Connected Autonomous Vehicles
PulseAugur coverage of Connected Autonomous Vehicles — every cluster mentioning Connected Autonomous Vehicles across labs, papers, and developer communities, ranked by signal.
-
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。
-
新框架统一自动驾驶汽车的感知与预测
研究人员开发了一个协同联合感知与预测（Co-P&P）框架，旨在增强网联自动驾驶汽车（CAVs）的态势感知能力。该方法统一了协同感知与运动预测，以解决累积感知误差和视觉遮挡等问题。实验表明，检测或跟踪级别的融合比预测级别的融合效果更好，并且一个原型机证明，即使通过RENO进行神经压缩，协同预测也能显著提高准确性，同时将通信带宽减少约34倍。
-
VAE驱动的语义通信框架增强了自动驾驶汽车的连接性
研究人员开发了一种用于联网自动驾驶汽车（CAVs）的语义通信新框架，该框架利用变分自编码器（VAE）进行卫星辅助驾驶。这种VAE驱动的方法侧重于传输与任务相关的语义特征，而不是原始数据，这对于带宽受限的卫星信道尤其有利。该框架旨在同时优化交通标志重建和分类任务，在各种信噪比条件下保持稳定性能的同时，带宽减少高达98.17%。
-
Survey details deep multi-task learning for autonomous vehicles
本文全面回顾了应用于网联自动驾驶汽车（CAVs）的深度多任务学习（MTL）技术。文章探讨了MTL如何使单个模型能够处理感知、预测、规划和控制等多种任务，这对于在复杂驾驶场景中实现高效实时运行至关重要。该调查根据任务是仅由本车执行还是通过车联网（V2X）通信增强来对现有研究进行分类，并考察了V2X通信和无线资源管理背景下的MTL。作者们指出了当前研究的空白，并为推进CAV系统中的MTL提出了未来方向。
-
新平台CADET评估联网汽车的分布式自主性
研究人员开发了CADET，一个模块化平台，用于评估联网自动驾驶汽车中的分布式协作自主性。该系统解决了跨车辆、路边单元和云基础设施集成深度学习模型的复杂性，并考虑了网络延迟和计算异构性。实验表明，用于意图数据包的车辆间通信比基于云的感知提供更高的安全性，并且路边单元辅助感知在过载之前保持鲁棒性。