华为智能电动 DriveONE:运动域融合重构汽车驾驶安全底座
随着新能源汽车产业的迅猛发展,零百加速成绩、峰值扭矩等动力性能指标成为各大车企营销的焦点,技术迭代下车辆性能不断突破极限。然而,当驾驶人员面对远超传统燃油车的澎湃动力时,却往往因难以精准驾驭风驰电掣的速度,在道路上埋下安全隐患,使得汽车驾驶安全议题愈发成为行业与社会关注的核心。对于大多家庭用户而言,汽车首先是可靠的出行工具,而非速度玩具。大众市场对新能源汽车的核心诉求,正从极致性能炫技转向基础安全筑牢。
华为智能电动DriveONE运动域融合——重构汽车驾驶安全底座
作为华为数字能源旗下专注于新能源汽车运动部件研发的Tier1 零部件供应商,华为智能电动DriveONE始终以技术创新树立行业标杆,在推动新能源汽车产业蓬勃发展的进程中持续发力。2025 年上海车展前夜,华为智能电动产品线总裁王超提出运动域融合概念,将驾驶安全放在了未来汽车发展方向首要位置。运动域融合的核心,在于打破单部件本能安全的局限性,通过车辆“X(前后)、Y(左右)、Z(上下)”三向运动部件的深度协同,构建全场景安全冗余。
王超表示,运动域的发展经历三个重要阶段,在运动域1.0阶段,行业聚焦单部件性能突破——如高转速电机、大扭矩电控等,这与新能源汽车早期“以性能换市场”的策略高度契合。而进入 2.0 阶段,技术重心转向“部件协同”,通过X向运动部件的融合,让车辆刹得住、躲得开、开得稳,比如在高速雪地爆胎的情况车辆能在保持车辆稳定的同时实现车辆在高速状态下的紧急避障;在一些交通事故导致的刹车失效也能保证失效但不失控;还有一些用户在海边遇到的轮胎因陷进泥沙失去附着力导致车辆无法脱困情况,在运动域融合技术下,华为DriveONE可实现轻松脱困。随着未来进入运动域 3.0 阶段,XYZ 三向部件的全面融合,必将带来驾驶模式与理念的彻底变革。尤其当智能驾驶配合运动域的灵活底座,车的操控方式也会发生翻天覆地的改变,人人都是老司机、人人都能跑赛道的时代仿佛已经近在眼前了,期待DriveONE能够带来更多惊喜。
运动域发展的逻辑,本质上是从“参数竞赛”到“体验重构”的思维转换。当友商还在为 电机转速突破3万转欢呼时,华为智能电动DriveONE已将研发资源投向更为关键的领域——打造用户驾驶安全的“护城河”。因此,即便实现了38800转电机这样的技术突破,也未大肆宣扬,仅仅在发布会的一页PPT里毫不起眼的角落一带而过。
总结
新能源汽车的发展历程,始终伴随着“技术激进主义”与“用户实用主义”的博弈。当行业沉迷于 “零百加速再快 0.1 秒”的数字游戏时,华为智能电动DriveONE用运动域融合技术证明:真正的技术创新,应当是把用户真正的需求放在首要位置。毕竟科技发展的意义,应该是能最终服务于人类,让我们的生活更加美好。

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
XXL-MQ v1.4.0 | 轻量级分布式消息队列
Release Notes 1、【重构】XXL-MQ 核心代码重构,基于“存算分离”与“分区机制”设计思想。在轻量级、分布式的基础上,强化高吞吐、海量消息及水平扩展能力。; 2、【新增】存算分离:消息中心(Broker)与消息存储层(Store)解耦。消息中心 提供消息OpenApi以及消息控制台管理能力;消息存储层 提供消息存储能力。得益于存算分离系统设计,消息中心支持水平扩展,支持线性提升消息吞吐及存储能力。 3、【新增】分区机制:针对消息数据进行分区路由计算及隔离,结合在线消费者进行 “分区动态平衡分配”(每个消费者分配负责分区区间),实现消费者与消息数据的灵活路由绑定。基于分区机制,灵活实现并行、串行、分片、Hash、广播…等多消息类型,保障系统高吞吐特性。 4、【增强】扩展支持多消息类型: 并行消息:多个消费者并行消费数据,支持轮询或随机策略。适用于消息吞吐量较大的业务场景,如邮件发送、日志记录等。 串行消息:同一时刻只有一个消费者消费数据,消息按照生产顺序FIFO串行消费。适用于有串行消费诉求的业务场景,如秒杀、抢单等场景; 分片消息:支持根据业务参数进行Hash分片,相同...
- 下一篇
MTGR:美团外卖生成式推荐Scaling Law落地实践
美团外卖推荐算法团队基于HSTU提出了MTGR框架以探索推荐系统中Scaling Law。MTGR对齐传统模型特征体系,并对多条序列利用Transformer架构进行统一建模。通过极致的性能优化,样本前向推理FLOPs提升65倍,推理成本降低12%,训练成本持平。MTGR离在线均取得近2年迭代最大收益,且于2025年4月底在外卖推荐场景全量。本文系相关工作的实践与经验总结,希望能给从事相关方向研究的同学带来一些帮助。 引言 深度学习中的缩放法则(Scaling Law)是指模型的一些功能属性(通常指评估的损失Loss或任务的评估指标)与模型架构或优化过程的属性(例如模型大小、训练计算量等)之间的关系。直观的理解就是探索模型算力和效果之间的联系,如OpenAI的GPT3、GPT3.5、GPT4在模型参数量、数据量、计算量逐步提升,模型能力(效果)变强。这些法则可以帮助指导深度学习模型的设计和训练。 在自然语言处理、计算机视觉等领域中,Scaling Law已经被多次验证其有效性,然而,对于推荐系统则仍处于起步阶段。目前影响较大的是工作为Meta的GR(Generative Recomme...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- CentOS7设置SWAP分区,小内存服务器的救世主
- Mario游戏-低调大师作品
- Docker使用Oracle官方镜像安装(12C,18C,19C)
- 2048小游戏-低调大师作品
- Jdk安装(Linux,MacOS,Windows),包含三大操作系统的最全安装
- MySQL8.0.19开启GTID主从同步CentOS8
- CentOS8安装Docker,最新的服务器搭配容器使用
- CentOS8安装MyCat,轻松搞定数据库的读写分离、垂直分库、水平分库
- CentOS7编译安装Cmake3.16.3,解决mysql等软件编译问题
- CentOS7,CentOS8安装Elasticsearch6.8.6