XiaoMi-AI文件搜索系统
World File Search System驾驶
神经：自动驾驶的神经渲染
神经辐射场（NERFS）在自动驾驶（AD）社区中广受欢迎。最近的方法显示了NERFS进行闭环模拟的潜力，广告系统的启动测试以及作为先进的培训数据增强技术的潜力。但是，现有的方法通常需要较长的训练时间，密集的语义范围或缺乏普遍性。这反过来妨碍了NERF的应用在大规模上应用于AD。在本文中，我们提出了一种针对动态AD数据量身定制的可靠的新型视图合成方法。我们的方法具有简单的网络设计，凸轮和激光镜头的广泛传感器建模 - 包括滚动快门，梁发散和射线掉落 - 并且适用于开箱即用的多个数据集。我们在五个受欢迎的广告数据集上验证其性能，从而实现最新的性能。为了鼓励进一步开发，我们公开发布了神经源源代码。
良好（在驾驶时）-googleapis.com
应对这些挑战，我们提出了驾驶概念，以此作为实现良好驾驶行为的框架。驾驶理由评估驾驶行为在道路使用者之间存在的相互期望之间的一致性中。利用现有文献，我们首先要区分（i）经验期望（即，反映了“遵循某种行为的信念”，借鉴了过去的经验）（Bicchieri，2006年）； （ii）规范性期望（即，基于社会同意的原则，反映了“应该遵循某种行为的信念”）（Bicchieri，2006年）。，由于社会期望自然会随着时间的流逝而自然变化，因此我们引入了第三种期望，促进期望，表示可以展示的行为，以促进运输生态系统的持续改进。我们将驾驶员置于社会规范期望的空间内，并指出现有的与一些经验和促进期望的重叠，这受到技术和物理上可行性的限制。
骑行舒适改进的生态驾驶方法
由于当前范式正在经历的进步，因此出现了对运输系统的抽象新挑战。自动驾驶汽车的突破引起了人们对骑行舒适的担忧，而近年来污染了污染的担忧。在自动汽车模型中，预计驾驶员将成为乘客，因此，他们将更容易受到骑行不适或运动疾病的困扰。相反，由于对气候和人们健康的影响，因此不应搁置生态驾驶的含义。因此，对上述点的联合评估将产生积极影响。因此，这项工作提出了一个自组织的基于地图的解决方案，以评估个人从生态驾驶的角度考虑其驾驶风格的骑行舒适特征。为此，使用了从仪器的汽车中获得的数据集来对驱动程序进行分类，以分类其缺乏骑行型和生态友好性的原因。一旦对驾驶风格进行了分类，就提出了基于自然的建议，以增加与系统的参与。因此，预计将达到骑行舒适评估参数的潜在提高57.7％，以及预计将达到温室气体排放的47.1％。
驾驶员和障碍对于V2G的重要性？
Abstract ....................................................................................................................................................ii
off-...英国和美国自动驾驶汽车的公开期望
自动驾驶汽车（SDVS）的抽象开发人员与可能的未来有一个特定的想法。公众不得分享其基于的假设。在本文中，我们分析了英国调查（N¼4,860）和美国（n¼1,890）公众的自由文本响应，这些公众询问受访者在想到SDV时会想到什么弹簧，以及为什么应该或不应该开发它们。响应（平均每个参与者的总共27个单词）倾向于提出安全的希望，并且更常规地担心。许多受访者都提出了技术，其他道路使用者与未来之间关系的替代书籍。而不是接受一种主导的公众参与方法，该方法试图使公众从这些观点中教育，而是建议这些观点应视为社会情报的来源，并为建立更好的运输系统做出了潜在的建设性贡献。预期治理，如果要包容，则应寻求理解和整合公众观点，而不是拒绝它们是不合理的或可变的。
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。
AI驱动的无人驾驶汽车的多学科概念设计
本文基于人工智能驱动的分析模型，为无人机的多学科概念设计框架提供了一个多学科的概念设计框架。这种方法利用了驱动的分析模型，其中包括空气动力学，结构质量和雷达横截面预测，以将定量数据带到初始设计阶段，从而从各种优化的概念设计中选择了最合适的配置。由于设计优化周期，为以后的设计活动提供了更准确的翼，尾部和机身等关键组件的初始尺寸。同时，生成的结构可以通过设计迭代中的反馈循环实现更合适的设计点选择。因此，除了降低设计成本外，这种方法在整个设计过程中还具有很大的时间优势。
您说话时开车：在自动驾驶汽车中启用与大语言模型的人类互动
自动驾驶汽车的未来在于以人为中心的设计和先进的AI Capabilies。未来的自动驾驶汽车不仅会跨乘客，而且还将互动并适应他们的欲望，从而使旅程变得舒适，有效且令人愉悦。在本文中，我们提出了一个新颖的框架，该框架利用大型语言模型（LLMS）来增强自动驾驶汽车的决策过程。通过整合LLMS的自然语言能力和上下文理解，专业工具使用，协同推理，并与自动驾驶汽车的各种模块进行作用，该框架旨在将LLMS的先进语言和推理能力无缝整合到自动驾驶中。拟议的框架具有革新自动驾驶汽车运行方式，提供个性化援助，持续学习和透明决策的潜力，最终为更安全，更有效的自动驾驶技术做出了贡献。
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。
使用自动驾驶汽车的退出策略
摘要 - 公路车辆的自动化是一种新兴的技术，在过去十年中迅速发展。自动驾驶汽车对现有的运输基础设施提出了许多跨学科挑战。在本文中，我们对自动驾驶汽车应更改其车道进行算法研究，这是车辆自动化领域中的基本问题，也是大多数“幻影”交通拥堵的根本原因。我们提出了一个预测和决策框架，称为Cheetah（自动驾驶汽车的Change Lane Smart），该框架旨在优化自动驾驶汽车的车道更改操作，同时最大程度地减少其对周围车辆的影响。在预测阶段，Cheetah从周围车辆的历史轨迹中了解了具有深层模型（气体导向模型）的历史轨迹的时空动态，并在不久的将来预测了它们相应的动作。还纳入了全球注意力机制和国家共享策略，以实现更高的准确性和更好的收敛效率。然后，在决策阶段，猎豹通过考虑速度，对其他车辆和安全问题等诸如速度，影响速度等因素，为自动驾驶汽车寻求最佳的车道更改操作。基于树的自适应梁搜索算法旨在降低搜索空间并提高准确性。为了使我们的框架适用于更多场景，我们进一步提出了改进的猎豹（Cheetah +）框架，使自动驾驶汽车适应离开道路并满足驾驶舒适性的要求。广泛的实验提供了证据，表明所提出的框架可以从有效性和效率方面提高最新技术。