓慢。
也就是说，智能汽车的安全并不是单一的特征，它是一门工程学科。严格的安全保障需要冗余传感器阵列、故障安全的硬件架构、数十亿英里的仿真测试，并针对车辆在现实世界中可能遇到的边缘场景进行持续验证。
NVIDIA 的安全体系架构满足 ISO 26262 和 SOTIF (预期功能安全) 标准，这两项标准是汽车行业最严格的功能安全要求。
NVIDIA 与无人驾驶出租车公司合作，发布安全报告，并持续开展广泛的内部验证工作。随着行业的成熟和车队里程的积累，数据越来越印证了工程设计的目标：实现比人类驾驶车辆更安全的智能汽车。
常见问题解答
无人驾驶出租车被定义为完全无人驾驶、按需提供叫车服务的自动驾驶汽车，并达到 SAE L4 级自动驾驶标准。这使其能够在没有人类驾驶员在场的情况下安全地为乘客或货物导航。了解更多关于车载计算的信息。
NVIDIA Hyperion™ 被认为是“可量产的无人驾驶出租车平台”，因为它为全球汽车制造商、智能汽车开发者和移动出行网络提供了通用的 L4 级量产的基础。它将计算、传感器、安全软件和全球生态系统统一起来，将无人驾驶出租车从试点项目大规模引入日常交通运输。了解更多关于车载计算的信息。
三计算机框架包括：用于在数据中心内训练基于 AI 的栈的 NVIDIA DGX™ 系统，在 NVIDIA OVX™ 系统上运行并用于仿真和合成数据生成的 NVIDIA Omniverse™，以及用于处理实时传感器数据以确保安全的 NVIDIA AGX 车载计算机。查看 NVIDIA Hyperion 平台。
NVIDIA DGX 系统通过处理海量数据，在数据中心中用于训练端到端 AI 模型。这有助于智能汽车更安全地学习感知、计划和行动。详细了解用于 AI 训练的 NVIDIA DGX。
NVIDIA Omniverse™ 和 Cosmos™ 用于构建丰富的 3D 数字孪生，对现实世界传感器数据和物理进行建模，使开发者能够在安全的仿真环境中测试和验证智能汽车。访问智能汽车仿真页面，了解仿真详情。
Alpamayo 2 Super 是一个拥有 340 亿参数的视觉-语言-动作 (VLA) 推理模型，专为支持无人驾驶出租车和具备 L4 能力的智能汽车所需的复杂决策制定而设计。
NVIDIA Halos 是一个全栈安全系统，帮助无人驾驶出租车开发者构建、验证和持续提升自动驾驶汽车安全性。它涵盖了硬件、软件和工具，因此团队能够满足整个开发生命周期中的安全要求，而不是在孤岛中解决问题。
- 阅读无人驾驶出租车博客。
后续步骤
无人驾驶出租车和智能汽车
深入了解 NVIDIA DRIVE AGX，该平台是开发安全智能汽车的硬件和软件平台。
智能汽车安全报告
安全是开发智能汽车的绝对必要条件。在最新报告中，了解 NVIDIA 如何优先考虑车辆、乘客和行人的安全。
NVIDIA 在汽车领域
NVIDIA 汽车解决方案提供了所需性能和可扩展性，以便对未来的驾驶技术进行设计、可视化、开发和模拟。
