6月7日,位置数据和技术平台HERE Technologies宣布,将为知名摩托车制造商宏佳腾全新推出的后装市场产品CROXERA® M 智能后视镜及配套应用程序CROXERA® EDGE,提供交通事件的安全提醒服务。

市场研究报告显示,2021 至2027 年,全球智能网联摩托车市场的年均复合增长率将达到 46.9%。智能网联摩托车通常会配备一个车载联网设备,用于监控实时交通导航、驾驶辅助系统与设备状态等。随着5G的广泛应用与互联网普及率提升,摩托车骑手对上述联网功能的需求也逐渐增加。
自2018年以来,HERE SDK通过赋能宏佳腾的智能仪表板CROXERA® 及其配套移动应用程序 CROXERA,为骑行者提供可适应实时变化的实时(TBT)辅助导航及测速照相提醒。HERE SDK可通过导航数据为骑行者提供准确的预计到达时间和预计抵达目的地距离,并集成到其摩托车仪表板中,无需安装其他外置设备。
除此以外,通过专有的数据高度压缩格式,HERE SDK能够快速预加载地图,同时提供路线计算、位置搜索和实时导航等离线功能。
2022 年 3 月,宏佳腾发布了全新的CROXERA® M 智能后视镜与移动应用程序CROXERA® EDGE。为支持上述新产品,HERE SDK已同步推出扩展版本。骑行者在超速或经过测速摄像头时,CROXERA® M 智能后视镜能够通过镜面上的LED图标和LED守护光条,发出安全警示。

宏佳腾动力科技股份有限公司董事长特助钟亚成表示:“在亚太地区,两轮车是人们日常生活的重要出行工具,因此骑行者的道路安全问题备受关注。宏佳腾已售出超过23,000辆配备实时导航功能的两轮车,均由HERE 提供支持。多年来HERE提供的数据质量与灵活性为我们留下了极为深刻的印象,自应用HERE SDK起,我们的逐向导航功能就一直广受消费者好评。可以说,HERE领先的位置科技帮助我们的产品在激烈的行业竞争中脱颖而出。”
为了整合行业专业知识,并推展智能和安全技术方面的相关合作,宏佳腾于2021年成立了 CROXERA® 安全车联网联盟,以提升道路骑行安全为使命,现已拥有包括HERE Technologies在内的13个合作伙伴。
钟亚成补充道:“在我们的智能出行应用与产品开发中,HERE始终具有不可替代的作用,因此我们诚邀HERE加入CROXERA® 安全车联网联盟,更好地发挥HERE的技术优势与专业经验,助力宏佳腾加速实现利用先进科技提升骑行者出行安全的使命。”
HERE Technologies 大中华区总经理奚宁表示:“作为知名摩托车品牌,宏佳腾始终以应用最前沿技术于其产品而闻名。我们非常荣幸能够帮助宏佳腾通过 CROXERA® 安全车联网联盟实现更大范围的品牌影响力增长。加入CROXERA® 安全车联网联盟,也象征着HERE与宏佳腾多年来的战略合作伙伴关系持续深化。同时,我们也十分期待继续为宏佳腾提供技术支持,为众多骑行者带来更加安全的出行体验。”

关于宏佳腾动力科技股份有限公司
宏佳腾动力科技股份有限公司设立于1998年,并创立品牌 『Aeonmotor』。
秉持着「品质第一,精益求精,顾客满意,永续经营」政策,产品朝向「重型化、 多元化、休闲化、生活化、创意化 」目标发展。让Aeonmotor成功的开发了速克达、 ATV (All Terrain Vehicle,全地形车辆或沙滩车,简称ATV)、 UTV (Utility Vehicle,多功能越野车,简称UTV)、机车及电动车等多元产品,先后通过ISO9001与QS9000等品保系统的认证与多国认证。 Aeonmotor将持续以『用心、知心、维新、创新』的态度打开市场新纪元。
关于HERE Technologies
HERE是全球领先的位置数据和技术平台,利用位置科技的力量推动人们、企业和城市向前发展。通过利用我们的开放平台,我们使客户能够实现更好的结果——从帮助城市管理其基础设施或企业优化其资产到引导司机安全抵达目的地。
好文章,需要你的鼓励
这篇论文提出一种插件式2D动作接口,让已训练好的3D运动语言模型无需修改或微调即可直接理解2D姿态输入。实验证明2D输入效果媲美3D输入,且在真实视频场景下配合专门的降噪适配器,2D方案比3D姿态估计更省算力、更实用,为动作理解模型的现实部署提供了新路径。
研究团队让8种AI智能体独立完成100项真实科研任务,深度剖析800份研究轨迹后发现,即便是最强模型,也普遍存在"发现问题却不修正"的现象,背后根源指向AI缺乏检验自身产出、主动纠错的元认知能力。
WorldRover是一套面向可探索世界建模的合成视频数据引擎,基于虚幻引擎构建,能让同一段探索轨迹在保持路线与场景一致的前提下,重新渲染为多种视角和外观状态,并同步提供深度、光流、长程点追踪等丰富标注,最终发布WorldRover-10M数据集,含2190万帧、202.7小时视频。
这篇论文指出,现有多目标强化学习训练大模型时存在"一刀切"分配优化精力的问题,提出SA-MRPO方法,根据每个奖励目标的饱和程度动态调整其权重,在数学推理、自适应推理、代码生成等任务上均取得优于现有方法GDPO的效果。