智能交通的发展面临哪些挑战呢?

目前的交通方式正面临五大限制。

 

第一个问题涉及最脆弱的形式，即行人安全正在恶化。

第二，在人们现在生活的主要城市，公共交通在效率和成本方面面临挑战。

第三，汽车不再像过去那样是解决交通问题的好办法。拥堵和拥有成本正在削弱这一选择。

第四，航空运输目前正在快速扩张，但由于城市到机场的连接仍然很差，旅行仍然很困难。

第五，由于所有现有的交通工具造成的二氧化碳排放使得紧急改变变得至关重要。监管者和消费者都愿意在自上而下和自下而上的方式上做出改变。

         

解决数据稀疏问题的方法是让机器人专家使用“更好的”数据，即传感器，它会带来其他类型的信息。信息的质量提高了，而不是数量。除了工业级相机和雷达外，它们还大量使用3D传感lidars、导航级GNSS设备和IMU，以及最近出现的热红外相机。视觉和视觉智能市场继续快速发展，有一些引人注目的技术趋势正在发生，预计它们将推动多年以来的下一个大规模增长。

3D相机和3D感测：3D相机或更一般的3D感测技术允许场景中深度计算和场景3D地图的构建。这项技术已经存在一段时间了，在微软的Kinect等游戏设备中已经普遍应用，最近在iPhoneX生物特征识别中也有应用。此外，机器人、无人机和带有3D摄像头的自动驾驶汽车可以识别物体的形状和大小，用于导航，绘图和障碍物探测。同样，3D相机和立体相机是增强、虚拟和混合现实的支柱。 

边缘和云中的深度学习：基于神经网络的人工智能已经风靡全球，而今天可用的计算能力又使得深度学习成为可能。还有其他因素促成了神经网络在实际应用中的增长，包括大学和大型公司用于培训和尖端研发的大量数据（视频、照片、文本），以及它们对开放源代码的贡献。这反过来又引发了神经网络的很多实际应用。事实上，对于机器人、自动驾驶汽车和无人机，在边缘的GPU/SoCs上运行深度学习推理已经成为常态。云将继续用于训练深度学习以及离线存储数据的视频处理，只要网络延迟和视频管道延迟被认为是可接受，边缘和云之间的分离架构处理也是可能的。 

同步定位和测绘(SLAM)在汽车、机器人、无人机中的应用：同步定位和测绘(SLAM)是自动驾驶车辆、机器人和无人机的关键部件，这些车辆、机器人和无人机配备有各种类型的摄像头和传感器，例如雷达、激光雷达、超声波等。AR/VR与感知计算：想想微软全息透镜HaloLink，后面是什么？六个带有深度传感器组合的摄像头。微软甚至宣布在英国剑桥开设全息透镜计算视觉研究中心。