XiaoMi-AI文件搜索系统
World File Search System驾驶
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。
起搏器+：在驾驶场景中的按需行人动画控制器
我们应对行人模拟中的内容多样性和收获性的挑战，以驱动方案。最近的行人动画框架具有重要的限制，其中他们主要关注轨迹[48]或参考视频[60]的内容，因此忽略了这种情况下人类运动的潜在多样性。这种限制限制了产生行人行为的能力，这些行为表现出更大的变化和现实动作，因此重新严格使用其用法，为驾驶模拟系统中的其他组件提供丰富的运动内容，例如，突然改变了自动驾驶汽车应响应的运动。在我们的方法中，我们努力通过展示从各种来源获得的各种人类动作（例如生成的人类运动）来超越限制，以遵循给定的轨迹。我们的框架的基本贡献在于将运动跟踪任务与轨迹结合到以下，这可以跟踪特定运动零件（例如上半身），同时遵循单个策略的给定轨迹。以这种方式，我们在给定情况下显着增强了模拟人类运动的分歧，以及内容的可控性，包括基于语言的控制。我们的框架有助于生成
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。
AI进步：探索Github副驾驶，使用LSTM的假新闻检测以及AI对运输的影响
摘要：人工智能（AI）严重影响了各个部门，突破了技术和重新定义过程的界限。本文研究了AI进步的三个关键领域：用于软件开发的GitHub Copilot，长期记忆（LSTM）网络检测假新闻以及AI对运输的更大影响。Github副副词是AI-Power Edsing Assistant，正在彻底改变开发人员编写代码的方式。LSTM，一种复发性神经网络（RNN）的形式，提供了一种有效的解决方案来检测错误信息。最后，AI通过自动驾驶车辆和交通管理对运输的贡献，展示了AI如何重塑运输领域的基础设施，安全性和效率。本文旨在全面了解这些技术的工作方式及其社会影响。
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。
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。
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
AI驱动无人驾驶汽车的伦理法律 - 电子书
人工智力现在存在于我们日常生活的许多领域中。它有望领导新的和有效的业务模型，以在私营和公共部门中有效和以用户为中心的服务。在深度学习，（深度）增强学习和神经进化技术方面的AI进步可以为人工通用智能（AGI）铺平道路。但是，AI的开发和使用也带来了挑战。数据语料库中普遍存在用于训练AI和机器学习系统的固有偏见归因于大多数这些挑战。此外，多个实例强调了在基于动力的决策中需要隐私，公平性和透明度的必要性。本书系列将为研究人员，领导者，决策者和决策者提供一条途径，以分享AI最前沿的研究和见解，包括其在道德，可解释的，可解释的，隐私的，可信赖的，可信赖的和可持续的方式中的使用。
AI预计会加速自动驾驶技术-Anival Daily
“在2024年，政府工作报告中将商业空间列为“经济增长的新引擎”之一，这标志着该行业在如此重要的政府文档中首次出现。在今年的政府工作报告中两次提到，因为政府发誓要促进几个“新兴部门”（例如商业空间和低位航空）的安全和合理的发展。”
驾驶员突然致命健康问题后影响多车碰撞的因素
驾驶时急性健康变化是车辆碰撞的主要原因之一。每年在全球范围内，大约119万人死亡，在汽车碰撞（MVC）中受伤20到5000万人[1]。道路交通损伤给整个个人，家人和国家造成了巨大的经济损失；在大多数国家 /地区，成本约为国内生产总值的3％[1]。因此，世界卫生组织已建议所有政府以整体方式解决道路安全[1]。在日本，政府设定了一个安全交通社会的目标，那里没有发生碰撞，并发布了一次交通安全计划，该计划每五年修改一次。第11次交通安全基本计划始于2021年，直到2025年运行，包括具体的行为目标：2,000或更少和严重伤害22,000或以下的死亡人数。分析MVC的趋势和特征应使有效的可预防措施得以制定[2]。