XiaoMi-AI文件搜索系统
World File Search System驾驶
CEPP将驾驶可实现的，订单和可靠的...
与其他需要公用事业公司使用更多清洁能源但可能将其中一些成本传递给纳税人的电力部门政策相比，CEPP旨在降低客户成本。根据计划，公用事业必须将其100％的赠款用于客户和工人福利，包括直接账单援助，清洁能源和能源效率投资，以及通过能源系统的变化为工人提供支持。此外，根据该计划，公用事业的付款必须由公用事业公司的股东和所有者而不是纳税人支付。利用最佳实践的实用程序，例如全源竞争性采购，可以进一步降低电力成本。17
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。
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。
采用 Direct 的创新驾驶舱触摸屏 HMI 设计...
作为一种广泛使用且经过验证的技术，触摸屏正在进入民用飞机的驾驶舱。作为 ACROSS（减少压力和工作量的先进驾驶舱）项目的一部分，NLR 设计了一种具有触摸交互功能的创新驾驶舱显示器，用于战术飞行控制；改变飞机的（垂直）速度、航向和/或高度。在当前的驾驶舱配置中，此自动驾驶 (AP) 功能的控件在空间上与它们调整的参数的可视化分离，从而引入了身体和精神工作量的方面。本文介绍了消除这种物理间隙并通过直接操作 (DM) 创建直观交互的人机界面 (HMI) 设计过程。DM 的特点是直接在图形对象可视化的位置对其进行操作，其方式至少与操作物理对象大致相对应。它具有高度直观性，不易出错的潜力。因此，假设 HMI 设计可以减少飞行员的工作量并同时提高态势感知 (SA)。使用 NLR 的飞行模拟器对该概念进行评估。实验结果表明，战术飞行控制设计概念具有巨大潜力，但交互实现需要进一步改进，因为它增加了飞行员的工作量，尤其是在湍流条件下。
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。
反馈引导的自主驾驶-CVF Open Access
虽然行为克隆最近已成为自主驾驶的非常成功的范式，但Humans很少学会通过单独的模仿或行为克隆来执行复杂的任务，例如驱动或行为。相比之下，人类的学习通常涉及在整个交互式学习过程中的其他详细指导，即通常通过语言的反馈提供详细的信息，以详细信息，以进行审判的哪一部分进行，不正确或次要地进行。以这种观察的启发，我们引入了一个有效的基于反馈的框架，用于改善基于行为克隆的传感驱动剂培训。我们的关键见解是利用大语模型（LLM）的重新进步，以提供有关驾驶预测失败背后的理由的纠正良好的反馈。更重要的是，我们引入的网络体系结构是有效的，是第一个基于LLM的驾驶模型的第一个感觉运动端到端培训和评估。最终的代理在Nuscenes上的开环评估中实现了最新的性能，在准确性和碰撞率上的表现优于先前的最新时间超过8.1％和57.1％。在卡拉（Carla）中，我们的基于相机的代理在以前的基于激光雷达的AP摄入率上提高了16.6％的驾驶得分。
任何形式的服务税：自动驾驶汽车在自动化服务中的税收
特别是考虑到第116/2003号补充法的附件清单，以提出质疑并提出答案，以解决其问题的答案，并在运输车辆方向通过人工智能执行的人们运输的可能性或不可能。试图汇聚两个显然是不同的知识领域，本文带来了在没有特定人的实际存在的情况下进行的任何类型的服务税的发生率，这是在没有人类的身体存在的情况下进行的，但仅通过使用I.A.- 人工智能。划定材料标准2，或者也称为“服务”的物质方面3，考虑了《联邦宪法》中有关此事的规定以及其有效的补充法（包括其附件）。同样，在交通服务的前提下，我们也寻求同时执行“合并”（甚至仅出于理论目的）。但是，前提是基于对人工智能的使用