XiaoMi-AI文件搜索系统
World File Search System驾驶
多模式和多任务自动驾驶数据集
当前用于自动驾驶计算机视觉的深层神经网络（DNNS）通常在仅涉及单一类型的数据和urban场景的特定数据集上进行培训。因此，这些模型努力使新物体，噪音，夜间条件和各种情况，这对于安全至关重要的应用至关重要。尽管持续不断努力增强计算机视觉DNN的弹性，但进展一直缓慢，部分原因是缺乏具有多种模式的基准。我们介绍了一个名为Infraparis的新颖和多功能数据集，该数据集支持三种模式的多个任务：RGB，DEPTH和INDRARED。我们评估了各种最先进的基线技术，涵盖了语义分割，对象检测和深度估计的任务。更多可视化和
最终：PR-非洲城市领导人在内罗毕联合驾驶绿色和有弹性的城市未来
- 消除公私合作伙伴关系的障碍，以加速气候行动项目，市长的信件旨在解锁绿色基础设施和可持续城市增长的急需资金。Urbanshift Africa论坛还将发布有关全球南部城市可持续财务行动和倡导的新路线图，该图案概述了市长及其团队可以开始行动并提倡气候行动的实际步骤。来自C40，Urbanshift和全球气候和能源市长盟约（GCOM）的新资源将帮助市长为清洁能源和公共交通等重要项目提供负担得起的融资。路线图（链接将于2月17日星期一1700次上线）还建议为城市提供更多的财务独立性，创建国家平台以协调努力，并将项目分组在一起，以吸引更多的投资。Freetown市长，C40城市的联合主席 Yvonne Aki-Sawyerr说：“非洲城市已经处于气候行动和创新的先锋范围内。 我们的青年人口已经在拥护气候行动并投资自己的未来。 “大约有70％的非洲人口35岁，年轻人正在利用技术，创造力和企业家精神来推动向可持续性转变。 现在是时候让国际金融界投资他们的能源和思想了。 “非洲的年轻人口意味着有足够的机会改变许多城市和许多居民的现实。Yvonne Aki-Sawyerr说：“非洲城市已经处于气候行动和创新的先锋范围内。我们的青年人口已经在拥护气候行动并投资自己的未来。“大约有70％的非洲人口35岁，年轻人正在利用技术，创造力和企业家精神来推动向可持续性转变。现在是时候让国际金融界投资他们的能源和思想了。“非洲的年轻人口意味着有足够的机会改变许多城市和许多居民的现实。“我们知道下一代已经准备好领导更绿色，更公平的未来的指控，现在，城市领导者有责任获得他们为我们所有人创造更绿色，更公平的未来所需的资源。”内罗毕州长萨卡贾·约翰逊（Sakaja Johnson）说：“我感到非常兴奋，C40决定主持绿色和韧性的Urbanshift非洲论坛，该论坛将带来非洲大陆上一些最大和领先的城市的代表到内罗毕。我们将继续利用技术和企业家精神来开发清洁能源解决方案，这些解决方案必须伴随着所有人的绿色，更公平的经济模式。“投资非洲的气候解决方案：预计最初投资的$ 1的预计回报为4美元，这是全球投资者的独特机会
自动驾驶的单视图和多视图深度的自适应融合
来自图像的深度估计是具有广泛应用的计算机视觉中的一个长期问题。对于基于视觉的自动驾驶系统，感知深度是理解道路对象和建模3D环境图的相关性的不可或缺的模块。由于深度神经网络用于求解各种视觉概率，因此基于CNN的方法[2-5，13，39 - 42，44，44，46，48，52]主导了各种深度基准。根据输入格式，它们主要将其分为多视图深度估计[3，13，23，26，44，45，51，53]和单视深度估计[14 - 16，19，37，38]。多视图方法估计深度的假设，即给定的深度，相机校准和摄像头姿势，这些像素应相似。他们依靠表现几何形状来三角形高质量深度。但是，多视图方法的准确性和鲁棒性在很大程度上依赖于相机的几何配置以及视图之间匹配的对应关系。首先，需要足够翻译相机以进行三角度。在自主驾驶的情况下，汽车可能会停在交通信号灯处或不移动而不移动，这会导致故障三角剖分。此外，多视图方法遭受动态对象和无动电区域的影响，它们在自动驱动方案中无处不在。另一个问题是对移动车辆的施加优化。在存在的大满贯方法中不可避免地噪声，更不用说具有挑战性和可取的情况了。具体来说，我们提出了一个两个分支网络，即例如，一辆机器人或自动驾驶汽车可以在不重新校准的情况下部署多年，原因是嘈杂的姿势。相比之下，作为单视图方法[14 - 16，19，37，38]依赖于对场景的语义理解和透视投影提示，它们对无纹理区域，动态对象，而不是依赖相机姿势更为易用。但是，由于规模歧义，其性能仍然远非多视图方法。在这里，我们倾向于考虑是否可以很好地结合两种方法的好处，以实现自主驾驶场景中的稳健和准确的单眼视频深度估计。尽管已经在先前的工作中探索了基于融合的系统[1，9]，但他们都假定了理想的相机姿势。结果是融合系统的性能甚至比单视深度估计的噪声姿势还差。为了解决这个问题，我们提出了一个新型的自适应融合网络，以利用多视图和单视图方法的优势，并减轻其缺点，以保持高度的精度，并在噪声姿势下提高系统的影响力。一个靶向单眼深度提示，而另一个则利用多视图几何形状。两个分支都预测了深度图和置信图。补充语义提示和边缘细节在多视图分支的成本汇总中丢失了
广泛的自动乘车驾驶和对交通噪声的影响
实施高效且可持续的乘车系统需要制定良好的战略和伴随的公共政策。在基于严厉的停止场景中观察到最高的潜力。尽管这种情况在政治上可能不可行，但它显示了可以通过乘车来实现多少流量和降噪的上限。可以通过基于停止的服务设计观察到少量降低噪音，尤其是在居民区。门到门服务甚至可能会增加居民区的噪音。这项研究发表在运输研究部分，可访问开放式：https：//doi.org/10.1016/j.trd.2020.102673
大型语言模型策略适应到处驾驶
将驾驶行为适应新的环境，库斯和法律是自主驾驶中的一个长期问题，排除了澳大利亚车辆（AVS）的广泛部署。在本文中，我们提出了LLADA，这是一种简单而强大的工具，它使人类驾驶员和自动驾驶汽车都可以通过调整其任务和动作计划来在新的地方进行访问规则，从而在任何地方开车。llada通过利用大型语言模型（LLMS）在解释本地驾驶员手册中的流量规则方面的令人印象深刻的零弹性可推广性来实现这一目标。通过广泛的用户研究，我们表明LLADA的说明可用于消除野外野外未受的情况。我们还展示了LLADA在现实世界数据集中适应AV运动计划策略的能力； Llada优于我们所有指标的基线计划。请查看我们的网站以获取更多详细信息：Llada。
ChatScene：自动驾驶汽车的知识关键方案生成
摘要我们提出了一种大型语言模型（LLM）的ChatScene-利用LLM的能力来为自动驾驶汽车的安全至关重要方案。给定的非结构化语言指令，代理首先使用LLMS生成文本描述的流量方案。这些SCE-NARIO描述随后被分解为几个子描述，以获取指定的细节，例如行为和车辆的位置。代理然后将文本描述的子筛选性转换为特定于域的语言，然后在模拟器中生成用于预测和控制的实际代码，从而促进了Carla Simulation Envimonment中的不同和复杂场景的创建。我们代理的关键部分是一个全面的知识检索组件，它通过训练包含情景描述和代码对的知识数据库来有效地将特定的文本描述转化为相应的特定领域代码段。广泛的实验结果强调了Chatscene在提高自动驾驶汽车安全性方面的功效。对于Intance，ChatScene产生的方案显示，与最先进的基线相比，在针对不同的基于强化的基于学习的自我车辆进行测试时，碰撞率增加了15％。此外，我们表明，通过使用我们生成的安全 - 关键方案来微调不同的基于RL的自主驾驶模型，它们可以降低碰撞率9％，超过Cur-Current Sota方法。代码可在https://github.com/javyduck/chatscene上找到。ChatScene有效地弥合了交通情况的文本描述与实际CARLA模拟之间的差距，从而提供了一种统一的方式，以方便地生成安全至关重要的方案，以进行安全测试和改进AVS。
敏捷自动驾驶汽车的实时运动计划
要允许复制或重新出版，请联系美国航空与宇航学院1801 Alexander Bell Drive，Suite 500，Reston，VA，20191–4344
VLP：自主驾驶的视觉语言计划
自主驾驶是一项复杂而具有挑战性的任务，旨在通过场景和推理来实现安全的运动计划。最近，通过增强的场景理解，几个关键问题，包括缺乏推理，低概括性能和长尾场景，但仍需要戴着几个关键问题，但仍需要进行一些关键问题。在本文中，我们提出了VLP，这是一个新颖的视力 - 语言规划框架，利用语言模式来弥合语言理解与自动驾驶之间的差距。VLP通过加强源内存基础和自动驾驶汽车的上下文理解来增强自主驾驶系统。vlp通过与先前的最佳方法相比，分别在平均L2错误和碰撞率方面，分别在平均L2错误和碰撞率方面实现了35.9％和60.5％的端到端规划表演。此外，在面对新的城市环境时，VLP在挑战性的长尾方案和强大的概括能力方面表现出改善的性能。
第四届自动驾驶AI挑战赛主要竞赛内容
○ 当比赛过程中发生超控时，B 赛道上的比赛将结束。 （规定3次运行中的1次将被视为已消耗。） ○ 对于A路线，即使中途发生超越，只要超越前后有清除的内容，则将被视为有效。 （例如，即使在1-1避障过程中发生超越，如果在之后的同一运行中清除了1-2障碍物识别，则1-2中获得的分数将有效。 另外，如果1-1避障成功完成，并且在下一个交叉路口的1-2障碍物识别之前发生超越，则避障的10分将成为该运行的得分。） ● 我们正在努力通过提前验证来减少技术问题，但请谅解可能会出现秘书处未预料到的问题。 ● 如果您对比赛内容有任何疑问，请在您参加的Slack频道中提问，以确保所有参与者的信息公平。请注意，我们无法回答有关比赛内容以外的任何问题。
