XiaoMi-AI文件搜索系统
World File Search System驾驶
自动驾驶实验室转换电子聚合物发现
研究人员使用多机来解决电子聚合物加工中的关键挑战。例如，这些材料的最终特性受复杂的生产历史的影响。制造过程中有将近一百万个可能的组合可以影响膜的最终特性 - 人类进行测试的可能性太多。
基于仿真的高速公路轨迹计划分析，使用高级多项式用于高度自动化驾驶功能
摘要 - 自动驾驶的基本任务之一是安全的轨迹计划，决定车辆需要驾驶的任务，同时避免障碍，遵守安全规则并尊重道路的基本限制。这种方法的实际应用涉及考虑周围环境条件和运动，例如车道变化，避免碰撞和车道合并。本文的主要重点是使用高阶多项式来开发和实施安全碰撞的高速公路车道变化轨迹，以高度自动化驾驶功能（HADF）。规划通常被认为是比对照更高的级别过程。行为计划模块（BPM）的设计旨在计划高级驾驶动作（例如Lane Change Maneuver），以安全地实现横向指导的功能，以确保车辆安全性和通过环境有效的运动计划。基于从（BPM）收到的建议，该函数将产生一个相应的轨迹。所提出的计划系统是特有的，具有基于多项式的算法的情况，对于两个车道高速公路方案。多项式曲线具有连续曲率和简单性的优点，可降低整体复杂性，从而可以快速计算。通过MATLAB模拟环境对所提出的设计进行了验证和分析。结果表明，本文提出的方法在车道变化动作的安全性和稳定性方面取得了显着提高。索引项 - BPM，HADF，MPC，车道变更，轨迹产生。
汽车驾驶员使用信息娱乐
自本世纪初以来，我们不再谈论手机，而是谈论智能手机。我们可以越来越多地使用这些设备，因此我们还可以在不同情况下（包括驾驶时）更频繁地使用它们。不仅智能手机的可能性正在增加，而且还在增加汽车的可能性。逐乘汽车连接设备变得越来越容易，以便在驾驶时添加新功能。此外，汽车中的声音和图像质量增加。一些新功能主要改善舒适性而不是安全。当系统提供信息和/或娱乐时，我们会说一个信息娱乐系统。在汽车中提供信息娱乐的系统的集体名称是“ IVIS”，代表“车辆内信息娱乐系统”。
bevdriver：利用LLMS中的BEV地图进行强大的闭环驾驶
摘要 - 自主驾驶有可能为更有效的未来移动性奠定基础，要求研究领域通过安全，可靠和透明的驾驶来建立信任。大语言模型（LLM）具有推理能力和自然语言的理解，具有作为可以与人类互动和为人类驾驶员设计的环境互动的自我运动计划的普遍决策者的潜力。尽管这条研究途径很有希望，但当前的自动驾驶方法通过结合3D空间接地以及LLMS的发展和语言能力来挑战。我们介绍了BEV-驱动程序，这是一种基于LLM的模型，用于Carla中的端到端闭环驾驶，它利用潜在的BEV功能作为感知输入。bevdriver包括一个BEV编码器，以有效地处理多视图图像和3D LiDAR点云。在一个共同的潜在空间中，BEV特征通过Q-前者传播，以与自然语言指示保持一致，并传递给LLM，该LLM预测和计划在考虑导航说明和关键场景的同时，可以精确的未来轨迹。在Langauto基准测试中，与SOTA方法相比，我们的模型在驾驶得分上的性能高达18.9％。
校园无人驾驶小车充电和路线问题的研究
共享汽车和自动驾驶。通过采用自主驾驶技术，它可以在整个校园内实现高效的交付，到达宿舍，图书馆和教学建筑物，从而增强了教师和学生生活的便利。最初，该方法着重于共享AI车辆的组装方法和美学设计，制作了迷你车的模型结构。随后，研究研究了两个关键领域：充电机制和导航途径。通过集成真实的校园布局，将绘制出车辆的最佳路线，包括指定的对接站，并开发了用于选择路径选择的算法。利用太阳能电池和充电端口的结合，纸张既贴有充电问题，又通过极端天气条件对车辆运营状况产生的不利影响。分析表明，共享的AI车辆与将技术融入校园生活，拥有广泛的应用范围并满足社会需求的趋势相一致。
从线路到自动驾驶汽车：城市货车的观点
摘要：货运城市机器人车辆（Furbot）是一款预计将在城市环境中自主性行为的完整开车车辆。这一升级已提出了需要解决/解决车辆以实现更高自治的问题。本研究解决了这些主要问题。第一个是为了被保险并在公共道路上合法开车所必需的法律框架/许可问题。第二个是更改，并且升级车辆必须经过一辆完整的自动货运车辆。这项研究的结果导致决定正确分类车辆以解决其许可问题及其在欧洲道路上的法律地位，通过了解车辆的局限性，其中包括车辆的当前状态及其结构性。这项研究的另一个贡献是确定软件和硬件更改车辆必须进行的更改才能完全自主。这包括对正确传感器的识别及其放置和数量。此外，为车辆的软件识别提供了深入的研究，从而为现成的软件提供了有利的选择。此外，还需要突出显示需要满足的可预见问题，对车辆的期望以及要求（将其作为自动驾驶汽车的演示）得到强调。用于演示站点，还研究了用例和站点动态以实现自主权。对这些要求的实用是为了证明自动导航和货运处理（全球采用的共享自动化操作模型）H2020项目，以便在城市环境中交付货物。
遥感技术以识别自动驾驶汽车的道路表面条件
[2] M. Yamada等人，“对车辆部署的道路表面状况检测技术的研究”，JSAE Review，2003，24（2）：183-188。[3] L. Colace等人，“一种近红外的光电方法来检测道路状况”，《工程学的光学和激光》，2013年，51（5）：633-636。[4] R. Finkele，“使用76 GHz的极化毫米波传感器在路面上检测冰层”，《电子信》，1997，33（13）：1153-1154。
caril：自主驾驶的模仿学习中的信心回归
摘要 - 基于端到端视力的模仿学习已直接从专家演示中学习控制命令来证明自主驾驶的有希望的结果。然而，传统方法依赖于基于回归的模型，这些模型提供了精确的控制，但缺乏一致性估计或基于分类的模型，这些模型提供了置信度得分，但由于分离而降低了精度。此限制使量化预测行动的可靠性并在必要时应用更正是一项挑战。在这项工作中，我们引入了双头神经网络体系结构，该架构既集成回归和分类负责人，以提高模仿学习中的决策可靠性。回归负责人预测了连续的驾驶动作，而分类头则估计了置信度，从而实现了一种调整机制，该校正机制可以调整低信心情景中的动作，从而增强了驾驶稳定性。我们在Carla模拟器内的闭环环境中评估了我们的方法，证明了其检测不确定的动作，估计信心并应用实时校正的能力。实验结果表明，我们的方法可降低车道偏差，并提高了传统精度高达50％，表现优于常规回归模型。这些发现突出了分类指导置信度估计的潜力，以增强基于视觉的模仿学习对自主驾驶的鲁棒性。源代码可在https：// github上找到。com/elahedlv/profester_aware_il。
fisheyebevseg：环境视图，基于鱼眼摄像机的鸟类视图分段用于自动驾驶
语义细分是执行场景理解的有效方法。最近，3D鸟视图（BEV）空间中的细分已被驱动策略直接使用。但是，在商用车中使用的环绕式鱼眼摄像机的BEV细分工作有限。由于此任务没有现实世界的公共数据集，并且现有的合成数据集由于遮挡而无法处理Amodal区域，因此我们使用Cognata Simulator创建一个合成数据集，其中包括各种道路类型，天气和照明条件。我们将BEV细分概括为使用任何凸轮模型；这对于混合不同的相机很有用。我们通过在Fisheye图像上应用圆柱整流并使用基于标准LSS的BEV分割模型来实现基线。我们证明，我们可以在没有不明显的情况下实现更好的性能，这具有增加的运行时效应，这是由于预处理，视野和重新采样的伪像而导致的。此外，我们引入了一种可学习的bev池层策略，对鱼眼摄像机更有效。我们以遮挡推理模块来探讨该模型，这对于估计BEV空间至关重要。fisheyebevseg的定性 - 在视频中展示了https://youtu.be/hftpwmabgs0。
汞：基于视觉的驾驶员监视框架-IRIS
摘要。在本文中，我们提出了一个完整的框架，即水星，该框架结合了计算机视觉和深度学习算法，以在驾驶活动期间不断地与驾驶员持续了解。拟议的解决方案符合具有挑战性的汽车环境所施加的要求：光线不变，以便使系统能够工作，无论一天中的时间和天气状况如何。因此，基于红外的图像，即深度图（每个像素对应于传感器和场景中的那个点之间的距离）与传统强度图像相结合。第二，由于在驾驶活动中不得阻止驾驶员的运动，因此需要系统的非侵入性：在这种情况下，使用凸轮和基于视觉的算法是最好的解决方案之一。最后，需要实时性能，因为监测系统必须在检测到潜在危险的情况后立即做出反应。关键字：驱动程序监视·人类互动·计算机视觉·深度学习·卷积神经网络·深度图