XiaoMi-AI文件搜索系统
World File Search System驾驶
自主驾驶的广义预测模型
环境，建立内部世界模型表示，做出决策并采取措施[9，50]。，尽管数十年来在学术界和工业上做出了巨大的努力，但他们的部署仍限于某些杂物或场景，并且不能在世界上无缝地应用。一个关键原因是在结构化自主驾驶系统中学习模型的概括能力有限。通常，感知模型会面临概括到不同环境的挑战，随着地理位置，传感器配置，天气条件，开放式对象等的变化。;预测和计划模型无法推广到具有罕见的sce narios和不同驾驶意图的非确定性期货[2，16，54]。是由人类学习如何感知和刺激世界的动机[27，28，49]，我们主张采用驾驶视频作为通用界面，将其推广到具有动态期货的各种环境。基于此，首选驱动视频预测模型以完全捕获有关驾驶场景的世界知识（图1）。通过预测未来，视频预测因子本质上了解了自主驾驶的两个重要方面：世界如何运作以及如何在野外安全地操纵。最近，社区已开始采用视频作为代表各种机器人任务的观察行为和行动的接口[11]。对于诸如经典视频预测和机器人技术等领域，视频背景大多是静态的，机器人的运动很慢，并且视频的分解很低。相比之下，对于驾驶场景 - iOS，它与室外环境高度斗争，代理人涵盖了更大的动作，以及涵盖众多视图的感觉分辨率。这些区别导致了自主驾驶应用的重大挑战。幸运的是，在驾驶领域中开发视频预测模型[4、15、19、23、23、25、33、38、45、47]。尽管在预测质量方面取得了令人鼓舞的进展，但这些尝试并未像经典的机器人任务（例如，操作）那样实现概括能力，仅限于有限的场景，例如流量密度低[4]的高速公路[4]和小型数据集[15，23，33，33，33，45，45，47]，或者在环境方面进行不同的条件，以使38个条件（33，45，47）的差异（33，45，47），以使3个条件（33，45，47）的差异（33，45，47），以使3个条件（33，45，47）的差异[3]（33，45，47），以下情况下的情况[3]（33，33，45，47），这是3次差异。如何揭示视频预测模型的驾驶潜力仍然很少探索。以上面的讨论为动机，我们旨在构建一个自动驾驶的视频预测模型，能够概括为新的条件和环境。为此，我们必须回答以下问题：（1）可以以可行且可扩展的方式获得哪些数据？（2）我们如何制定一个预测模型来捕获动态场景的复杂演化？（3）我们如何将（基础）模型应用于下游任务？
第四届自动驾驶AI挑战赛主要竞赛内容
○ 当比赛过程中发生超控时，B 赛道上的比赛将结束。 （规定3次运行中的1次将被视为已消耗。） ○ 对于A路线，即使中途发生超越，只要超越前后有清除的内容，则将被视为有效。 （例如，即使在1-1避障过程中发生超越，如果在之后的同一运行中清除了1-2障碍物识别，则1-2中获得的分数将有效。 另外，如果1-1避障成功完成，并且在下一个交叉路口的1-2障碍物识别之前发生超越，则避障的10分将成为该运行的得分。） ● 我们正在努力通过提前验证来减少技术问题，但请谅解可能会出现秘书处未预料到的问题。 ● 如果您对比赛内容有任何疑问，请在您参加的Slack频道中提问，以确保所有参与者的信息公平。请注意，我们无法回答有关比赛内容以外的任何问题。
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。
广泛的自动乘车驾驶和对交通噪声的影响
实施高效且可持续的乘车系统需要制定良好的战略和伴随的公共政策。在基于严厉的停止场景中观察到最高的潜力。尽管这种情况在政治上可能不可行，但它显示了可以通过乘车来实现多少流量和降噪的上限。可以通过基于停止的服务设计观察到少量降低噪音，尤其是在居民区。门到门服务甚至可能会增加居民区的噪音。这项研究发表在运输研究部分，可访问开放式：https：//doi.org/10.1016/j.trd.2020.102673
最终：PR-非洲城市领导人在内罗毕联合驾驶绿色和有弹性的城市未来
- 消除公私合作伙伴关系的障碍，以加速气候行动项目，市长的信件旨在解锁绿色基础设施和可持续城市增长的急需资金。Urbanshift Africa论坛还将发布有关全球南部城市可持续财务行动和倡导的新路线图，该图案概述了市长及其团队可以开始行动并提倡气候行动的实际步骤。来自C40，Urbanshift和全球气候和能源市长盟约（GCOM）的新资源将帮助市长为清洁能源和公共交通等重要项目提供负担得起的融资。路线图（链接将于2月17日星期一1700次上线）还建议为城市提供更多的财务独立性，创建国家平台以协调努力，并将项目分组在一起，以吸引更多的投资。Freetown市长，C40城市的联合主席 Yvonne Aki-Sawyerr说：“非洲城市已经处于气候行动和创新的先锋范围内。 我们的青年人口已经在拥护气候行动并投资自己的未来。 “大约有70％的非洲人口35岁，年轻人正在利用技术，创造力和企业家精神来推动向可持续性转变。 现在是时候让国际金融界投资他们的能源和思想了。 “非洲的年轻人口意味着有足够的机会改变许多城市和许多居民的现实。Yvonne Aki-Sawyerr说：“非洲城市已经处于气候行动和创新的先锋范围内。我们的青年人口已经在拥护气候行动并投资自己的未来。“大约有70％的非洲人口35岁，年轻人正在利用技术，创造力和企业家精神来推动向可持续性转变。现在是时候让国际金融界投资他们的能源和思想了。“非洲的年轻人口意味着有足够的机会改变许多城市和许多居民的现实。“我们知道下一代已经准备好领导更绿色，更公平的未来的指控，现在，城市领导者有责任获得他们为我们所有人创造更绿色，更公平的未来所需的资源。”内罗毕州长萨卡贾·约翰逊（Sakaja Johnson）说：“我感到非常兴奋，C40决定主持绿色和韧性的Urbanshift非洲论坛，该论坛将带来非洲大陆上一些最大和领先的城市的代表到内罗毕。我们将继续利用技术和企业家精神来开发清洁能源解决方案，这些解决方案必须伴随着所有人的绿色，更公平的经济模式。“投资非洲的气候解决方案：预计最初投资的$ 1的预计回报为4美元，这是全球投资者的独特机会
多模式和多任务自动驾驶数据集
当前用于自动驾驶计算机视觉的深层神经网络（DNNS）通常在仅涉及单一类型的数据和urban场景的特定数据集上进行培训。因此，这些模型努力使新物体，噪音，夜间条件和各种情况，这对于安全至关重要的应用至关重要。尽管持续不断努力增强计算机视觉DNN的弹性，但进展一直缓慢，部分原因是缺乏具有多种模式的基准。我们介绍了一个名为Infraparis的新颖和多功能数据集，该数据集支持三种模式的多个任务：RGB，DEPTH和INDRARED。我们评估了各种最先进的基线技术，涵盖了语义分割，对象检测和深度估计的任务。更多可视化和
大型语言模型策略适应到处驾驶
将驾驶行为适应新的环境，库斯和法律是自主驾驶中的一个长期问题，排除了澳大利亚车辆（AVS）的广泛部署。在本文中，我们提出了LLADA，这是一种简单而强大的工具，它使人类驾驶员和自动驾驶汽车都可以通过调整其任务和动作计划来在新的地方进行访问规则，从而在任何地方开车。llada通过利用大型语言模型（LLMS）在解释本地驾驶员手册中的流量规则方面的令人印象深刻的零弹性可推广性来实现这一目标。通过广泛的用户研究，我们表明LLADA的说明可用于消除野外野外未受的情况。我们还展示了LLADA在现实世界数据集中适应AV运动计划策略的能力； Llada优于我们所有指标的基线计划。请查看我们的网站以获取更多详细信息：Llada。
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。
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。