XiaoMi-AI文件搜索系统
World File Search System驾驶的
非正式小巴出租车驾驶的机器学习分析
摘要。本文介绍了非正式小巴出租车中驾驶行为的机器学习分析，重点是受控和不受控制的环境。非正式的小巴出租车在城市运输中起着至关重要的作用，尤其是在发展中国家，但它们的驾驶方式和安全含义仍然不足。我们利用探索性因素分析来分析来自小巴出租车乘客携带的智能手机GP收集的数据，从而确定关键的驾驶行为和模式。我们的研究强调了在受控环境和不受控制的环境之间的驾驶方式中，对安全性和e ffi效率的见解。这些发现为政策制定者，运输计划者和技术开发人员提供了宝贵的信息，旨在提高非正式运输部门的城市流动性和安全性。
利用人工智能辅助自动驾驶的边缘计算...
摘要 — 新一代汽车（例如联网汽车和自动驾驶汽车）的出现为车辆网络和计算管理带来了新的挑战，以提供高效的服务并保证服务质量。边缘计算设施允许将处理从云端分散到网络边缘。在本文中，我们设计并提出了一种端到端、可靠且低延迟的通信架构，该架构允许将计算密集型自动驾驶服务（尤其是自动驾驶仪）分配给边缘计算服务器上的共享资源，并提高自动驾驶汽车的性能水平。该参考架构用于设计自动驾驶汽车、边缘计算服务器和集中式云之间的高级自动驾驶 (A2D) 通信协议。然后，制定了一种使用整数线性规划 (ILP) 的数学规划方法来模拟网络边缘的自动驾驶仪链资源卸载。此外，提出了一种深度强化学习 (DRL) 方法来处理密集的自动驾驶汽车互联网 (IoAV) 网络。此外，还考虑了几种场景来量化优化方法的行为。我们从边缘服务器总利用率、边缘服务器总分配时间和成功分配的边缘自动驾驶仪等方面比较了它们的效率。索引术语 — 边缘计算、自动驾驶汽车 (AV)、人工智能 (AI)、优化、深度强化学习 (DRL)。
OmniHd-Scenes：用于自动驾驶的下一代多模式数据集
摘要 - 深度学习的快速进步加剧了对自动驾驶算法使用的全面数据的需求。高质量数据集对于开发有效数据驱动的自动驾驶解决方案至关重要。下一代自动驾驶数据集必须是多模式的，结合了来自高级传感器的数据，这些数据具有广泛的数据覆盖率，详细的注释和不同的场景表示形式。为了满足这一需求，我们提出了OmniHd-Scenes，这是一个大规模的多模式数据集，可提供全面的全向高清数据。OMNIHD-SCENES数据集结合了来自128束梁雷达，六个摄像机和六个4D成像雷达系统的数据，以实现完整的环境感知。数据集包含1501个夹子，每个夹子长约30秒，总计超过450K同步帧和超过585万个同步传感器数据点。我们还提出了一个新颖的4D注释管道。迄今为止，我们已经注释了200个剪辑，其中有超过514K精确的3D边界框。这些剪辑还包括静态场景元素的语义分割注释。此外，我们还引入了一条新型的自动化管道，以生成密集的占用地面真理，从而有效利用了非钥匙框架的信息。与拟议的数据集一起，我们为3D检测和语义占用预测建立了全面的评估指标，基线模型和基准。这些基准测试利用环绕摄像机和4D成像雷达来探索用于自动驾驶应用的具有成本效益的传感器解决方案。广泛的实验证明了我们的低成本传感器构型及其在不利条件下的鲁棒性的有效性。数据将在https://www.2077ai.com/omnihd-scenes上发布。
宝马，自动驾驶的高通和到达合作伙伴
通过繁忙的流量骑摩托车可能会令人恐惧，但Intellias可能有答案。软件开发服务提供商已揭示了一个概念，用于自动化摩托车和踏板车。这项技术甚至可以使他们能够在没有驾驶员的情况下进行操纵，这要归功于与硬件无关的软件体系结构，可以与各种传感器类型和车辆类结合使用。以高达20公里/小时的速度行驶或在狭窄的车道上行驶可以更轻松。自动平衡踏板车不仅适用于最后公里的送货服务，而且适合几乎没有经验的骑手，例如观光旅行的游客或城市踏板车的房客。自行车配备了传感器来检测小费的程度和速度。该软件可以计算并触发车把的必要反向运动，以实时拉直和稳定。“自动稳定的两轮车可以通过保护弱势道路使用者（例如踏板车车手）来使城市内部的交通更加安全，更好，” Intellias副总裁Oleksandr Odukha说。
面向自动驾驶的高效脑启发学习...
摘要：准确安全地预测周围车辆的轨迹对于完全实现自动驾驶 (AD) 至关重要。本文提出了类人轨迹预测模型 (HLTP++)，该模型模拟人类的认知过程以改进 AD 中的轨迹预测。HLTP++ 采用了一种新颖的师生知识提炼框架。配备自适应视觉区的“老师”模型模仿人类驾驶员根据空间方向、距离和驾驶速度等因素表现出的注意力动态分配。另一方面，“学生”模型侧重于实时交互和人类决策，与人类的记忆存储机制相似。此外，我们通过引入新的傅里叶自适应脉冲神经网络 (FA-SNN) 来提高模型的效率，从而可以用更少的参数进行更快、更精确的预测。使用 NGSIM、HighD 和 MoCAD 基准进行评估，HLTP++ 表现出比现有模型更优异的性能，在 NGSIM 数据集上将预测轨迹误差降低了 11% 以上，在 HighD 数据集上将预测轨迹误差降低了 25%。此外，HLTP++ 在输入数据不完整的具有挑战性的环境中表现出很强的适应性。这标志着在实现完全 AD 系统的过程中迈出了重要一步。
自动驾驶的社会符合社会符合控制
自动驾驶汽车（AV）的控制设计主要集中于实现单独控制的AV或一群合作控制的AV的预定目标。然而，自主驾驶对人类驱动车辆（HV）的影响在很大程度上被忽略了，这可能会导致对乘客和周围交通的安全性有害的利己主义的AV行为。在这项研究中，我们开发了一个具有有用的社会心理学指标，称为社会价值取向（SVO），为AVS的社会符合社会控制设计设计开发了一般框架，以利用AVS来利用其对以下HVS行为的影响。这是至关重要的，因为以社会符合社会的方式行事的AV使人类的驾驶员能够理解其行为并做出适当的反应。在拟议的框架内，我们定义了受控AV的实用程序及其以下车辆，以由AV的SVO确定的加权方式最大化。鉴于AV的目标以及由社会符合社会兼容的AV控件提供的以下HV的好处，公用事业最大化涵盖了一系列设计目标。然后制定出最佳的控制问题，以最大化效用函数定义，该功能使用Pontryagin的最低原理在数值上求解，并提供最佳保证。开发的方法适用于合成社会符合社会符合AV的生态驾驶的控制。提出了一组数值结果，以使用在明尼苏达州55号公路上收集的现实世界实验数据显示拟议方法的机制和有效性。
自动驾驶的自动驾驶机器，以设计新型酶
一个人可以设计并自动化一个计算和实验平台，以便每个平台迭代指导并驱动另一个平台以实现预定的目标？Rapp及其同事（2024）在论文中仅描述了这种可能性，该论文详细介绍了一个自动驱动实验室的原型，该实验室可以自动导航，以产生具有所需属性的工程酶。这个实验室，而不是自动化协议，用缩写词来提及。这是指用于蛋白质景观探索的自动驾驶自动驾驶机器。本文描述了一个原型，涉及糖苷水解酶的工程，以增强热稳定性。“大脑”是该自动化系统背后的计算组件，旨在从策划的数据集学习蛋白质序列 - 功能关系。然后，通过一个全自动的机器人系统评估了这些设计蛋白，该蛋白可以合成并实验表征设计的蛋白质，并向代理（即计算成分）提供反馈，以填补其对系统的理解。因此，设计样品剂是通过在搜索过程中积极获取信息来不断地重新理解对蛋白质景观的理解。由于该智能代理从一个精心策划的，多样化的数据集中学习蛋白质序列 - 功能关系，因此根据更新的假设，这种反馈对于重新景观探索和新蛋白质的设计至关重要。在此原型中，将四个样品剂的任务承担了此目标。单个药物的搜索行为差异主要是由实验测量噪声引起的。这些药物的目标是导航糖苷水解酶景观，并以增强的热耐受性鉴定酶。然而，尽管他们的搜索行为有所不同，但所有四个代理都可以在热稳定糖苷水解酶上融合 - 这是显着的壮举，因为它显然不需要任何人类干预。为了启动迭代设计过程，Rapp及其同事用糖苷水解酶序列喂养样品，具有工程热耐受性的靶标。使用在可抑制和热固醇糖苷水解酶进行的实验中的非常最小的信息，以蛋白质耐受景观呈现样品（Romero and Arnold 2009）。蛋白质富度景观描述了从序列到类似于峰，山谷和山脊的陆地景观的映射，该目标是达到拟合度更高的自适应峰。至关重要的输入来自一个反馈周期，其中代理查询环境以收集信息，从而改善了内部对景观的看法。从这个意义上讲，蛋白质工程代理的任务是贝叶斯优化的任务，其中未知的目标函数与探索和开发之间的有效平衡（作者称为权衡）相息。样品以部署高斯工艺（GP）模型，以探索景观并提取可以描述序列水平上的可热稳定蛋白与中序蛋白有何不同的信息（Romero等2013）。使用贝叶斯优化（BO）技术，此信息启用了迭代设计蛋白质序列的样品。作者还设计了几种BO方法，以说明缺乏丰富的实验数据。这方面通常至关重要，因为人工工程/机器学习（AI/ML）工具需要一个大型，多样化的数据集有效。首先使用基于GP模型的分类器来识别功能序列，然后采用了上层信心结合算法来选择实验验证的顶级序列（Dauparas等人。2022）。使用预先合成的基因片段组装了新型工程酶，即设计的序列。该策略本身在合成生物学的高通量平台中很普遍。
如何在监督驾驶的同时保持驾驶员的参与度...
摘要。这项工作旨在组织建议，以在人类监督驾驶自动化期间保持人们的参与，鼓励安全和可接受地引入自动驾驶系统。首先，使用人为因素、人体工程学和心理学理论的启发式知识来提出解决人类监督控制持续注意力问题的解决方案领域。绘制了驾驶和非驾驶研究示例来证实解决方案领域。汽车制造商可以 (1) 完全避免这种监督角色，(2) 以客观的方式减少它或 (3) 改变其主观体验，(4) 利用条件学习原理，例如游戏化和/或 20 选择/训练技术，(5) 支持内部驾驶员认知过程和 21 心理模型和/或 (6) 利用有关驾驶员、驾驶任务和驾驶环境之间关系的外部信息。 23 其次，对有影响力的人机交互研究进行了跨领域文献调查，以了解如何在监督控制中保持参与度/注意力。从独立评估者对研究建议的分类中发现，解决方案领域（通过数字主题代码）可靠地应用。约 70% 或更多的研究中涉及领域 (5) 和 (6)，约 50% 的研究中涉及领域 (2) 和 (4)，而领域 (3) 和 (1) 分别不到约 20% 和 5%。pres
proin：学习基于自主驾驶的渐进互动来预测轨迹
在这项工作中，提出了一个渐进互动网络，以使代理的功能能够逐步专注于相关地图，以便更好地学习代理的功能表示，以捕获相关的地图约束。网络在以下三个阶段中逐渐通过图形卷积编码映射约束的复杂影响：在历史轨迹编码之后，在社交互动之后和多模式分化之后。此外，还提出了用于多模式训练的权重分配机制，以便每种模式都可以从单模地面真相获得学习机会。实验验证了渐进互动与现有一阶段相互作用的优越性，并证明了每个组件的有效性。在具有挑战性的基准中获得了令人鼓舞的结果。
启动自动驾驶的公共道路演示测试
公司名称Mizuho Research＆Technologies，Ltd。位置Chiyoda-ku，东京成立于2021年4月1日，资本16.275亿日元代表总裁兼首席执行官（代表董事）Masatoshi Yoshihara商业描述信息处理服务，智囊团咨询服务