Autonomous Vehicles
PulseAugur coverage of Autonomous Vehicles — every cluster mentioning Autonomous Vehicles across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
LLM使自动驾驶和人类驾驶车辆之间就道路空间进行议价
研究人员开发了一个新的议价框架,使用大型语言模型(LLM)来模拟自动驾驶汽车(AV)和人类驾驶汽车(HV)之间就道路空间分配进行的谈判。该框架允许代理根据其目标和私人信息进行沟通和谈判,超越了传统的博弈论和强化学习方法。实验表明,谈判分配会适应交通密度,但不严格遵循比例分配,并且以公平为导向的目标可以提高协议达成率,但不一定能提高道路空间利用率。研究还发现,领域知识对议价结果的影响因代理目标而异,影响协调和角色依赖的公平效应。
-
新的WorkIng数据集增强了自动驾驶汽车在高速公路施工区域的导航能力
研究人员推出了一款名为WorkIng的新基准数据集,旨在提高自动驾驶汽车在高速公路施工区域的导航能力。该数据集包含真实世界和合成数据,解决了现有基准未能捕捉这些关键区域独特几何形状和监管差异的局限性。WorkIng-Highway提供广泛的360°多模态数据,并同步了LiDAR、RGB摄像头和RTK-GPS,而WorkIng-CARLA则在各种场景和国际交通标准下提供程序化模拟。
-
新算法MoViD运用光子学原理实现实时视频运动检测
一种名为MoViD(Motion estimation via Virtual dispersion and phase Detection)的新算法已被开发出来,其灵感来源于光子时域拉伸技术。这种基于物理学的方法将视频像素视为光时间序列,通过分析光谱展宽和诱导的相位偏移来检测运动。MoViD直接在宽带视频信号上运行,处理速度远超传统的(光流法)或基于学习的方法,能够实现高分辨率的实时运动分析。
-
新框架确保自主智能体面向未来
一篇新研究论文提出了一个新颖的框架,用于测试独立开发的自主智能体(如自动驾驶汽车)的兼容性和面向未来性。所提出的方法包括由监管机构发布“种子智能体”,开发人员确保其智能体与这些种子兼容,这种属性称为面向未来性。这种方法旨在保证联合兼容性,而无需集中设计或部署前协调,即使在智能体设计保密的情况下也是如此。
-
OmniSpace 通过二维几何感知增强自动驾驶多模态大语言模型
研究人员推出 OmniSpace,这是一种新颖的即插即用范式,旨在增强多模态大语言模型(MLLMs)在自动驾驶应用中的空间推理能力。与现有需要在推理时使用复杂三维模型的方法不同,OmniSpace 通过集成摄像头姿态注入器、多视图外极线注意力(Multi-view Epipolar Attention)和三维几何蒸馏(3D Geometric Distillation),仅利用二维观测。该方法有效解决了跨视图对应和深度估计的局限性,在…
-
分层任务网络规划应用于动态环境中的目标推理
本文探讨了分层任务网络(HTN)规划在智能体目标生命周期框架中的应用。所提出的架构将HTN规划整合到目标推理的各个阶段,包括形成、扩展和重新扩展。这种方法允许智能体动态地细化目标、适应不断变化的环境,并解决预期结果与实际结果之间的差异。该研究通过对适应动态任务的模拟自动驾驶汽车进行的实证研究,证明了这种目标推理(GR)架构的有效性。
-
新的仿真框架定量评估城市街道设计
研究人员开发了一个新的仿真框架,用于定量评估城市街道设计,超越了定性原则。该框架模拟了包括自动驾驶汽车(AV)、网联汽车(CV)和人类驾驶汽车(HDV)在内的各种道路使用者,以及行人微移动出行者。它评估了安全性和通行能力,并采用基于碰撞物理学的冲突严重性新方法,利用遗传算法进行设计优化。最初应用于芝加哥的Belmont大道表明,专用自行车道以牺牲车辆通行能力为代价提高了安全性,而AV渗透率的提高可以减少拥堵并改善行人互动。
-
热攻击给自动驾驶汽车带来新的验证风险
由于热侧信道攻击,自动驾驶汽车在验证方面遇到了新的挑战。这些攻击通过利用物理热信号,可能损害感知系统的完整性并暴露遥测数据。研究人员已识别现有工作,证明这些热信号如何在无需直接访问系统的情况下揭示模型信息。
-
AI芯片初创公司Ubitium融资1400万美元,用于开发通用物理AI处理器
半导体初创公司Ubitium已获得1400万美元种子资金。该公司计划利用这笔资金开发一款专为物理AI应用设计的通用处理器。这款新芯片旨在将传感、AI推理和实时控制集成到单一架构中,从而取代机器人和无人机等设备中对多个专用处理器的需求。
-
AI研究解决自动驾驶汽车远程操作服务质量预测中的概念漂移问题
本文介绍了一个用于预测自动驾驶汽车远程操作服务质量(QoS)的框架,重点关注上行链路数据速率和往返延迟。所提出的方法旨在通过将历史数据整合到预测流程中,来缓解由概念漂移引起的机器学习模型性能下降。此外,还提出了一个用于关键场景检测的指标,以专门评估远程操作预测性能。
-
新框架简化自动驾驶汽车决策
研究人员开发了一个新的框架,使用 alpha-势博弈来解决异构自动驾驶汽车之间的去中心化决策问题。该方法通过将近似纳什均衡的计算简化为最小化单个辅助函数来简化计算。该框架确立了最小化器的存在性,并表征了均衡近似误差,同时还提供了提高精度和导出社会效率保证的方法。数值实验验证了其在避碰、变道和交叉口通行等场景中的有效性。
-
新的COSTER框架增强了自动驾驶汽车安全场景生成
研究人员开发了一个名为COSTER的新框架,用于为自动驾驶汽车训练生成安全关键的交通场景。COSTER利用学习到的交通先验知识来识别可能发生的碰撞时间和地点,然后从碰撞快照向后重建车辆轨迹。该方法在合理性、多样性和数据效率方面优于现有方法,在Waymo开放运动数据集上使用COSTER生成的场景训练的智能体碰撞率降低了31%。
-
基于脑电图的系统解码自动驾驶汽车的乘客危险感知
研究人员开发了一个新的框架,使用脑电图(EEG)来解码乘客的认知状态,以提高高度自动化车辆的安全性。该系统称为乘客认知模型(PCM),集成了3D卷积循环神经网络(3D-CRNN),通过分析乘客的神经反应来预测风险和识别危险。该框架表现出强大的性能,在风险预测方面实现了95.3%的平衡准确率,并将危险识别准确率提高到85.0%。该系统在不同会话和受试者之间也显示出良好的泛化能力,表明其在未来自动驾驶汽车的决策和安全功能中具有辅助监督的潜力。
-
太阳风暴引发对美国GPS维护和自动驾驶汽车安全的担忧
最近的一次太阳风暴引发了对全球定位系统(GPS)可靠性的担忧。有人猜测,未来可能会出现法律诉讼,声称事故的发生是由于美国未能充分维护其GPS基础设施。这个问题在高度依赖精确GPS数据的AI和自动驾驶汽车领域尤为重要。
-
研究人员跨网络、AV领域测试弱信号AI架构
一位研究人员正在探索一种新颖的弱信号架构,该架构跨越包括网络安全和自动驾驶汽车在内的多个领域。核心概念是包含一个有界分类层,在不确定的发现升级为强结论或警报之前引起注意。这种方法旨在处理在尚未需要明确响应的领域中的早期异常,研究人员正在寻求反馈和合作。
-
自动驾驶汽车中的LLM继承了行人让行方面的偏见
一项新的基准研究表明,自动驾驶汽车(AVs)中使用的大型语言模型(LLMs)和视觉语言模型(VLMs)继承了人类的偏见。这些模型在行人让行决策中表现出歧视性行为,根据种族、性别、宗教、残疾、年龄、肤色和社会经济地位等因素进行区别对待。研究强调了不同模型中普遍存在的偏见模式,引发了对当前使用通用“常识”模型进行AV决策范式的担忧,并强调了偏见缓解策略的必要性。
-
新型攻击利用自动驾驶汽车传感器校准
研究人员开发了一种针对自动驾驶汽车在线校准系统的对抗性校准攻击(ACA)。该攻击利用了车辆检测和纠正传感器失准(例如摄像头和激光雷达之间)的过程。通过使用特制的对抗性海报,ACA可以欺骗车辆接受错误的校准数据,导致感知错误,并可能引发碰撞。该攻击已被证明能在基准数据集上引起显著的校准误差,并在物理机器人上成功复现。
-
FrameScope框架增强自动驾驶汽车的持续学习能力
研究人员开发了FrameScope,一个旨在改进自动驾驶汽车持续学习的新框架。FrameScope利用时间数据评估,将神经切线核理论扩展到时间域,以识别和选择这些车辆产生的海量视觉数据流中的高价值帧。这种方法允许在车上进行有原则的帧选择,减少了将所有数据传输到云端进行标记的需要,从而降低了带宽要求。实验表明,FrameScope在样本效率方面优于现有方法,并能减轻自动驾驶汽车感知系统中的灾难性遗忘。
-
研究发现:大型语言模型在自动驾驶汽车中继承了人类偏见
一项新的基准研究表明,用于自动驾驶汽车的大型语言模型(LLM)和视觉语言模型(VLM)继承了人类的偏见。研究人员发现,这些模型在行人让行决策中表现出歧视性行为,其决策受到种族、性别、宗教、残疾、年龄和社会经济地位等因素的影响。研究结果引发了对“常识”模型范式的担忧,并强调了在自动驾驶汽车的AI系统中解决下游偏见的必要性。
-
面向边缘部署的视觉生成式AI需要软硬件协同设计
一篇新发表在arXiv上的观点论文讨论了面向视觉的生成式AI模型的演进和未来。作者认为,尽管目前的进展集中在输出质量上,导致硬件被动适应大型模型,但迫切需要一种软硬件协同设计的方法。这种方法将确保生成式AI模型在开发时就考虑到部署限制,使其在自动驾驶汽车和移动设备等边缘应用中可持续且易于访问。