XiaoMi-AI文件搜索系统
World File Search System驾驶
自动驾驶汽车的横向控制
自主驾驶能够通过减少道路事故，交通拥堵和空气污染来重塑移动性和运输。这可以产生能源效率，便利性和更高的生产率，因为将在其他活动中获得大量驾驶时间。自动驾驶汽车是复杂的系统，由几个执行感知，决策，计划和控制的模块组成。控制对于实现自动驾驶至关重要，基本上将其分为处理速度跟踪的纵向控制和横向控制，从而确保准确的转向。后者在路径跟踪应用程序中是原始的，最近的研究在该领域取得了巨大的飞跃。本文的目的是对有关自动驾驶汽车横向控制的最新研究进行技术调查，并强调技术挑战和限制以进一步发展。
一个基于自动驾驶汽车决策和轨迹计划的基于互动游戏理论-PSO的综合框架
摘要：自动驾驶汽车和人类驾驶员之间的相互依赖性是自动驾驶安全性和可行性的一个开放问题。本文介绍了游戏理论轨迹计划者和混合人流环境的决策者。我们的解决方案是与周围车辆的相互作用，同时做出决策，并使用用衣架插值方法产生类似人类的轨迹。此处使用的粒子群优化器（PSO）桥梁桥接决策和轨迹生成过程，用于连接执行。我们选择了一个未信号的交叉点，以证明我们方法的可行性。测试结果表明，我们的方法降低了轨迹优化问题的搜索空间的维度，并在路径曲率上实施了几何约束。
gri：一般增强模仿及其在基于视觉的自动驾驶中的应用
摘要：深入强化学习（DRL）已被证明对几种复杂的决策应用有效，例如自主驾驶和机器人技术。但是，众所周知，DRL受到其高样本复杂性和缺乏稳定性的限制。先验知识，例如，作为专家演示，通常可以使用，但要挑战以减轻这些问题。在本文中，我们提出了一般增强模仿（GRI），这是一种新颖的方法，结合了探索和专家数据的好处，并且可以直接实施任何非政策RL算法。我们做出了一个简化的假设：可以将专家演示视为完美的数据，其基础政策将获得不断的高奖励。基于此假设，GRI介绍了示范剂的概念。该代理发送专家数据，这些数据是与在线RL勘探代理所带来的经验同时且无法区分的。我们表明，我们的方法可以对城市环境中基于摄像机的自动驾驶进行重大改进。我们在使用不同的非政策RL算法的穆约科克连续控制任务上进一步验证了GRI方法。我们的方法在Carla排行榜上排名第一个，在先前的最新方法中，在Rails上胜过17％。
驾驶耐用性和循环性 - 我们的2024年
敬业的员工推动了西卡（Sika）的成功，西卡（Sika）的出色表现在很大程度上取决于其积极进取的劳动力。在2024年进行的全球员工调查显示，参与率为86％，远高于战略目标，并且与2019年上次调查的结果一致。鉴于Parex和MBCC的同事自上次调查以来，来自Parex和MBCC的同事就加入了Sika。结果超出了行业中其他公司和全球基准的结果。凭借其高度参与的员工，Sika将在未来的许多年中继续跑得超越并获得市场份额。“收购是增长和收益加速器，从长远来看可以提高我们的利润率。”
使用改良过度Feat CNN的实时车辆和车道检测：一项关于自动驾驶中鲁棒性和性能的全面研究
|摘要该检查研究了使用深刻学习方法的使用，即明确利用卷积脑组织（CNN），以持续识别道路驾驶情况中的车辆和路径限制。该研究通过利用一个包括由各种传感器捕获的注释帧，包括相机，激光雷达，雷达，雷达和GPS捕获的带注释的框架，调查了对CNN体系结构的修改性能。该框架在识别车辆和预期3D的路径形状方面表现出诚意，同时在不同的GPU设置上完成10 Hz以北的功能率。车辆边界盒预测具有很高的精度，对遮挡的阻力和有效的车道边界识别是关键发现。安静，探索强调了该框架在独立驾驶空间中的可能物质性，为该领域的未来改进带来了有前途的道路。
驾驶变更：气候披露关键领域中上市公司和前进的道路
5香港特别行政区的政府，“政府发表有关在香港发展可持续性披露生态系统的愿景声明”。出版于2024年3月。于2024年11月从https://www.info.gov.hk/gia/gener/202403/202403/25/p2024032500391.htm？出版于2024年10月。从https://www.hkma.gov.hk/media/eng/eng/doc/egement/press/press-release/2024/20241021E4AA1.PDF检索，从https://www.hkma.gov.gov.hk/media/eng/eng/eng/eng/eng/eng-/eng-/eng-/eng-/eng-/eng-/eng-/eng-/eng-/eng-/ grege-ghk/media/eng/eng/eng-/egry-reghte/press-release/2024/2024/20241021E4A1.PDF 7 Securities and Futures Commission，“绿色和可持续性财务议程”。出版于2022年8月。2024年11月从https://www.sfc.hk/-/media/en/files/com/com/reports-and-surveys/sfc-agenda-for-green-green-and-sustainable-finance-finance_en.pdf 8 kpmg International.出版于2022年10月。2024年11月从https://assets.kpmg.com/content/dam/kpmg/xx/pdf/2023/04/big-shifts-small-steps.pdf
有关感知不确定性的知识是否有助于代理商进行自动驾驶？
摘要 - 在现实世界中的代理商，例如自动驾驶的环境中的不确定性，尤其是由于感知不确定性。，尽管在不确定性下，这些算法通常不会了解其环境中当前所包含的不确定性，但强化学习专门用于自主决策。另一方面，感知本身的不确定性估计通常是在感知域中直接评估的，例如，基于摄像机图像的假阳性检测率或校准误差。它用于决定面向目标的动作的用途在很大程度上仍未被研究。在本文中，我们研究了代理人的行为如何受到不确定的看法的影响，以及如果有关此不确定性的信息，该行为如何改变。因此，我们考虑了一项代理任务，在该任务中，代理商在不与其他道路使用者发生碰撞的情况下驾驶路线会得到奖励。对于受控实验，我们通过在告知后者的同时扰动给定代理的感知来引入观察空间中的不确定性。我们的实验表明，以扰动感知建模的不可靠的观察空间会导致代理的防御驾驶行为。此外，当将有关当前不确定性的信息直接添加到观测空间时，代理会适应特定情况，并且一般而言，在同一时间占风险的同时，可以更快地完成其任务。索引术语 - 不确定性量化，增强学习，语义分割
对自动驾驶世界模型的调查
摘要 - 自主驾驶中的截然突破是由强大的世界建模的进步推动的，从根本上改变了车辆如何解释动态场景并执行安全的决策。尤其是世界模型已成为一项Linchpin技术，提供了整合多传感器数据，语义提示和时间动态的驱动环境的高保真表示。本文系统地回顾了世界自主驾驶模型的最新进展，提出了三层分类学：1）生成未来的物理世界，涵盖图像，BEV-，OG-，OG-和PC的生成方法，从而增强场景演化通过扩散模型和4D占用预测来增强场景演变建模； 2）针对智能代理的行为规划，将基于规则驱动的范式和基于学习的范例与成本图优化和增强学习的轨迹学习相结合； 3）预测与计划之间的互动，通过潜在的空间扩散和内存增强体系结构实现多代理协作决策。这项研究进一步分析了培训范例，包括自我监督学习，多模式预处理和生成数据增强，同时评估了世界模型在场景理解和运动预测任务中的性能。未来的研究必须解决自我监督的表示学习，长尾场景生成和多模式融合的关键挑战，以推动在复杂的城市环境中实际部署世界模型的实际部署。总的来说，我们的全面分析提供了一个理论框架和技术路线图，用于利用世界模型在推进安全可靠的自动驾驶解决方案方面的变革潜力。
在高速公路场景中对自动驾驶汽车的本地化方法的调查
摘要：在高速公路上的自动驾驶汽车的背景下，第一个也是最重要的任务之一是将车辆定位在道路上。为此，车辆需要能够考虑到几个传感器的信息，并将其与来自路线图的数据融合在一起。高速公路上的本地化问题可以蒸馏成三个主要组成部分。第一个是推断车辆目前行驶的道路上的推断。的确，全球导航卫星系统不够精确，无法自行推导此信息，因此需要进行过滤步骤。第二部分包括估计车辆在车道中的位置。最后，第三个也是最后一个旨在评估车辆目前驾驶的车道。这两个组件是必须安全驾驶的，因为诸如车辆之类的行动需要有关车辆当前定位的精确信息。在这项调查中，我们介绍了在高速公路场景中自动驾驶的定位方法的分类法。我们介绍本地化过程的每个主要组成部分，并讨论相关最新方法的优点和缺点。