自动驾驶汽车能向行人表明其意图吗?
要判断能否安全地穿过宽阔的道路,需要行人和驾驶员之间的社交提示和配合交流。那么,如果是自动驾驶车辆会怎样?自动驾驶汽车公司Motional认为,让车辆更善于表达可能是维持这些重要信号的关键。
在人行横道上等候时,Motional的首席工程师保罗•施密特(Paul Schmitt)体验到了他称之为“一瞥共舞”的感觉。这是一种快速且几乎是潜意识的评估:迎面而来的汽车驾驶员看向哪里?他们是否注意到他?“而对于自动驾驶车辆,这种交互有一半都不存在了。”施密特说,“因此,有哪些提示可供行人了解车辆的意图?”
为了回答这个问题,他的团队聘用了动画工作室CHRLX建立非常逼真的虚拟现实体验设计,测试行人对各种信号机制的反应。他们的研究结果发表在了《IEEE机器人与自动化快报》上。施密特和他的团队表示,夸张的驾驶操作——提前刹车或在行人面前停车,是表达其意图的最有效方式。
该公司目前正在将最有前途的表达行为集成到其动作规划系统中,还开源了虚拟现实交通环境以便其他团队进行实验。
该研究还测试了各种表达行为,这些行为在向行人发出含蓄的信号,表示车辆正在为其停下来。其中包括让汽车在距基准线更远处更猛烈地刹车、停在一辆车长度的距离以外、增加猛烈制动和低转速声音,最后将这些声音与车头夸张的下沉结合起来,就像车辆正在急刹车一样。
该团队测量了行人多快可决定横穿车道,每次试验后都对行人进行了快速调查,以了解其感受到的安全程度、对决定自己横穿车道的信心程度,以及对汽车意图的理解程度。在安全程度和理解汽车意图程度方面,短暂停车的得分最高。
施密特说,短暂停车得到的响应最佳,这并不意外,因为这种方法受到了人类驾驶员在行人面前减速这一行为的启发。他补充道,令人感到意外的是,在是否有驾驶员的不同情况下,这种基准场景的反应差别并不大,这表明行人更注意的是车辆的运动而不是方向盘后面的驾驶者。
以上是自动驾驶汽车能向行人表明其意图吗?的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

昨天面试被问到了是否做过长尾相关的问题,所以就想着简单总结一下。自动驾驶长尾问题是指自动驾驶汽车中的边缘情况,即发生概率较低的可能场景。感知的长尾问题是当前限制单车智能自动驾驶车辆运行设计域的主要原因之一。自动驾驶的底层架构和大部分技术问题已经被解决,剩下的5%的长尾问题,逐渐成了制约自动驾驶发展的关键。这些问题包括各种零碎的场景、极端的情况和无法预测的人类行为。自动驾驶中的边缘场景"长尾"是指自动驾驶汽车(AV)中的边缘情况,边缘情况是发生概率较低的可能场景。这些罕见的事件

目标检测在自动驾驶系统当中是一个比较成熟的问题,其中行人检测是最早得以部署算法之一。在多数论文当中已经进行了非常全面的研究。然而,利用鱼眼相机进行环视的距离感知相对来说研究较少。由于径向畸变大,标准的边界框表示在鱼眼相机当中很难实施。为了缓解上述描述,我们探索了扩展边界框、椭圆、通用多边形设计为极坐标/角度表示,并定义一个实例分割mIOU度量来分析这些表示。所提出的具有多边形形状的模型fisheyeDetNet优于其他模型,并同时在用于自动驾驶的Valeo鱼眼相机数据集上实现了49.5%的mAP

纯视觉的标注方案,主要是利用视觉加上一些GPS、IMU和轮速传感器的数据进行动态标注。当然面向量产场景的话,不一定非要是纯视觉,有一些量产的车辆里面,会有像固态雷达(AT128)这样的传感器。如果从量产的角度做数据闭环,把这些传感器都用上,可以有效地解决动态物体的标注问题。但是我们的方案里面,是没有固态雷达的。所以,我们就介绍这种最通用的量产标注方案。纯视觉的标注方案的核心在于高精度的pose重建。我们采用StructurefromMotion(SFM)的pose重建方案,来保证重建精度。但是传

写在前面&笔者的个人理解近年来,自动驾驶因其在减轻驾驶员负担和提高驾驶安全方面的潜力而越来越受到关注。基于视觉的三维占用预测是一种新兴的感知任务,适用于具有成本效益且对自动驾驶安全全面调查的任务。尽管许多研究已经证明,与基于物体为中心的感知任务相比,3D占用预测工具具有更大的优势,但仍存在专门针对这一快速发展领域的综述。本文首先介绍了基于视觉的3D占用预测的背景,并讨论了这一任务中遇到的挑战。接下来,我们从特征增强、部署友好性和标签效率三个方面全面探讨了当前3D占用预测方法的现状和发展趋势。最后

写在前面&笔者的个人理解这篇论文致力于解决当前多模态大语言模型(MLLMs)在自动驾驶应用中存在的关键挑战,即将MLLMs从2D理解扩展到3D空间的问题。由于自动驾驶车辆(AVs)需要针对3D环境做出准确的决策,这一扩展显得尤为重要。3D空间理解对于AV来说至关重要,因为它直接影响车辆做出明智决策、预测未来状态以及与环境安全互动的能力。当前的多模态大语言模型(如LLaVA-1.5)通常仅能处理较低分辨率的图像输入(例如),这是由于视觉编码器的分辨率限制,LLM序列长度的限制。然而,自动驾驶应用需

中科院自动化所深度强化学习团队联合理想汽车等提出了一种新的基于多模态大语言模型MLLM的自动驾驶闭环规划框架—PlanAgent。该方法以场景的鸟瞰图和基于图的文本提示为输入,利用多模态大语言模型的多模态理解和常识推理能力,进行从场景理解到横向和纵向运动指令生成的层次化推理,并进一步产生规划器所需的指令。在大规模且具有挑战性的nuPlan基准上对该方法进行了测试,实验表明PlanAgent在常规场景和长尾场景上都取得了最好(SOTA)性能。与常规大语言模型(LLM)方法相比,PlanAgent所

写在前面&笔者的个人理解目前,随着自动驾驶技术的越发成熟以及自动驾驶感知任务需求的日益增多,工业界和学术界非常希望一个理想的感知算法模型,可以同时完成三维目标检测以及基于BEV空间的语义分割任务。对于一辆能够实现自动驾驶功能的车辆而言,其通常会配备环视相机传感器、激光雷达传感器以及毫米波雷达传感器来采集不同模态的数据信息。从而充分利用不同模态数据之间的互补优势,使得不同模态之间的数据补充优势,比如三维点云数据可以为3D目标检测任务提供信息,而彩色图像数据则可以为语义分割任务提供更加准确的信息。针

1决策控制与运动规划概述目前决策控制方法可以分为三类:sequentialplanning、behavior-awareplanning、和end-to-endplanning。sequentialplanning:最传统的方法,感知、决策与控制三个部分层次较为清晰;behavior-awareplanning:相比第一种亮点在于引入人机共驾、车路协同以及车辆对外部动态环境的风险预估;end-to-endplanning:DL、DRL技术,借助大量的数据训练,获得从图像等感知信息到方向盘转角等车
