XiaoMi-AI文件搜索系统
World File Search SystemVehicle
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。
人工智能城市挑战赛车辆重新识别实证研究
本文介绍了我们针对 2021 年人工智能城市挑战赛 (AICITY21) 的 Track2 的解决方案。Track2 是一个使用真实世界数据和合成数据的车辆重新识别 (ReID) 任务。在本次挑战中，我们主要关注四个点，即训练数据、无监督领域自适应 (UDA) 训练、后处理、模型集成。（1）裁剪训练数据和使用合成数据都可以帮助模型学习更多判别性特征。（2）由于测试集中有一个在训练集中未出现的新场景，因此 UDA 方法在挑战中表现良好。（3）后处理技术包括重新排名、图像到轨迹检索、摄像头间融合等，可显著提高最终性能。（4）我们集成了基于 CNN 的模型和基于 Transformer 的模型，它们提供了不同的表示多样性。通过上述技巧，我们的方法最终取得了 0.7445 的 mAP 分数，在比赛中获得第一名。代码可在 https://github.com/michuanhaohao/AICITY2021_Track2_DMT 获得。
电动汽车与氢动力汽车：未来的问题
汽油车辆作为交通工具的使用量增加导致全球变暖急剧上升。排放到大气中的有害汽车尾气（如一氧化碳和二氧化氮）对我们呼吸的空气造成了严重影响。这导致人们需要零排放的车辆 [1]。过去几年，特斯拉、日产和丰田等汽车公司将新技术推向市场，主要是电动汽车和氢动力汽车。这两种技术更受欢迎，旨在减少传统汽车造成的全球排放。本文旨在根据这两种交通方式的生态、经济和科学价值对其进行分析和比较。
同步车辆交叉访问的优势
交叉空间是一种公共资源，必须在车辆之间有效地共享，这些轨迹与几条公路车道相互矛盾。交通信号灯控制（TLC）策略的主要目标是通过允许车辆依次允许车辆，同步或同步进行车道之间的交叉点访问。在这项工作中，我们比较了交叉路口的道路网络中五种最先进的TLC方法的性能。其中，三种方法一次从一个道路车道依次使用车辆，一种方法允许车辆从对面的车道相称，最后一种方法使车辆同步车辆从所有非冲突的道路车道通往交叉路口，每道道路车道一辆车道。SUMO仿真结果表明，在网络吞吐量，旅行时间损耗和相关的燃油消耗方面，同步方法在多种情况下的顺序和平行方法的表现优于顺序和平行方法。
照明、可靠性测试、自动驾驶汽车 | DIGIFED
• 如何将 Digifed 在照明、可靠性测试和自动驾驶汽车方面的能力用作项目的一部分，同时利用 DigiFed 合作伙伴来最大化您的提案分数：卓越、影响力、实施质量（45 分钟）
具有自适应PID控制的电动车辆驱动系统
对于我们正在处理的系统，经典的PID不足，因为它不是线性系统。PID控制器的启动需要在参数调整中并不总是简单的工作，除了某些方法的存在[10]。尽管有这些方案的帮助，但有必要进行观察期调查控制器的性能，在某些情况下，这需要大量时间。在控制器启动服务中，这可以解释为缺点或困难。在更复杂的情况下，动态现象损害了PID控制器的性能，因此需要重新调整控制器参数。我们接下来要做的是根据参考和实际速度将我们的非线性系统划分为多个线性子系统。就像我们以前所做的那样，我们现在将获得每个不同条件的关键增益和持续振荡时期。
计划审查电池存储系统和电动汽车充电
- 与项目工作组和其他利益相关者的初次会议。- 对相关规划立法的审查。- 对其他司法管辖区中政策的调查，以确定是否有一些计划对该法案有用。- 准备工作示例，以说明当前系统如何应用于各种建议并确定改进的机会。- 根据报告中的信息准备结论和建议。- 项目工作组成员审查报告草案。
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。
小规模自动赛车 - 以色列查尔斯
●概述：Indy Autonomous挑战是一项全球竞赛，大学团队设计自动赛车以在全面赛车赛道上竞争[1]。●关键技术：自动驾驶依赖于高端传感器，例如光检测和射程（LIDAR），无线电检测和射程（雷达）和摄像机。自主驾驶还依靠深度学习来实时感知，以及针对高速操纵而优化的控制系统。●相关性：尽管全尺寸，但该项目展示了自动驾驶汽车赛车的尖端，包括使用实时人工智能（AI）和在高速条件下控制。Indy Autonomous挑战的一些竞争对手最初是从小型赛车自动驾驶汽车开始的。因此，我们认为那里使用的技术可以缩减到我们的项目。
电动汽车控制和拖动系统
锂团队将继续设计和实施新的迭代，每年在内布拉斯加州林肯举行的FSAE电动汽车学生设计比赛。该项目包含电气车安全系统的开发以及高压电池和直流电动机系统的改进。拖流和控制系统的新设计将组装到先前版本的赛车上，包括PCB组件的变化，低压和高压电池，以及从刷子到无刷直流电动机的潜在交换。总体而言，锂团队旨在生产一个可以轻松制造和安全地享用消费者的电力赛车。