XiaoMi-AI文件搜索系统
World File Search System长尾
csg-driver：在法律合规性和困境情况下的实际灵活性下的常识指导自主驾驶
尽管自动驾驶搜索方面取得了重大进展，但解决长尾案件仍然是关键的。在这种情况下，LLM已引起人们对其解释性和解释性的关注，从而增加了将其整合到自主驾驶任务中的效率。在本文中，我们提出了CSG-Driver，这是一种类似人类的驱动因素，通过应用人类常识结合了符合道路交通法和适应性的依从性。我们在Carla模拟器中开发了一个闭环驾驶系统，该系统将感觉数据转换为自然语言描述，并结合了道路交通法，并根据人类驾驶行为和过去的经验提示。为了应对决策的挑战，系统采用常识提示和经过经过经过经过经过经过经验的推理来处理复杂的场景，例如带有黄灯的交叉点，避开非法停车场和高速公路驾驶。我们的实验结果表明，通过利用LLMS来平衡安全性，交通法律合规性和实际适应性，CSG-Driver有效地解决了长尾案例。
![arxiv：2401.05577V4 [CS.CV] 2024年11月23日](/simg/g:\will\search\icon\source\a\a60e4bedb6538f3cf93ce3f4de82e737177a79a1.webp)
arxiv：2401.05577V4 [CS.CV] 2024年11月23日
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。
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。
dme：揭示偏见以获得更好的全身性单眼估计
本文旨在设计具有更好概括能力的单眼深度估计模式。为此，我们进行了定量分析，并发现了两个重要的见解。首先，在长尾分类问题中发现的模拟相关现象也存在于单眼深度估计中，这表明训练数据中深度分布的不平衡分布可能是导致泛化能力有限的原因。第二，深度值的不平衡和长尾分布范围超出了数据集量表，并且在每个单独的图像中也表现出来，进一步表达了单眼深度估计的挑战。通过上述发现，我们提出了距离感知的多专家（DME）深度估计模型。与先前的方法不同地处理不同深度范围的方法不同，DME采用了分歧和诱使哲学，每个专家都负责对特定深度范围内的区域进行深度估计。因此，每个专家看到的深度分布更加统一，并且可以更容易预测。一个像素级路由模块的进一步设计和学会了，以将所有专家的预测缝合到最终的深度图中。实验表明，DME在NYU-DEPTH V2和KITTI上都达到了最先进的性能，并且还可以在看不见的数据集上提供有利的零拍概括能力。
安全SIM：安全至关重要的闭环交通...
评估自动驾驶汽车计划算法的性能需要模拟长尾安全性 - 关键的交通情况。但是，产生此类情况的传统方法通常在收获和现实主义方面缺乏，而忽略了代理相互作用的动态。为了减轻这些局限性，我们引入了SAFE -S IM，这是一种新型基于扩散的可控闭环安全 - 关键模拟框架。我们的方法产生了两个不同的优势：1）逼真的长尾安全至关重要方案的产生，这些场景紧密模仿了现实世界的条件，以及2）增强了可控性，从而实现了更全面和更互动的评估。我们开发了一种新颖的方法，可以通过在剥夺过程中的对抗性术语模拟安全 - 关键情景，这使对抗者能够以合理的操作来挑战计划者，而现场的所有特工都表现出反应性和现实的行为。此外，我们提出了新颖的指导目标和部分扩散过程，使用户能够控制生成的场景的关键方面，例如碰撞类型和对抗驱动程序的侵略性，同时保持行为的现实主义。我们使用Nuscenes数据集凭经验进行了验证框架，并证明了现实主义和控制性的改进。这些发现肯定，扩散模型为关键的关键性，主动交通模拟提供了强大而多才多艺的基础，从而扩展了其效用，使其在更广泛的自动驾驶范围内扩展。
2021 年数字洞察 - 第二季度
我们 HALA 和所有金融科技参与者都很幸运能够在这样一个历史性的时刻在这个领域开展业务。通过“2030 愿景”，沙特阿拉伯有望成为金融科技领域的领导者之一，甚至成为领导者。投资机会无穷无尽，小商户、自由职业者和中小企业的长尾效应令人惊讶地尚未得到开发。在产品方面，我们看到市场对 B2B 解决方案的需求，包括公司卡、生态系统协同界面和供应商支持的 BNPL。总而言之，现在是沙特阿拉伯从事金融科技的绝佳时机。
CleanBC Go 电费回扣计划指南
• 对于在骑手身后放置开放式运输床或运输箱的电动自行车，最大可接受的载重高度应为可用载重床面积的长度和宽度之和。 • 对于“长尾”或类似的两轮电动自行车，由于负载可能主要在结构侧面而不是在平板床上进行，因此在计算负载面积时，有效载重床宽度应为 80 厘米。 • 重量容量是指骑手的重量加上行李的重量。如果只有行李重量的规格，则必须至少为 40 公斤。
受大脑启发的预测编码提高了机器挑战性任务的性能
反向传播被认为是训练人工神经网络最有利的算法。然而，由于其学习机制与人脑相矛盾，反向传播因其生物学上的不合理性而受到批评。尽管反向传播在各种机器学习应用中取得了超人的表现，但它在特定任务中的表现往往有限。我们将此类任务统称为机器挑战任务 (MCT)，旨在研究增强 MCT 机器学习的方法。具体来说，我们从一个自然的问题开始：模仿人脑的学习机制能否提高 MCT 的性能？我们假设，复制人脑的学习机制对于机器智能难以完成的任务是有效的。使用预测编码（一种比反向传播更具生物学合理性的学习算法）进行了多个对应于特定类型的 MCT 的实验，其中机器智能有提高性能的空间。本研究将增量学习、长尾和小样本识别视为代表性的 MCT。通过大量实验，我们检验了预测编码的有效性，它对 MCT 的表现远优于反向传播训练的网络。我们证明了基于预测编码的增量学习可以减轻灾难性遗忘的影响。接下来，基于预测编码的学习可以减轻长尾识别中的分类偏差。最后，我们验证了用预测编码训练的网络可以用少量样本正确预测相应的目标。我们通过将预测编码网络的特性与人脑的特性进行比较并讨论预测编码网络在一般机器学习中的潜力来分析实验结果。
PLANAGENT：闭环车辆运动计划的多模式大语言代理
摘要 - 车辆运动计划是自动驾驶技术的重要组成部分。当前基于规则的车辆运动计划方法在常见的情况下令人满意地表现出色，但努力将其推广到长尾情况。同时，基于学习的方法尚未在大规模闭环场景中实现优于基于规则的方法的优越性能。为了解决这些问题，我们提出了基于多模式大语言模型（MLLM）的第一个中高中计划系统。mllm被用作认知剂，将类似人类的知识，解释性和常识推理引入闭环计划中。具体来说，Plana-Gent通过三个核心模块利用了MLLM的力量。首先，环境变换模块构建了鸟类视图（BEV）地图和从环境中作为输入的基于车道的文本描述。第二，推理引擎模块从场景理解到侧面和纵向运动指令中引入了一个分层的思想，最终导致计划器代码生成。最后，集成了一个反射模块，以模拟和评估生成的计划者，以降低MLLM的不确定性。Planagent具有MLLM的常识推理和概括能力，这使其有效地应对常见和复杂的长尾方案。我们提出的Planagent对大规模和具有挑战性的NUPLAN基准进行了评估。全面的实验集令人信服地表明，Planigent在闭环运动计划任务中的表现优于现有的最新面积。代码将很快发布。