PulseAugur
中
实时 09:32:59
English(EN) BucketKD: A Safety-Aware Bucket-Based Knowledge Distillation Framework for End-to-End Motion Planning

新框架为自动驾驶创造更小、更安全的人工智能

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了BucketKD，一个旨在为自动驾驶创造更小、更安全端到端运动规划模型的新知识蒸馏框架。该方法将环境变量离散化为自适应分桶，并结合了一个安全感知的航点注意力机制，该机制使用碰撞时间公式来评估风险。在CARLA模拟器中使用Bench2Drive数据集进行的实验表明，BucketKD在规划准确性和安全性方面优于现有方法，同时实现了显著的模型压缩。 AI

影响 能够将先进的人工智能规划能力更有效地部署到资源受限的自主系统中。

排序理由 详细介绍人工智能模型优化新框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架为自动驾驶创造更小、更安全的人工智能

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Md Nahidul Islam, Mohd Hasan Ali, Dipankar Dasgupta, Myounggyu Won ·

    BucketKD: A Safety-Aware Bucket-Based Knowledge Distillation Framework for End-to-End Motion Planning

    arXiv:2607.10565v1 Announce Type: cross Abstract: End-to-end motion planning has emerged as a promising paradigm in autonomous driving, directly mapping raw sensor data to control commands via deep neural networks. Despite its advantages, its large model size hinders deployment i…

相关实体

相关话题