復旦大学がキノコ自動運転人工知能研究センターを公開
DoNews によると、12 月 20 日、12 月 19 日に上海で開催された上海の「脳と脳に似た知能の基礎的変換と応用研究」科学技術メジャープロジェクトの 2023 年年次総括会議で、復旦大学・茂口汽車が出席した。ネットワーク「自動 「人工知能を駆動する学校と企業の共同研究センター」が正式発表されました。除幕式には復旦大学学長で中国科学院院士のジン・リー氏とマッシュルーム・オートモービル・アライアンスの創設者兼最高経営責任者(CEO)の朱磊氏が出席し、この重要な瞬間を目撃した
Zhao Jian、上海科学技術委員会主任技術者、元科学技術省次官、国際半導体照明同盟会長、Jihua Laboratory会長兼所長 Cao Jianlin、中国科学院院士、元復丹大学学長、中国科学院院士、徐寧生氏、復丹大学副学長、張仁和氏、復丹大学脳知能科学技術研究所長、馮建峰氏、上海数学主席教授除ダン大学ビッグデータセンター兼学部長、モモグオートネットワーク最高技術責任者の郭興栄氏らが除幕式に出席した
復旦大学は、人工知能分野の基礎科目制度と人材育成において独自の優位性を持っています。近年、同校は人工知能の最先端分野の配置を強化し、世界のトップ人材の多くを導入・育成し、国家科学技術および産学研究協力で一連の主要な成果を達成している
復旦大学とMomoucheは共同で「自動運転人工知能学校・企業共同研究センター」を設立した。このセンターは、復丹大学の優れた科学研究成果と人材の優位性に加えて、Moguolian の最先端の技術製品能力、豊富な実装シナリオ、商業実務経験に依存しています。両者の強力な連携により、当センターは「車両・道路・クラウド統合」分野で世界トップの学校・企業共同研究機関となることを目指しています
2022年より、キノコ自動車協会と復旦大学は数多くの産学研究協力を開始しました。双方はそれぞれの利点を最大限に発揮し、科学者、アルゴリズムエンジニア、技術者からなる産学共同研究チームを多数設立しました。彼らは「車両、道路、クラウドの統合」のための複数のアルゴリズム モデルを共同開発し、10 近くの成果を達成し、主要な国際学術機関や会議で認められています。
上海の主要な科学技術特別プロジェクトの重要な成果の 1 つとして、復旦大学とモグチェは共同で、AI 大型モデルに基づく世界初の「車両・道路・クラウド統合」システム 3.0 をリリースしました。このシステムは、車両、道路、クラウドからの大量の交通ビッグデータを使用して大規模な AI モデルを構築し、知覚から認知、協調的な意思決定に至る自動運転の全プロセスを実現します。また、路側データを使用してシミュレーションとモデルのトレーニングをサポートします。達成 L0 ~ L4 自動運転のよりスマートで安全な大規模アプリケーションにより、世界の交通業務の安全性と効率が大幅に向上しました今後、両社はそれぞれの利点を最大限に発揮し、長期的かつ効率的な産学研究協力関係を確立し、「車・道路・クラウド統合」分野における独自のイノベーション能力を引き続き強化していきます。 「自動運転と関連研究、人工知能の分野に継続的に取り組んでいます。最先端の研究、科学研究成果の変換と応用能力を向上させ、交通大国、自動車大国、社会の構築を支援します」デジタル中国
以上が復旦大学がキノコ自動運転人工知能研究センターを公開の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

Video Face Swap
完全無料の AI 顔交換ツールを使用して、あらゆるビデオの顔を簡単に交換できます。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック











上記と著者の個人的な理解 3 次元ガウシアンプラッティング (3DGS) は、近年、明示的な放射線フィールドとコンピューター グラフィックスの分野で出現した革新的なテクノロジーです。この革新的な方法は、数百万の 3D ガウスを使用することを特徴とし、主に暗黙的な座標ベースのモデルを使用して空間座標をピクセル値にマッピングする神経放射線場 (NeRF) 方法とは大きく異なります。明示的なシーン表現と微分可能なレンダリング アルゴリズムにより、3DGS はリアルタイム レンダリング機能を保証するだけでなく、前例のないレベルの制御とシーン編集も導入します。これにより、3DGS は、次世代の 3D 再構築と表現にとって大きな変革をもたらす可能性のあるものとして位置付けられます。この目的を達成するために、私たちは 3DGS 分野における最新の開発と懸念について初めて体系的な概要を提供します。

昨日の面接で、ロングテール関連の質問をしたかと聞かれたので、簡単にまとめてみようと思いました。自動運転のロングテール問題とは、自動運転車におけるエッジケース、つまり発生確率が低い考えられるシナリオを指します。認識されているロングテール問題は、現在、単一車両のインテリジェント自動運転車の運用設計領域を制限している主な理由の 1 つです。自動運転の基礎となるアーキテクチャとほとんどの技術的問題は解決されており、残りの 5% のロングテール問題が徐々に自動運転の開発を制限する鍵となってきています。これらの問題には、さまざまな断片的なシナリオ、極端な状況、予測不可能な人間の行動が含まれます。自動運転におけるエッジ シナリオの「ロング テール」とは、自動運転車 (AV) におけるエッジ ケースを指します。エッジ ケースは、発生確率が低い可能性のあるシナリオです。これらの珍しい出来事

0.前面に書かれています&& 自動運転システムは、さまざまなセンサー (カメラ、ライダー、レーダーなど) を使用して周囲の環境を認識し、アルゴリズムとモデルを使用することにより、高度な知覚、意思決定、および制御テクノロジーに依存しているという個人的な理解リアルタイムの分析と意思決定に。これにより、車両は道路標識の認識、他の車両の検出と追跡、歩行者の行動の予測などを行うことで、安全な運行と複雑な交通環境への適応が可能となり、現在広く注目を集めており、将来の交通分野における重要な開発分野と考えられています。 。 1つ。しかし、自動運転を難しくしているのは、周囲で何が起こっているかを車に理解させる方法を見つけることです。これには、自動運転システムの 3 次元物体検出アルゴリズムが、周囲環境にある物体 (位置を含む) を正確に認識し、記述することができる必要があります。

最初のパイロットおよび重要な記事では、主に自動運転技術で一般的に使用されるいくつかの座標系と、それらの間の相関と変換を完了し、最終的に統合環境モデルを構築する方法を紹介します。ここでの焦点は、車両からカメラの剛体への変換 (外部パラメータ)、カメラから画像への変換 (内部パラメータ)、および画像からピクセル単位への変換を理解することです。 3D から 2D への変換には、対応する歪み、変換などが発生します。要点:車両座標系とカメラ本体座標系を平面座標系とピクセル座標系に書き換える必要がある 難易度:画像の歪みを考慮する必要がある 歪み補正と歪み付加の両方を画面上で補正する2. はじめに ビジョンシステムには、ピクセル平面座標系 (u, v)、画像座標系 (x, y)、カメラ座標系 ()、世界座標系 () の合計 4 つの座標系があります。それぞれの座標系には関係性があり、

原題: SIMPL: ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving 論文リンク: https://arxiv.org/pdf/2402.02519.pdf コードリンク: https://github.com/HKUST-Aerial-Robotics/SIMPL 著者単位: 香港科学大学DJI 論文のアイデア: この論文は、自動運転車向けのシンプルで効率的な動作予測ベースライン (SIMPL) を提案しています。従来のエージェントセントとの比較

目標検出は自動運転システムにおいて比較的成熟した問題であり、その中でも歩行者検出は最も初期に導入されたアルゴリズムの 1 つです。ほとんどの論文では非常に包括的な研究が行われています。ただし、サラウンドビューに魚眼カメラを使用した距離認識については、あまり研究されていません。放射状の歪みが大きいため、標準のバウンディング ボックス表現を魚眼カメラに実装するのは困難です。上記の説明を軽減するために、拡張バウンディング ボックス、楕円、および一般的な多角形の設計を極/角度表現に探索し、これらの表現を分析するためのインスタンス セグメンテーション mIOU メトリックを定義します。提案された多角形モデルの FisheyeDetNet は、他のモデルよりも優れたパフォーマンスを示し、同時に自動運転用の Valeo 魚眼カメラ データセットで 49.5% の mAP を達成しました。

この 1 か月間、いくつかのよく知られた理由により、私は業界のさまざまな教師やクラスメートと非常に集中的な交流をしてきました。この交換で避けられない話題は当然、エンドツーエンドと人気の Tesla FSDV12 です。この機会に、現時点での私の考えや意見を整理し、皆様のご参考とご議論に役立てたいと思います。エンドツーエンドの自動運転システムをどのように定義するか、またエンドツーエンドで解決することが期待される問題は何でしょうか?最も伝統的な定義によれば、エンドツーエンド システムとは、センサーから生の情報を入力し、関心のある変数をタスクに直接出力するシステムを指します。たとえば、画像認識では、従来の特徴抽出 + 分類子方式と比較して、CNN はエンドツーエンドと言えます。自動運転タスクでは、各種センサー(カメラ/LiDAR)からのデータを入力

自動運転では軌道予測が重要な役割を果たしており、自動運転軌道予測とは、車両の走行過程におけるさまざまなデータを分析し、将来の車両の走行軌跡を予測することを指します。自動運転のコアモジュールとして、軌道予測の品質は下流の計画制御にとって非常に重要です。軌道予測タスクには豊富な技術スタックがあり、自動運転の動的/静的知覚、高精度地図、車線境界線、ニューラル ネットワーク アーキテクチャ (CNN&GNN&Transformer) スキルなどに精通している必要があります。始めるのは非常に困難です。多くのファンは、できるだけ早く軌道予測を始めて、落とし穴を避けたいと考えています。今日は、軌道予測に関するよくある問題と入門的な学習方法を取り上げます。関連知識の紹介 1. プレビュー用紙は整っていますか? A: まずアンケートを見てください。
