復旦大學打造蘑菇車聯自動駕駛人工智慧研究中心揭幕
12月20日,根據DoNews消息,12月19日在上海舉行的上海市「腦與類腦智慧基礎轉換應用研究」科技重大專案2023年度總結會上,復旦大學-蘑菇車聯「自動駕駛人工智慧校企聯合研究中心」正式揭牌。揭牌儀式上,復旦大學校長、中國科學院院士金力以及蘑菇車聯創始人兼首席執行官朱磊出席並見證了這一重要時刻
趙健,上海市科學技術委員會總工程師,科學技術部原副部長、國際半導體照明聯盟主席,季華實驗室理事長兼主任曹健林,中國科學院院士、復旦大學原校長許寧生,中國科學院院士、復旦大學副校長張人禾,復旦大學類腦智能科學與技術研究院院長、上海數學中心首席教授兼任復旦大學大數據學院院長馮建峰,蘑菇車聯首席技術官郭杏榮等出席了揭牌儀式
復旦大學在人工智慧領域的基礎學科體系和人才培養方面具備獨特的優勢。最近幾年,該校一直在加強人工智慧前沿學科的佈局,引進和培養了許多全球頂尖的人才,並取得了一系列國家重大科技和產學研合作的成果
復旦大學和蘑菇車聯合作成立了「自動駕駛人工智慧校企聯合研究中心」。該中心依托復旦大學卓越的科學研究成果和人才優勢,以及蘑菇車聯領先的技術產品能力、豐富的落地場景和商業實務經驗。透過雙方的強強聯合,該中心旨在成為全球頂尖的「車路雲一體化」領域的校企聯合科研機構
自2022年起,蘑菇車聯和復旦大學開始展開多項產學合作。雙方充分發揮各自的優勢,成立了多個由科學家、演算法工程師和技術人員組成的產學研聯合攻關團隊。他們共同研發了「車路雲一體化」的多個演算法模型,取得了近十項成果,這些成果得到了國際頂尖學術機構和會議的認可
作為上海市科技重大專案應用的重要成果之一,復旦大學和蘑菇車聯合發布了全球首個基於AI大模型的「車路雲一體化」系統3.0。該系統利用車、路、雲三端海量交通大數據建構AI大模型,實現了自動駕駛從感知到認知、協同決策的全過程,並利用路側數據來支援模擬和模型訓練,從而實現了L0-L4級自動駕駛更聰明、更安全的大規模應用,大大提升了全局交通運行的安全性和效率
在未來,雙方將充分發揮各自的優勢,建立長期高效的產學合作關係,持續加強在「車路雲一體化」自動駕駛和相關研究領域的自主創新能力,繼續致力於人工智慧領域的前沿研究,提高科學研究成果的轉換和應用能力,為交通強國、汽車強國和數位中國建設提供支援
以上是復旦大學打造蘑菇車聯自動駕駛人工智慧研究中心揭幕的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

寫在前面&筆者的個人理解三維Gaussiansplatting(3DGS)是近年來在顯式輻射場和電腦圖形學領域出現的一種變革性技術。這種創新方法的特點是使用了數百萬個3D高斯,這與神經輻射場(NeRF)方法有很大的不同,後者主要使用隱式的基於座標的模型將空間座標映射到像素值。 3DGS憑藉其明確的場景表示和可微分的渲染演算法,不僅保證了即時渲染能力,而且引入了前所未有的控制和場景編輯水平。這將3DGS定位為下一代3D重建和表示的潛在遊戲規則改變者。為此我們首次系統性地概述了3DGS領域的最新發展與關

昨天面試被問到了是否做過長尾相關的問題,所以就想著簡單總結一下。自動駕駛長尾問題是指自動駕駛汽車中的邊緣情況,即發生機率較低的可能場景。感知的長尾問題是目前限制單車智慧自動駕駛車輛運行設計域的主要原因之一。自動駕駛的底層架構和大部分技術問題已經解決,剩下的5%的長尾問題,逐漸成了限制自動駕駛發展的關鍵。這些問題包括各種零碎的場景、極端的情況和無法預測的人類行為。自動駕駛中的邊緣場景"長尾"是指自動駕駛汽車(AV)中的邊緣情況,邊緣情況是發生機率較低的可能場景。這些罕見的事件

0.寫在前面&&個人理解自動駕駛系統依賴先進的感知、決策和控制技術,透過使用各種感測器(如相機、光達、雷達等)來感知周圍環境,並利用演算法和模型進行即時分析和決策。這使得車輛能夠識別道路標誌、檢測和追蹤其他車輛、預測行人行為等,從而安全地操作和適應複雜的交通環境。這項技術目前引起了廣泛的關注,並認為是未來交通領域的重要發展領域之一。但是,讓自動駕駛變得困難的是弄清楚如何讓汽車了解周圍發生的事情。這需要自動駕駛系統中的三維物體偵測演算法可以準確地感知和描述周圍環境中的物體,包括它們的位置、

一先導與重點文章主要介紹自動駕駛技術中幾種常用的座標系統,以及他們之間如何完成關聯與轉換,最終建構出統一的環境模型。這裡重點理解自車到相機剛體轉換(外參),相機到影像轉換(內參),影像到像素有單位轉換。 3d向2d轉換會有對應的畸變,平移等。重點:自車座標系相機機體座標系需要被重寫的是:平面座標系像素座標系難點:要考慮影像畸變,去畸變和加畸變都是在像平面上去補償二簡介視覺系統一共有四個座標系:像素平面座標系(u,v)、影像座標系(x,y)、相機座標系()與世界座標系()。每種座標系之間均有聯繫,

軌跡預測在自動駕駛中承擔著重要的角色,自動駕駛軌跡預測是指透過分析車輛行駛過程中的各種數據,預測車輛未來的行駛軌跡。作為自動駕駛的核心模組,軌跡預測的品質對於下游的規劃控制至關重要。軌跡預測任務技術堆疊豐富,需熟悉自動駕駛動/靜態感知、高精地圖、車道線、神經網路架構(CNN&GNN&Transformer)技能等,入門難度很高!許多粉絲期望能夠盡快上手軌跡預測,少踩坑,今天就為大家盤點下軌跡預測常見的一些問題和入門學習方法!入門相關知識1.預習的論文有沒有切入順序? A:先看survey,p

原文標題:SIMPL:ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving論文連結:https://arxiv.org/pdf/2402.02519.pdf程式碼連結:https://github.com/HKUST-Aerial-Robotics/SIMPLobotics單位論文想法:本文提出了一種用於自動駕駛車輛的簡單且有效率的運動預測基線(SIMPL)。與傳統的以代理為中心(agent-cent

最近一個月由於眾所周知的一些原因,非常密集地和業界的各種老師同學進行了交流。交流中必不可免的一個話題自然是端到端與火辣的特斯拉FSDV12。想藉此機會,整理當下這個時刻的一些想法和觀點,供大家參考和討論。如何定義端到端的自動駕駛系統,應該期望端到端解決什麼問題?依照最傳統的定義,端到端的系統指的是一套系統,輸入感測器的原始訊息,直接輸出任務關心的變數。例如,在影像辨識中,CNN相對於傳統的特徵提取器+分類器的方法就可以稱之為端到端。在自動駕駛任務中,輸入各種感測器的資料(相機/LiDAR

目標偵測在自動駕駛系統當中是一個比較成熟的問題,其中行人偵測是最早得以部署演算法之一。在多數論文當中已經進行了非常全面的研究。然而,利用魚眼相機進行環視的距離感知相對來說研究較少。由於徑向畸變大,標準的邊界框表示在魚眼相機當中很難實施。為了緩解上述描述,我們探索了擴展邊界框、橢圓、通用多邊形設計為極座標/角度表示,並定義一個實例分割mIOU度量來分析這些表示。所提出的具有多邊形形狀的模型fisheyeDetNet優於其他模型,並同時在用於自動駕駛的Valeo魚眼相機資料集上實現了49.5%的mAP
