8月11日-12日,2022中国地理信息产业大会在合肥召开。在主办方评选的“2022地理信息产业百强企业”中,四维图新位列榜首。
8月12日,由中国地理信息产业协会高精地图服务工委会、四维图新联合承办的2022中国地理信息产业大会-高精地图分论坛举办。
本届论坛致力于在高精地图成图技术、商业化应用等方面进行探讨,以推动高精地图行业向前发展。合肥市经信局领导戴文刚主任、中国地理信息产业协会副会长兼秘书长王增宁、四维图新高级副总裁兼合肥四维图新总经理宋铁辉出席会议并致辞,中国工程院院士刘经南出席会议并做主旨报告。

戴文刚

王增宁

宋铁辉
主旨报告环节,中国工程院院士刘经南在《时空智能赋能高精地图》主题演讲中表示:“自动驾驶未来着力的方向应该是依靠自然智能、AI、视觉、雷达、GNSS等协同合作,让汽车在没有任何人类主动操作的情况下自动安全地行驶。智能驾驶对于安全性和稳定性的要求近乎苛刻,要求精确的实时定位、定速与高精度的道路地图必须匹配一致。高精地图在某种意义上是不受干扰的‘上帝之眼’,能够提供精细且精确的静动态环境地理信息,以及定点定区域道路行车静态型和道路环境实时动态变化型内在控制参数,弥补某些汽车传感器的性能不足,保证行驶安全与舒适。”

武汉大学资源与环境科学学院教授应申在专题报告《自动驾驶高精地图模型与架构》中表示:“高精地图是一个系统平台,它可以汇聚不同信息后进行处理,最终作用和控制自动驾驶车辆。高精地图作为系统平台和自动驾驶车辆的大脑,可结合车联网信息和感知信息,直接参与车辆控制,输出导航决策。”

国家测绘产品质量检验测试中心高级工程师葛娟博士在专题报告介绍了基于地理信息的复杂度问题,她表示,地理信息复杂度由两部分组成,一部分是地理信息要素类别的分布,另一部分是地理信息要素空间分布,这两部分整体上组成了地理信息数据的复杂度。复杂度不同,地图的信息量和价值也不同。

四维图新地图中心政策标准总监朱大伟介绍了高精地图产品与关键技术,他表示,高精地图能够解决自动驾驶中,传感器能力之外的痛点。目前四维图新拥有覆盖行业内最广泛的道路识别信息,此外还自研了自己的众源设备,提高更新速度,保证高精地图的鲜度。

地平线地图生态发展总监车国兴在《地平线J3/J5芯片,助力自动驾驶高精地图众包生态》主题演讲中表示:“自动驾驶公司都拥有比较强的感知能力,而自动驾驶里的高精地图是增强感知能力。地图不再只是底层应用,它成为了自动驾驶必备套件。高精地图一定会增强车的感知与自定位能力,这是属于地图能为自动驾驶赋能的方向。”

北京初速度科技有限公司高级总监冯晓林在题为《高精地图在自动驾驶领域中的应用情况及未来展望》的演讲中总结了高精地图产业的四个趋势——地图覆盖范围小到大、地图绘制成本重到轻、地图更新速度慢到快,以及地图可能会从有形到无形,即从一张物理地图,发展成为智能汽车、智能交通中的各项数据与参数。

世纪高通智慧交通事业部产品方案总监邱奉翠在演讲中提到,高精地图的应用领域非常广,不只自动驾驶,还可以为交通行业的多个业务领域赋能。地图数据和交通行业中的多个业务数据进行结合后能够应用到设备设施管理、公路资产管理、道路交通管理、道路交通隐患排查、道路安全风险管控、停车管理服务等多种业务领域。

论坛最后,中国地理信息产业协会高精地图服务工委会2022第二次工作会议顺利召开。

高精地图在产业中占有重要地位,是自动驾驶产业不可或缺的一环,同时还在交通领域有广泛的应用空间。为此,产学研的结合能够积极拓宽产业化的应用,推动中国高精地图蓬勃发展。
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
维吉尼亚理工学院研究团队对58个大语言模型在单细胞生物学领域的应用进行了全面调查,将模型分为基础、文本桥接、空间多模态、表观遗传和智能代理五大类,涵盖细胞注释、轨迹预测、药物反应等八项核心任务。研究基于40多个公开数据集,建立了包含生物学理解、可解释性等十个维度的评估体系,为这个快速发展的交叉领域提供了首个系统性分析框架。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
西湖大学王欢教授团队联合国际研究机构,针对AI推理模型内存消耗过大的问题,开发了RLKV技术框架。该技术通过强化学习识别推理模型中的关键"推理头",实现20-50%的内存缩减同时保持推理性能。研究发现推理头与检索头功能不同,前者负责维持逻辑连贯性。实验验证了技术在多个数学推理和编程任务中的有效性,为推理模型的大规模应用提供了现实可行的解决方案。