Autonomous Vehicles
PulseAugur coverage of Autonomous Vehicles — every cluster mentioning Autonomous Vehicles across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
互联AI汽车有望消除交通拥堵
互联AI汽车，也称为互联自动驾驶汽车（CAVs），有潜力消除交通拥堵并改善城市交通。通过利用AI进行决策以及车辆之间（V2V）和车辆与基础设施之间（V2I）的实时通信，CAVs可以协调行驶、保持最佳车距并预测交通流量以主动重新规划路线。这个合作驾驶网络旨在用无缝的、水流般的交通取代走走停停的交通，从而显著减少人为错误和基础设施限制造成的延误。
-
新的AI测试平台推出，用于城市导航和多智能体协调
推出了两个新的研究平台Lingjing和360CityArena，以推进具身智能在复杂的城市环境中的应用。Lingjing专注于无人机和自动驾驶汽车等异构智能体的多智能体协调，为自然语言任务和详细的故障分析提供了一个测试平台。360CityArena提供了一个用于城市导航的逼真基准，使用真实世界的360度视频数据来评估智能体在从地标搜索到空间推理等任务上的表现。这两个平台都突显了当前AI在真实城市导航和任务执行能力方面面临的重大挑战。
-
新论文探讨人工智能驱动的网络物理系统中的技术债务
一篇新论文探讨了人工智能密集型网络物理系统（AI-CPS）中特有的技术债务。这些系统应用于自动驾驶汽车和医疗保健等领域，结合了硬件、人工智能和传统软件，从而产生了专门的技术债务。该研究旨在描述这种 AI-CPS 技术债务的特征，开发识别方法，并提出缓解策略，可能通过支持代理式人工智能解决方案的自动化工具来实现。
-
NVIDIA 发布 Alpamayo 2 Super 用于自动驾驶汽车，提供商业开放使用 · 追踪 4 个来源
NVIDIA 发布了 Alpamayo 2 Super，这是一款专为机器人出租车和自动驾驶汽车设计的新型开源模型。该模型基于 NVIDIA Cosmos 3 Super Reasoner 构建，并通过强化学习得到增强，旨在改进自动驾驶系统处理复杂、罕见场景的方式。Alpamayo 2 Super 可在宽松的商业许可下使用，允许开发人员为其生产用途进行改编和部署，并在 LingoQA 等基准测试中展现出领先性能，优于 Gemini 2.…
-
视觉语言模型增强自动驾驶汽车GNSS欺骗检测能力
研究人员开发了一种新颖的方法，通过将视觉语言模型（VLM）与车内传感器数据相结合，来检测自动驾驶汽车中的全球导航卫星系统（GNSS）欺骗攻击。该方法融合了前置摄像头视觉信息以及速度和加速度等传感器读数，以识别车辆操控中的差异。该系统经过了三阶段的微调，并在阿拉巴马州塔斯卡卢萨收集的真实世界数据集上进行了验证，证明了在检测准确性方面的显著提高，尤其是在错误转弯和停止攻击方面。
-
新框架利用LLM保护6G元宇宙中自动驾驶汽车的位置隐私
一篇新研究论文提出了一个框架，用于保护在6G赋能的车联网元宇宙中运行的自动驾驶汽车（AV）的位置隐私。该方法结合了现实世界中的连续位置扰动与虚拟环境中的离散、注重隐私的AI代理迁移。为了量化隐私，引入了一种称为跨现实位置熵的新指标，该指标有助于优化行动，以平衡隐私、服务延迟和服務質量。研究人员开发了一种新颖的LLM增强混合扩散近端策略优化（LHDPPO）算法来解决复杂的优化问题，并在实验中证明了其有效性。
-
新的MAPS架构增强了交叉路口自动驾驶汽车的协调能力
研究人员开发了主代理原型规划系统（MAPS），这是一种新颖的层次化深度强化学习架构，旨在改善无信号灯交叉路口自动驾驶汽车之间的协调。MAPS利用一个集中的主代理生成紧凑的“原型计划”嵌入，然后由去中心化的工作代理将其与本地观测结合起来进行车辆控制。这种方法有效地将战略意图与战术执行分离，允许独立模块优化。在HighwayEnv模拟中的评估表明，MAPS能够实现无碰撞导航并显著减少行程时间，其性能优于现有方法，并且在比初始训练时更多的代…
-
新的ECRAM系统加速边缘持续学习，大幅降低能耗
研究人员开发了CLASP，一个旨在通过集成内存计算（IMC）和专用ECRAM设备来加速边缘设备上持续学习的新系统。该方法解决了机器学习中IMC架构通常伴随的大量数据移动和嘈杂计算的挑战。CLASP旨在使持续学习在资源受限的边缘平台（如自动驾驶汽车和智能传感器）上变得可行。该系统在使用MNIST数据集的实验中显示出接近GPU的训练精度，同时提供了显著的速度和能源节省。
-
Sarus框架为自动驾驶汽车实现隐私保护的感知融合
研究人员开发了Sarus，一个旨在实现来自多个自动驾驶汽车供应商的感知数据隐私保护融合的新框架。该系统利用同态加密，允许中央融合服务器聚合检测输出，而无需访问敏感的单个供应商数据或专有模型行为。在KITTI数据集上使用YOLOv8和PointPillars等检测器进行的实验表明，Sarus通过结合互补的检测结果，特别是在单个传感器模式可能出现故障的情况下，可以有效地提高场景级覆盖范围。
-
中国AI初创公司星链天数获无人系统融资
星链天数（Xinglian Tianshu）是一家专注于无人系统集成通信和计算的中国初创公司，已在其首轮融资中获得数千万元人民币。该公司旨在利用日益部署的近地轨道卫星星座，为无人机和自动驾驶汽车等各种无人平台提供连接和智能处理。与优先考虑原始GPU算力的方法不同，星链天数采用了异构计算架构，该架构针对无人系统特定的数据特性进行了定制，预计将在三到五年内实现市场突破。
-
探讨用于更安全自动驾驶汽车的“人在回路”机器学习
一篇新的arXiv论文探讨了集成“人在回路”机器学习（HITL-ML）技术以增强自动驾驶汽车（AVs）的安全性和伦理考量。该论文详细介绍了人类输入，通过验证、标注和偏好反馈等方法，如何解决感知、预测和决策方面的挑战，尤其是在复杂的驾驶场景中。它涵盖了各种HITL-ML方法，包括课程学习、强化学习、大型语言模型和主动学习，同时还强调了人类监督在AV系统中的透明度、问责制和可靠性的重要性。
-
全球研究揭示自动驾驶汽车接受度的关键驱动因素
一项新研究分析了来自17个国家超过18,000名受访者的数据，以了解公众对L3级自动驾驶汽车的接受度。该研究基于技术接受与使用统一理论2 (UTAUT2) 模型，发现感知有用性、社会影响和愉悦感是用户意向的主要驱动因素。易用性和便利条件等因素作用较小，而人口统计特征和驾驶辅助系统的使用经验影响甚微。
-
新的扩散去噪器提高了自动驾驶汽车的陀螺罗盘精度
研究人员开发了一种新的陀螺罗盘方法，这对于精确导航至关重要，尤其是在传感器质量有限的自动驾驶汽车中。该方法将基于扩散的去噪框架与基于学习的航向估计模型相结合。扩散去噪器预处理原始惯性传感器数据，从而提高了确定航向角的精度。实验表明，与传统的基于模型的陀螺罗盘相比，精度提高了 26%，与其他的学习驱动方法相比，精度提高了 15%，这对于依赖低成本陀螺仪的平台尤其有利。
-
新方法过滤低质量图像用于AI数据准备
研究人员开发了一种新颖的方法来过滤低质量图像用于数据准备，而不是对其进行去噪。该方法使用图像质量评估指标和最优阈值来识别和移除低质量图像，确保为深度学习模型开发保留足够的数据。与现有技术相比，该方法表现出优越的性能，在交通标志识别数据集上达到93.8%的准确率，在物体识别数据集上达到84.9%的准确率，表明其在自动驾驶等应用中的潜力。
-
WCog-VLA AI模型增强车辆的主动自主能力
WCog-VLA是一款新推出的多模态AI模型，旨在增强系统的主动自主能力，特别是在自动驾驶汽车和计算机视觉应用中。该模型旨在架起远见能力，使系统能够更有效地预测和行动。该研究似乎通过StartupHub.ai发布，并与生成式AI的进步相关。
-
具身人工智能研究在接地世界模型和代理协作方面取得进展 · 跟踪了 8 个来源
近期研究探讨了具身人工智能的进展，重点关注生物系统如何通过环境互动获取接地世界模型。论文讨论了将人工智能智能集成到物理机器人中的框架，例如 SPINE，旨在减少对专家校准的需求。其他研究调查了人机交互作为神经可塑性训练环境，并提出了能够从经验中学习的自演化具身代理的方法。此外，研究还检查了异构代理之间的容错协作以及通过对话对齐世界模型以改善协调。
-
新的REVIVE框架可恢复被污损的自动驾驶汽车摄像头流
研究人员开发了REVIVE框架，以解决自动驾驶汽车（AV）上的污损诱导遮挡攻击（VOAs）。REVIVE集成了检测、模式识别、使用基于EfficientNet的U-Net进行分割以及类型感知恢复方法。该框架采用BLIP引导的Stable Diffusion修复、直接像素替换和自适应中值滤波等技术，以在物理遮挡后恢复摄像头流的效用。评估表明，直接像素替换可以显著恢复目标检测的召回率和F1分数，优于其他基线，并确保转发的流的质量不低于未恢复的帧。
-
合成雾管道减少了自动驾驶汽车物体检测的数据需求
研究人员开发了Clear2Fog (C2F)，一个基于物理的管道，用于生成合成雾以训练物体检测模型。该方法旨在通过解决真实世界雾天数据稀缺的问题来提高自动驾驶汽车的安全性。C2F集成了单目深度估计和新颖的大气光估计，以创建物理上一致的合成雾，减少伪影和偏差。一项使用Waymo开放数据集进行的广泛研究表明，在较低规模下使用不同雾密度进行训练，可以达到在较大固定密度数据集上训练的模型的性能，从而将合成数据需求减少25%。
-
V2X协同感知通过混合仿真和真实世界测试得到验证
研究人员为车联网（V2X）协同感知（CP）系统开发了一种新的概率框架和混合验证方法。该方法使用贝叶斯融合算法整合来自多辆汽车的传感器数据，创建一个包含占用概率和不确定性的共享占用网格。这扩展了自动驾驶汽车的感知范围，使其超越了直接视线。结合CARLA仿真和车在环实验的混合测试框架被用来验证该系统，结果显示在环形交叉路口等复杂场景下，视野覆盖范围和占用单元召回率显著提高。
-
半导体行业面临危机，转向Chiplet架构
由于传统晶体管设计的物理和经济限制，半导体行业正面临严峻危机。量子隧穿效应、Landauer热力学极限以及光刻成本的不断攀升，使得进一步小型化变得不切实际。因此，行业正转向Chiplet（芯粒）模式，将处理器分解为更小的独立芯片，然后集成到基板上，这提供了一条更可行的前进道路。