LimSim++: Eine geschlossene Schleife-Plattform zum Einsatz von multimodalen großen Sprachmodellen im autonomen Fahren
LimSim++ ist eine offene Plattform zur Bewertung von großen Sprachmodellen im autonomen Fahren, die erweiterte Simulationsfähigkeiten und einen kontinuierlichen Lernrahmen bietet.
Fahren überall mit Anpassung der Sprachmodellrichtlinie
Durch die Nutzung der beeindruckenden Generalisierungsfähigkeit großer Sprachmodelle können Fahrzeugführer und autonome Fahrzeuge ihre Aufgaben und Bewegungspläne an die Verkehrsregeln an neuen Standorten anpassen.
Photorealistische Closed-Loop-Sicherheitstests für autonomes Fahren
Wir präsentieren einen vielseitigen NeRF-basierten Simulator zum Testen von Softwaresystemen für autonomes Fahren, der auf sensorrealistischer Closed-Loop-Auswertung und der Erstellung sicherheitskritischer Szenarien ausgerichtet ist.
Optimale Vorhersagehorizonte für autonomes Fahren: Maximierung von Sicherheit, Komfort und Effizienz
Die Wahl des Vorhersagehorizonts hat einen signifikanten Einfluss auf das Verhalten autonomer Fahrzeuge. Dieser Artikel untersucht den Zusammenhang zwischen verschiedenen Vorhersagehorizonten und der Sicherheit, dem Komfort sowie der Effizienz autonomer Fahrzeuge in Szenarien mit querenden Fußgängern. Basierend darauf wird ein Rahmenwerk vorgestellt, um die erforderlichen und optimalen Vorhersagehorizonte für spezifische Anwendungen zu bestimmen.
Sichere Echtzeit-Bewegungsplanung für autonome Fahrsysteme: Ein modellprädiktiver Pfadintegral-Ansatz
Ein modellprädiktiver Pfadintegral-Ansatz (MPPI) wird entwickelt, um sichere und kollisionsfreie Trajektorien für autonome Fahrzeuge in Echtzeit zu generieren, wobei Hindernisse und Fahrdynamikbeschränkungen berücksichtigt werden.
Effiziente End-to-End-Autonomes Fahren mit SparseAD: Sparse Query-Zentriertes Paradigma für leistungsfähige Wahrnehmung, Vorhersage und Planung
SparseAD ist ein neuartiges Paradigma für End-to-End-Autonomes Fahren, das die gesamte Fahrszenerie durch sparse Queries ohne dichte BEV-Darstellung repräsentiert. Es vereinheitlicht Wahrnehmungsaufgaben wie Erkennung, Verfolgung und Online-Kartierung in einer komplett sparsamen Architektur und ermöglicht eine gerechtfertigtere Bewegungsvorhersage und -planung.
Generatives End-to-End-Autonomes Fahren: Effiziente Vorhersage und Planung durch strukturierte Latenzraummodellierung
Das vorgeschlagene GenAD-Modell modelliert autonomes Fahren als ein generatives Problem, um die Wechselwirkungen zwischen Ego-Fahrzeug und anderen Verkehrsteilnehmern sowie die strukturierte Natur realistischer Trajektorien zu berücksichtigen. Durch das Lernen eines strukturierten Latenzraums zur Modellierung der Trajektorienverteilung kann GenAD gleichzeitig Bewegungsvorhersage und Planung durchführen und erreicht so den aktuellen Stand der Technik bei der visionszentrierten Planung.
Eine universelle Vortrainingsmethode für autonomes Fahren
UniPAD, ein neuartiges selbstüberwachtes Lernparadigma, das 3D-differenzierbare Rendering nutzt, um effektive 3D-Darstellungen für verschiedene Wahrnehmungsaufgaben im autonomen Fahren zu lernen.
Präzise Positionierung und Umgebungswahrnehmung für autonome Fahrzeuge durch SLAM-Technologie
SLAM-Technologie ermöglicht eine präzise Positionierung und Kartierung der Umgebung, was entscheidend für die Sicherheit und Effizienz automatischer Spurwechselfunktionen in autonomen Fahrzeugen ist.
Sichere autonome Fahrzeugtrajektorienvorhersage durch POP: Ein Framework für genaue teilweise beobachtete Trajektorienvorhersagen
Ein neuartiges Trajektorienvorhersageframework namens Partial Observations Prediction (POP) verwendet Selbstüberwachungslernen und Merkmalsübertragung, um stabile und genaue Vorhersagen auch bei nur teilweise verfügbaren Beobachtungen zu ermöglichen.
© 2024 by Linnk AI