8月24日,搭载Petal Maps智能车载地图解决方案的阿维塔11鸿蒙版正式发布。这是Petal Maps全球智能车载地图解决方案又一商用落地项目,与阿维塔携手,共同为消费者带来智慧导航新体验。
Petal Maps助力阿维塔构筑智能驾驶体验
本次Petal Maps上线阿维塔11鸿蒙版,结合汽车行业“电动化”、“智能化”趋势,通过与座舱深度融合,带来了新能源智能充电补能、人驾/智驾自由切换、导航跨设备无缝流转等核心特性,共同为阿维塔11鸿蒙版车主打造HarmonyOS智能座舱智慧导航体验。
Petal Maps为阿维塔11鸿蒙版带来了支持 “电动化”发展的新能源地图能力。具备行前沿途充电站智能规划、行中低电提醒、可达里程范围荷包蛋图呈现等功能,可以为出行规划合理、快捷的充电补能方案,续航心中有数,让驾驶者轻松享受出行旅途。
Petal Maps实现人驾、智驾整合覆盖,带来人驾、智驾无感切换的智能驾驶体验。用户上车确认目的地后,提供“智驾线路”和“人驾线路”供车主选择。如车主在行车前选择“智驾路线”,Petal Maps将自行切换为“智驾地图”,无需再次手动操作切换, 在车辆开启智驾领航后,车主注意力可保持在驾驶正前方,行车更安全智能。
依托HarmonyOS分布式能力,Petal Maps带来导航跨设备无缝流转体验。用户上车前在手机地图发起导航,上车后导航任务将自动流转到车机导航,下车后导航将流转回手机继续导航任务,直至到达目的地。同时,Petal Maps还支持部分第三方应用位置信息一键分享至车机发起导航,无需在车机上再次输入目的地。手机与车机之间的多种便捷位置信息分享方式,极大地提升了导航便利性与用户使用体验。
Petal Maps持续构建全球智能车载地图解决方案,赋能更多车企
Petal Maps与全球生态伙伴合作,打造覆盖全球的地图平台能力,提供数据覆盖广、车主服务多、数据更新快,且可与硬件深度融合的智能车载地图解决方案,支撑阿维塔11鸿蒙版快速上线。当前车载地图已经成为车企构建差异化竞争力的关键一环,Petal Maps将围绕全球生态、技术创新、导航体验不断升级智能车载地图解决方案,赋能更多车企伙伴。
在全球生态方面,Petal Maps拥有全球数据与服务生态能力,目前已积累3.2亿+POI数据,还将不断融合主流图商、合作伙伴、用户UGC反馈数据,提升数据鲜度;通过持续接入全球生态伙伴服务,覆盖衣食住行各领域,满足车主出行时的多元需求,为车企伙伴提供强大的支撑能力。同时,Petal Maps严格遵从国际化隐私安全标准,保障车企在全球范围内安全合规运营。
在技术创新方面,Petal Maps基于平台定位、检索、导航、渲染四大引擎能力,将不断提供更多细分出行场景下的创新导航能力,如AR实景导航、城区车道级导航、ISA专用地图等。基于AR HUD的沉浸式技术,提供虚实结合的车道级引导,带来新的沉浸式领航体验;通过摄像头感知信息,融合地图路面静态元素和动态数据带来支持SD数据下的城区车道级导航;提供ISA专用地图解决方案,包括显式、隐式以及条件限速信息,帮助车企通过要求严苛的E-NCAP认证,顺利出海。
在导航体验上,Petal Maps将始终以极致驾驶体验为核心,为车机量身打造。如导航设计将遵循全球各地驾驶习惯,支持左舵右舵切换、多屏显示导航信息、手车互联无断点,将更多优质的消费者体验带上车。
Petal Maps智能车载地图解决方案成功上线阿维塔11鸿蒙版,获得车企伙伴认可和选择。Petal Maps也将持续升级车载地图解决方案,让车载地图变得越来越好用,用户越来越想用,为更多的车企伙伴贡献更多差异化卖点价值,为合作伙伴车主提供更多智慧导航体验。
好文章,需要你的鼓励
四川大学研究团队发现,当前先进的AI模型在面对信息不完整的数学问题时,缺乏主动询问澄清信息的能力,更倾向于基于假设给出答案。
中南大学等机构联合发布TextAtlas5M数据集,包含500万图像-文本对,专门解决AI长文本图像生成难题。该数据集平均文本长度148.82词,远超现有数据集,涵盖广告、学术、教育等真实场景。配套的TextAtlasEval基准测试显示,即使最先进的商业模型也面临显著挑战,为AI图像生成技术指明了新的发展方向。
从11岁就梦想造人形机器人的Bernt Bornich,用'huggable'形容他的Neo Gamma机器人——这个能举起150磅的66磅'运动员',正以家庭为试验场突破AI学习瓶颈:'工厂20小时就触及学习天花板,而家庭环境的多样性才是通往AGI的钥匙'。
剑桥大学研究团队创建了史上最难的AI视觉测试ZeroBench,包含100道精心设计的视觉推理题目。在这项测试中,包括GPT-4o、Claude、Gemini在内的20个全球最先进AI模型全部得了0分,暴露了当前AI在基础视觉理解上的严重缺陷。研究发现AI主要在计数、空间推理等基础任务上失败,而非逻辑推理能力不足。