XiaoMi-AI文件搜索系统
World File Search System驾驶
实施制造执行系统以驾驶...
to Up) ........................................................................................................................... 97
一个基于摄像头的系统，可在半自动车辆中检测到方向盘上的驾驶员
摘要。半自主车需要监视驾驶员检查他是否正在监督系统和/或准备接管。大多数汽车都依靠方向盘传感器来检测手，并且不监视驾驶员可能执行的非驾驶相关任务。我们提出了一个带有多个分支体系结构的基于摄像头的系统，该系统在代表次要任务和平板电脑位置的平板电脑上提供了方向盘上的手数。它还解决了其他基于摄像头系统的常见问题：转向轮前的自由手可以归类为抓住它。此外，我们的系统处理驾驶员可能在方向盘上使用平板电脑的情况，因为他可以在自主模式下进行。这两个点对于评估驾驶员需要接管的时间至关重要。最后，将方向盘和相机系统都结合在一起也将使车辆更难欺骗，因此更安全。视频可用：https：//www.youtube.com/watch?v=qfyom4sdwr4
优化的自适应MPC用于自动驾驶汽车的横向控制
摘要 - 自治车辆是解决大多数运输问题的解决方案，例如安全性，舒适性和效率。转向控制是实现自动驾驶的主要重要任务之一。模型预测控制（MPC）是该任务的效果控制器之一，因为其最佳性能和处理约束的能力。本文提出了用于路径跟踪任务的自适应MPC控制器（AMPC），并提出了一种改进的PSO算法，以优化AMPC参数。使用查找表方法在线实现参数改编。通过模拟评估了提出的AMPC性能，并将其与经典的MPC和Pure Pursuit控制器进行了比较。索引项 - 自主车，优化，模型预控制，自适应控制，粒子群优化。
注意差距：自动驾驶汽车的逻辑英语，序言和多代理系统
在本文中，我们提出了一个模块化系统，用于代表和推理，并具有自动驾驶汽车交通规则的法律方面。我们专注于英国高速公路法规（HC）的子集。随着人类驾驶员和自动化车辆（AV）将在道路上进行交互，尤其是在城市环境中，我们声称应该存在一个可访问，统一的高级计算模型，并适用于两个用户。自动驾驶汽车引入了责任转变，不应带来缺点或增加人类驾驶员的负担。我们开发了模型的“硅中”系统。提出的系统由三个主要组成部分构建：使用逻辑英语编码规则的自然语言接口；序言中规则的内部表示；以及基于Netlogo的基于多机构的仿真环境。三个组件相互作用：逻辑英语被转化为序言（以及一些支持代码）； Prolog和Netlogo接口通过谓词。这样的模块化方法使不同的组件能够在整个系统中承担不同的“负担”。它还允许交换模块。给定的NetLogo，我们可以可视化建模规则的效果，并使用简单的动态运行方案验证系统。指定的代理商监视车辆的行为，以确保合规性和记录可能发生的潜在违规行为。然后，验证者利用有关潜在违规行为的信息，以确定违规行为是否应处以惩罚，在异常和案件之间进行区分。
Limsim系列：一个自主驾驶模拟平台...
闭环模拟环境在自主驾驶系统（AD）的验证和增强中起着至关重要的作用。然而，某些挑战值得关注，包括平衡模拟准确性与持续时间平衡，将功能与实用性调和，并建立全面的评估机制。本文通过引入Limsim系列来解决这些挑战，这是一个综合模拟平台，旨在支持AD的快速部署和有效迭代。Limsim系列集成了来自道路网络的多类信息，采用了人类的决策和计划算法的背景车辆，并介绍了感兴趣领域（AOI）的概念（AOI）来优化计算资源。该平台提供了各种基线算法和用户友好的接口，从而促进了多个技术管道的灵活验证。此外，Limsim系列还包含了多维评估指标，对系统性能提供了彻底的见解，从而使研究人员能够迅速识别出进一步改进的问题。实验表明，LIMSIM系列与模块化，端到端和基于VLM的知识驱动系统兼容。它可以通过评估各种方案的性能来帮助迭代和更新广告。Limsim系列的代码发布于：https：//github.com/pjlab-adg/limsim。
常识性推理的自动驾驶汽车系统
对于学术和行业研究，自1980年代以计算机视觉为中心的系统的引入以来，AV技术已经取得了令人难以置信的进步[3]。在这里，本文将为自动驾驶汽车提供一些正式的定义。根据自动化水平，SAE国际自动驾驶汽车定义为六个不同的级别，其中0级没有AU量，并且5级是完全驾驶自动化[6]。尽管AV研究是一个经过充分探索的领域，但仍然没有5级或完全自主的车辆。这在很大程度上是由于计算机视觉系统的缺陷以及需要人类驾驶员存在的更复杂驾驶任务的复杂性。对于安全至关重要的系统，例如AV系统，无法造成小错误。为此，重要的是，AV系统可以根据对周围环境的准确解释做出安全有理的决策。在AV系统的感知端有几种技术，例如光检测和射程（LIDAR）系统和基于摄像机的系统。这些系统与深度学习技术（例如卷积神经网络（CNN））相结合，这些技术用于对传感器数据进行分类[14]。但是，像所有机器学习系统一样，由于噪声，训练数据之外的场景，传感设备的退化以及其他外部因素，误导始终可能发生错误分类。Kahneman在2011年提出的两种系统思维类型[11]。第一个是“系统1”，它是快速，本能和情感思维。因此，AV系统应朝着使用混合AI系统或将深度学习与逻辑推理结合的AI迈进，以帮助减轻完全基于深度学习的方法的失败和缺点。第二个是“系统2”，它是缓慢，有意和逻辑的。对于人类驾驶员，我们在驾驶场景中使用这两个系统。使用System 1 Thinking迅速完成我们周围的对象，并进行较小的驾驶操作。但是，当我们遇到一个不熟悉或危险的情况时，我们使用系统2思考来确定一种安全的方式来驾驶这种情况。在最佳的混合AV系统中，快速系统的1个任务（例如感知和分类）应通过深度学习来处理，而缓慢的系统2任务应通过综合推理来处理。推理系统也可以用于对
FixDrive：自动修理自动驾驶汽车...
摘要 - 自治车辆（AVS）正在迅速前进，其中4级AVS已经在现实世界中运行。curland Avs仍然落后于人类驾驶员的适应性和表现，通常表现出过度保守的行为，偶尔违反交通法律。现有的解决方案（例如运行时执行）通过自动修复运行时的AV计划轨迹来减轻这种情况，但是这种方法缺乏透明度，应该是最后一个度假胜地的度量。，优先选择AV修复是概括超出特定事件并为用户解释的。在这项工作中，我们提出了Fix d Rive，该框架分析了违反违法行为或法律行为的驾驶记录，以产生AV驾驶策略维修，以减少再次发生此类事件的机会。这些维修是用µ驱动器捕获的，µ驱动器是一种高级域特异性语言，用于针对基于事件的触发器指定驾驶行为。为最先进的自主驾驶系统Apollo实施，Fi d rive识别和可视化驾驶记录中的关键时刻，然后使用零射门学习的多模式大语言模型（MLLM）来生成µ驱动程序。我们在各种基准方案上测试了F IX D Rive，并发现生成的维修改善了AV的性能，相对于以下交通法律，避免碰撞并成功到达目的地。此外，在实践中，修复AV（15分钟的离线分析和0.08美元）的直接成本在实践中是合理的。索引术语 - 自主车辆，自动驾驶系统，多模式大型语言模型，驾驶合规性
驾驶员的电动汽车指南
由于以下原因，电动汽车所需的维护更少。没有发动机，变速箱以及燃料和排气系统。•更换的流体较少（例如与冰有关的液压药），没有换油。•较长的组件寿命。电动机和电池的零件较少，随着时间的推移会磨损。