pedestrian
PulseAugur coverage of pedestrian — every cluster mentioning pedestrian across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新方法通过交通元素感知增强自动驾驶 · 跟踪到2个来源
研究人员开发了一种新颖的可插拔方法，将交通元素感知集成到端到端自动驾驶系统中。该方法系统地研究了交通信号灯和路标的影响，这些元素通常被忽视，而更侧重于动态道路参与者。通过使用结构化的交通元素标注来增强现有数据集，并采用最小集成设计，该方法可以无缝集成到各种驾驶范式中，包括VLA模型和基于扩散的策略。在nuScenes和NAVSIM-v2等多个数据集上的评估表明，驾驶性能得到了一致的提升，在具有挑战性的基准测试中树立了新的最先进水平。
-
人工智能系统现在可以更谨慎地检测低图像质量下的物体
研究人员开发了一种新方法，用于提高人工智能系统在面对低质量图像数据时的可靠性，尤其是在自动驾驶领域。该方法采用一种“故障降级”系统，该系统根据估计的图像质量降低网络的置信度阈值，从而在不确定的条件下实现更谨慎的物体检测。该方法利用归一化流将输入图像与训练数据进行比较，使人工智能能够更好地处理噪声或黑暗，而无需备用解决方案，从而增强了对人工智能系统的信任。
-
AI模拟自动驾驶汽车与人类驾驶汽车周围的行人碰撞避免行为
研究人员开发了一个新的深度强化学习框架SMamba-DDPG，用于模拟行人在自动驾驶汽车（AVs）与人类驾驶汽车（HDVs）周围的不同行为。该研究利用Argoverse 2数据集捕捉真实世界的交互，发现行人对自动驾驶汽车反应更快，并且采用较低的过马路速度。对模型生成数据的安全分析表明，在行人-自动驾驶汽车交互中冲突更少，避让率更高，这表明车辆特定的行为模型对于自动驾驶汽车的安全和模拟至关重要。
-
洛杉矶居民对自动送货机器人意见不一
自动送货机器人在洛杉矶日益普及，引起了居民的复杂情绪，他们对这些机器人既感到同情又觉得厌烦。虽然这些机器人提供了一种新的配送方式，但它们也加剧了本已不便步行的洛杉矶在行人通行方面的现有挑战。这种情况凸显了将自动驾驶技术实际融入城市环境的更广泛讨论，以及对它们对公共空间影响进行审慎考量的必要性。
-
AI研究通过新的RL框架推进自动驾驶安全
两篇新研究论文探讨了用于更安全自动驾驶的先进强化学习技术。第一篇论文介绍了一种多智能体强化学习（MARL）方法，其中自动驾驶汽车和行人进行协同训练，通过更好地预测行人不可预测的行为，与基线方法相比，碰撞减少了30%。第二篇论文提出了一个认知-物理强化学习（CoPhy）框架，该框架整合了来自视觉-语言模型的知识，并使用预测性世界模型来确保安全和遵守驾驶意图，在基准测试中取得了最先进的结果。