autonomous vehicle
PulseAugur coverage of autonomous vehicle — every cluster mentioning autonomous vehicle across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的视觉语言模型监控系统提高了自动驾驶车辆在异常场景下的安全性
研究人员开发了一种新的方法来监控自动驾驶车辆在异常驾驶场景下的行为。该方法使用视觉语言模型(VLM)来预测给定场景的适当动作,然后将该预测与车辆实际执行的动作进行比较。该系统在包含235个片段的测试集上达到了83.0%的准确率和0.773的异常召回率。
-
LLM模拟混合自主交通中的议价行为 · arXiv研究
一篇新的研究论文探讨了大型语言模型(LLM)如何用于模拟和理解混合自主交通中自动驾驶汽车(AV)与人类驾驶汽车(HV)之间的议价行为。该研究引入了一个框架,根据交通密度、代理目标和领域知识来分析议价结果,揭示了与达成协议和破裂相关的不同互动模式。研究结果表明,LLM模拟可以为共享道路空间中的社会互动动态提供结构化见解。
-
自动驾驶汽车需要社会化路径规划以与人类驾驶员共存
研究人员开发了一种新的自动驾驶汽车(AV)路径规划方法,该方法融入了社会化成分,以减轻对人类驾驶汽车(HDV)的负面影响。通过在AV奖励系统中引入“边际成本”,该成本考虑了AV路线选择对HDV出行时间的影响,该系统旨在提高整体交通效率。在Ingolstadt和Provins进行的实验表明,这种社会化路径规划策略不仅减少了HDV出行时间的增加,而且也使AV自身受益,与纯粹的自私路径规划相比,系统性能得到了提升。
-
MoCAR框架推进自动驾驶汽车轨迹预测
研究人员开发了MoCAR,一种用于自动驾驶汽车轨迹预测的新型自回归框架。MoCAR通过在连续的、坐标感知的潜在空间中生成编码来预测未来运动,该空间内在地处理了运动的连续性和多模态性。这种方法避免了复杂的重新标记化或提议-精炼步骤,在Argoverse基准测试中取得了顶级性能,并展示了在不同数据集之间强大的零样本迁移能力。
-
新方法为自动驾驶汽车测试生成极端场景
研究人员开发了一种新颖的方法,用于为自动驾驶汽车(AV)测试生成具有挑战性的场景。该方法通过场景在其未来风险条件分布中的百分位数来量化场景的极端性,从而能够精细控制测试用例的“极端”程度。该系统利用由风险指标引导的扩散模型来生成多智能体未来,在高D数据集上实现了所请求风险百分位数的高实现率。
-
TrafficGamer 仿真工具增强自动驾驶汽车安全测试
研究人员开发了 TrafficGamer,这是一种新颖的仿真工具,旨在为涉及自动驾驶汽车的安全关键场景生成可靠且灵活的交通场景。通过将道路驾驶构建为带有博弈论预言机的多智能体博弈,TrafficGamer 确保模拟场景不仅能代表真实世界的交通分布,还能捕捉到对测试安全关键事件至关重要的均衡。该系统的灵活性允许通过风险敏感约束动态调整均衡的紧密度,与现有方法相比,为自动驾驶汽车策略开发提供了一种更稳健的方法。
-
福特汽车公司以人工智能和可持续发展为重点,推进自动驾驶汽车技术
福特汽车公司正在积极开发其自动驾驶汽车技术,整合人工智能、机器学习和先进的传感器系统。该公司旨在引领汽车行业向自动驾驶汽车的转型,重点关注提升出行、安全性和可持续性。福特的战略包括开发城市出行生态系统,并将自动驾驶汽车计划与其企业可持续发展目标相结合,特别是在电动和混合动力车型方面。
-
新的行人原型增强了自动驾驶汽车的安全测试
研究人员在之前关于“行人原型”的工作基础上,为自动驾驶汽车安全测试引入了七种新的行人行为原型。这些新原型通过对YouTube行车记录仪视频进行进一步标注而识别出来,捕捉了原始十二种原型未涵盖的独特行为模式。扩展后的分类旨在提供一种更全面、更自然的方式来描述危险行人如何在真实交通场景中表现。
-
香港扩大自动驾驶汽车试点,百度推出无人驾驶出租车
香港正在加速自动驾驶汽车的测试,当局计划扩大试点道路准入。政府已发放了七个试点牌照,涉及63辆车,百度正在大屿山测试其最新的无人驾驶出租车模型。这些车辆的批准最高时速已提高到50公里/小时,累计测试里程已超过24万公里,重点是过渡到完全远程控制操作。
-
新的CCFM框架通过可控碰撞生成增强自动驾驶汽车安全测试
研究人员开发了一个名为碰撞约束流匹配(CCFM)的新框架,用于为自动驾驶汽车(AV)测试生成可控的安全关键场景。CCFM利用启发式碰撞选择器、针对特定碰撞类型的结构化硬约束以及具有流形投影的流匹配采样器,以确保对碰撞的精确控制。该方法显著提高了模拟中的碰撞率,在nuPlan数据集上达到了83.1%,并为AV安全评估和模拟到现实的碰撞数据生成提供了可靠的基础。
-
AI模型为自动驾驶推导交通法规需求
研究人员开发了一种新方法,利用大型语言模型(LLM)确保自动驾驶汽车(AV)遵守交通法规。他们的流程将LLM推理与结构化的交通场景分类法相结合,提高了推导法律要求的准确性。该方法在中国交通法规和OnSite数据集上,在法律-场景匹配和要求准确性方面取得了显著的进步。