太空工程师自动驾驶

太空工程师怎么在太空生存发展?有些萌新玩家不知道怎么在陨石带改版后的生存模式落地生根，这里给大家带来了“SaiLX-”提供的太空工程师在太空快速发展方法详解，快来了解下吧。

在太空快速发展方法详解

这个教学写给那些已经了解游戏玩法的新手们，这次太空的改动十分巨大，也给太空和星球各自赋予了一个定位。

太空：矿物分散，类型齐全，较为好挖。

星球：矿物密集，某些矿物缺少，难挖。

难度的定位和以前一样。

太空：难，发展速度快，适合有经验的玩家和有一定实力的星球玩家。

星球：简单，发展速度较慢，最安逸的环境。

如果只在星球发展当然是可以的，只不过为了更多的冰和矿物，还有更多可以选择的权利，迟早也是要上太空的，那么如何在太空发展就变成了一个问题。下面讲解最快的速度用小黄在太空直接开始发展的步骤：

第一步：出重力圈

把视角向上抬，让地平线浮动起来或者alt+鼠标环视周围让小黄的主推进器朝下，然后按住w，解除缓冲器(z),等速度抵达极限的时候就可以利用引力让小黄飘一会，然后继续加速。

第二步，找到小行星

出引力圈之后，用alt+鼠标寻找周围的小行星，小行星通常很亮很大，和太空贴图很好区分。

第三步，探铀

以铀矿为主，走出飞船，用喷气背包前往各个小行星寻找燃料，然后挖上一背包，喷气背包的好处就是可以反复补给，消耗很少，而且死了以后还可以重生，这个过程通常会很无聊而且需要很长的时间，不过一劳永逸，请务必耐心。

第四步：拆船

优先把最重要的医疗站，生产设施，反应堆拆出来，放到平台上，记得吧平台转换成空间站，不然会乱飘。

第五步：造矿船

把小黄剩下的材料收集起来，造出一个小矿船，记得用小网格，大网格材料需求很高。

第六步：继续探矿

用矿船和喷气背包都可以，有一个驾驶的技巧：想要前往一个小行星的时候最好瞄准小行星的边缘加速，这样即使刹不住也不至于撞上去。

第七步：完善基地，收集更多矿物

一个小行星带是不够的，继续探索吧。

第八步：建造一个可以跃迁，可以运载小矿船的大矿船或者吧基地改成大船。

这步就是小行星改版后教学的核心，在之前的版本里小行星很密集，根本不需要跑很长时间，改版以后需要寻找更多的小行星而且也不密集了，这个时候就需要一个母船载着子船远航挖矿(小船要用合并块连接大船，不然会被跃迁甩走)。

第九步：远程控制

远航让远程控制这个方块变得更加重要，当跃迁到一个小行星带的时候就可以用远程控制让母船和子船自动飞向各个小行星，省事又方便。

第十步：建造更大的基地

如果只满足于最开始的发展，那到第九步就结束了，可是我们需要更多的武力才能保全自身，建造更大的基地可以让你逐渐发展更多的船只和召集更多的阵营成员，基地的大容量也可以装下更多物资，和更多生产设施(比如200个装配机串联)。

第十一步：造打印机成批制造战斗/工程船

有了打印机，摔坏一架再造一架，爽得很。

第十二步：进入无人机时代

频繁出仓焊东西拿材料很麻烦对吗，造一大堆无人机来帮你做这些吧，你只需要在室内遥控就可以了。

第十三步：建造大型战舰

有了大战舰就可以转守为攻，这个时候就真正有势力，再也不用躲躲藏藏了，如果想更有效率，更暴力的建造，可以造一大堆打印机焊蓝图(方块无限制)。

第十四步：进军冰球，建造矿场，前哨站，进入氢气时代!

氢推是最强的推进器，冰球体积又不大，因此占领先机是非常重要的。

第十五步：建造舰队

继续发展你的帝国!建造一批舰队来讨伐玩家/海盗吧!

第十六步：在各个星球建造基地，前哨站，矿场，控制所有玩家的势力。

你只有一个基地，如果那个基地被毁了，所有的一切都会消散，所以就在各个角落扎下深根吧。

第十七步：去战斗吧，在星系里继续扩张你的势力吧。

1994 年某个阳光明媚的秋日，法国 Autoroute 高速上，其他车主可能没有意识到正在发生的不同寻常的事情，两辆德国牌照的豪华轿车正在行驶于高速。这两辆灰色的梅赛德斯奔驰 500 SEL 正在加速到时速 130 公里，它们通过路况自动做出改变，没错，这两辆车是自动驾驶的，计算机控制方向盘，油门和刹车，而且它们这趟行程经过了德国和法国政府的允许。

在谷歌、特斯拉、Uber 开展自动驾驶业务的近 30 年前，一名叫 恩斯特·迪克曼斯 的德国科学家领导者一个工程师团队已经成功的实现自动驾驶。

今天园长来讲讲迪克曼斯的自动驾驶，以及他如何被人遗忘，顺便再说一下 AI 历史浪潮中的自动驾驶的起起伏伏。

迪克曼斯现在 82 岁，他已经停止向研究人员提供一般性建议，他说「人们永远不应该完全忽视曾经非常成功的方法」。

在成为「自动驾驶实际发明者」之前，迪克曼斯工作的前十年是分析太空飞船重回地球在大气层所需的轨迹。

作为一名航天工程师，他在西德雄心勃勃的航天界迅速晋升，在 1975 年，不到 40 岁的他在大学的研究院任职。

在此段时间，他的人生使命发生了改变：他想让汽车自己认路。迪克曼斯越来越相信，他的未来不在太空而是陆地。几年内，他买了一辆面包车安装了计算机，照相机和传感器，并于 1986 年开始在大学内测试。

大学同事们说他是个怪人，但是因为之前航天领域的成绩，所以对他也就睁一只眼闭一只眼。

1986 年，迪克曼斯的面包车成为第一辆自动驾驶汽车。次年，这辆车在巴伐利亚尚未对外公开的高速上以时速 90 公里的速度进行了测试。不久之后德国汽车制造商戴姆勒找到了迪克曼斯，戴姆勒成为了他的资助方，并且在 20 实际 90 年代初，提出了一个项目，他们想要一台大型客车，能够在 1994 年的巴黎展会上演示自动驾驶。

迪克曼斯听完这个要求后，做了个深呼吸，然后告诉戴姆勒「我的团队和我们的方法可以做到」。

1994 年 10 月，迪克曼斯的团队从戴高乐机场接了一批高级客人，在高速公路上，他们使用自动驾驶来完成行驶任务。名为贝林格的工程师坐在车辆的驾驶座，双手放在方向盘上以防出现问题。贝林格 24 年后谈论此事仍兴奋不已。

很多报纸头条报道了这件事。一年之后，团队测试了另一辆新车，他们从巴伐利亚到丹麦的高速公路上，用自动驾驶总共行驶了 1700 公里，最高时速超过了 175 km/h。

不过，不久之后，项目被迫中止了。

迪克曼斯的技术到了天花板，戴姆勒失去了兴趣，再之后，迪克曼斯的开拓性的工作机会被人遗忘。

人工智能的历史已经有了 60 多年,它往往伴随着一个又一个「盛夏」和「寒冬」。迪克曼斯项目起始于盛夏，而终结于寒冬。

20 世纪 50 年代末，人工智能的研究方向是如何让机器像人一样思考。一开始，人工智能这个领域的最大特点就是雷声大雨点小，各种宣传各种大佬站台，经济学家赫伯特·西蒙 20 世纪 60 年代曾预测「机器将会在 20 年内取代人类的工作」。

这些刺激了投资，大量热钱涌入但技术不能实现，20 世纪 70 年代中期泡沫破灭，资金减少，人工智能技术预冷。

在 20 世纪 80 年代中期，迪克曼斯的自动驾驶项目赶上了新一轮的盛夏，他的概念让资本方产生了兴趣，他的团队曾一度扩张至 20 人。然后是 20 世纪 90 年代寒冬的来临，让迪克曼斯的概念不再吸引人。

当时坐在驾驶室的工程师贝林格说「这是一个有趣的概念，但是对很多人来讲，太过未来主义了」。

技术专家说发明有两种：像灯泡一样，被发明就一直被使用，不断被改进。另一种像超音速客机一样，比如协和飞机，它们体现出了革命性的技术，但是过于先进而不适于当下。

迪克曼斯的自动驾驶就属于第二种。

当他在 20 世纪 80 年代开始研发时，计算机仍然需要 10 分钟来分析图像，对周围环境做出反应，并实现驾驶。

面对着看似不可逾越的障碍，他从人体生物学中汲取灵感，他认为，汽车应该想人眼一样，对街道和周围的环境有所感知。人类只能以高分辨率注意到视野中心，同样的，汽车也应该只关注与驾驶有关的东西，如道路标记。这会大大降低计算机处理的信息量。

事实上，汽车在高速公路上自动驾驶是比较简单的，因为路面不复杂，车道明确，指示牌都很清晰。

当时也有一些问题，比如前面的车挡住了指示牌，或者指示牌太旧看不清，都会让自动驾驶出现问题。

在寒冬来临之际，戴姆勒告诉迪克曼斯希望能尽快推出商用，而迪克曼斯知道这项研究在几年内根本无法商用。戴姆勒也就渐渐失去了继续下去的兴趣。

瑞士卢加诺 Dalle Molle 人工智能研究所联合主任 JürgenSchmidhuber 说「事后看来，这些项目并没有立即继续下去，这可能是一个错误，如果继续了，现在自动驾驶也没有 Google 、Uber 这些公司的事了」。

德国公司现在持有自动驾驶技术一半以上的专利，但是新参与者比如 Alphabet 的 Waymo 这样的美国科技巨头正在迎头赶上。

20 世纪 90 年代末，迪克曼斯与美国陆军研究实验室签订四年的合同。他们的合作除了新一代的自动驾驶汽车，能够处理更复杂的路面。在迪克曼斯退休时，这个项目引起了五角大楼新兴技术部的达尔帕的注意。于是 2004 年，该部门搞了了一系列「挑战」鼓励科学家们参与自动驾驶竞赛。

2005 年斯坦福大学计算机教授塞巴斯蒂安·特伦赢得了挑战赛，成立了谷歌自动驾驶车队，他是 AI 社区的名人。而与此同时，本文的主角迪克曼斯和他开创性的工作也被人遗忘了。

2011 年，迪克曼斯巴黎演示无人车之后的 17 年，纽约时报报道了塞巴斯蒂安·特伦努力制造了第一辆无人车，但马上就进行了修正，写到尽管塞巴斯蒂安·特伦开发了一辆无人驾驶汽车，但是他不是第一个这么做的人。

在 2018 年，随着人工智能之前的炒作，新的寒冬来了么？不少人这么认为的。

最近 AI 的研究普遍采用深度学习，通过算法来识别。其基本原理是在复杂的数据中找到相关性，这对大多数应用程序都奏效，但在某些情况下是死路一条。由于深度学习是数据驱动，它伴随着局限性。

之前翻译过圣地亚哥计算机科学 Piekniewski 的文章《 AI Winter is coming 》，他表示大量的热钱涌入 AI，特别是自动驾驶和机器人技术方面，指望马上出成果并不切实际。

很多投资者因为投入了这么多钱，但是期望没有成真而感到恼火。

代尔夫特大学教授 Virginia Dignum 表示「AI 人员继续去重点关注深度学习，结果会让人失望，这个领域如果想要有所突破，一定要通过较少的数据或者因果关系来建立模型，而不是依赖大量数据带来的相关性。」但她不相信 AI 寒冬来了，因为现在和以往不同，现在有大量的可商用 AI，这是因为 2010 年起的技术进步，特别是计算能力和数据储存方面的进步。

迪克曼斯仍然相信，现在的自动驾驶真正成熟，还需要十年以上的时间。现在的汽车并没有真正的分辨能力，他们仅仅是依赖于大量数据的训练，这意味着在一些道路以及通用情况下会很好，但是在一些特定的环境中会出现意外。

迪克曼斯说「我的自动驾驶技术命名为「寻路者（pathfinder vision）」，现在仍有几个机构在研究这种方法，它能让汽车在任何地方和情况下运行，不论是暴风雨过后，地震之后，战区，都可以起到作用」。

他预测，总有一天，行业会意识到现在通用的方法的局限性，到时候他会再度出山。

他补充道「我很高兴我可以成为开拓者之一，但是如果我今天重新开始，凭借现有的技术，这将是一个完全不同的故事」。