QCNet Revolucionando la seguridad de los vehículos autónomos con una predicción avanzada de trayectorias
QCNet revolucionando seguridad en vehículos autónomos con predicción avanzada de trayectorias
Ha habido una transformación a gran escala en los automóviles, pasando de ser vehículos normales a vehículos eléctricos. Ahora, esto se está transformando en automóviles más avanzados llamados automóviles autónomos. Esto se logra con la ayuda de algoritmos de aprendizaje avanzado de Inteligencia Artificial y Aprendizaje Automático. Investigadores de la Universidad de la Ciudad de Hong Kong han desarrollado un nuevo sistema de IA para automóviles autónomos. Este modelo también puede predecir si hay peatones cerca y también predice con precisión hacia dónde pueden ir los automóviles y peatones cercanos. También acelera esto, lo que lo hace seguro para los automóviles autónomos. Los investigadores también afirmaron que es muy importante obtener estas predicciones correctas, ya que incluso un pequeño cambio en la predicción puede causar un accidente grave. El problema con las soluciones existentes es que no son precisas en las predicciones.
Para resolver este problema, un equipo de investigadores desarrolló un revolucionario sistema de IA llamado QCNet. Esto mejora la predicción de los movimientos de vehículos y peatones en automóviles autónomos. Este modelo funciona en tiempo real y también nos proporciona las limitaciones de los modelos existentes. Se basa en el concepto de posicionamiento relativo en el espacio y el tiempo. Estas propiedades lo hacen capaz de comprender las reglas de tráfico y las interacciones con otras personas. Esto también le permite predecir trayectorias futuras que cumplan con los mapas y eviten colisiones. Para la evaluación del modelo, los investigadores utilizaron grandes conjuntos de datos como Agroverse1 y Agroverse2. Estos conjuntos de datos contienen una gran cantidad de datos de conducción autónoma y mapas de alta definición de diversas ciudades de Estados Unidos. Estos conjuntos de datos también se llaman puntos de referencia desafiantes para la predicción de comportamiento.
La investigación probó el modelo y encontró que tanto la velocidad como la precisión eran bastante buenas. Las pruebas fueron un promedio de Agroverse 1 y Agroverse 2. El modelo también tardó más de seis segundos para algunas de las predicciones, pero las predicciones fueron precisas. En el análisis de tráfico complejo, que implica un gran número de usuarios de la vía y polígonos de mapas, la precisión del modelo fue del 85%.
- Haciendo la vida más amigable con robots personales
- Conoce a Falcon 180B El modelo de lenguaje más grande disponible públicamente con 180 mil millones de parámetros
- Cómo crear un sistema de clasificación Elo basado en datos para juegos 2v2
Los investigadores siguen trabajando en aplicar este modelo para predecir el comportamiento humano, lo que también determinará si el modelo es eficiente o no. Todo este proceso se incluye en la categoría de Procesamiento de Imágenes y Visión por Computadora. Los investigadores afirmaron que el modelo aún tiene algunos problemas relacionados con las predicciones y la eficiencia de la conducción autónoma, los cuales se mejorarán aún más mediante pruebas de hiperparámetros. Esta fue una de las investigaciones más significativas en la historia de los automóviles.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Una introducción a los conceptos fundamentales que necesitas para comenzar a realizar pruebas estadísticas
- Investigadores de Microsoft presentan Hydra-RLHF Una solución eficiente en memoria para el aprendizaje por refuerzo con retroalimentación humana
- Investigadores del MIT proponen AskIt un lenguaje específico de dominio para agilizar la integración de modelos de lenguaje grandes en el desarrollo de software.
- Khan Academy lanza Khanmigo, un tutor de aprendizaje de IA generativa
- Word Embeddings Dando contexto a tu ChatBot para obtener mejores respuestas
- Investigadores de Apple proponen un nuevo modelo de descomposición de tensores para el filtrado colaborativo con retroalimentación implícita
- Clasificación con el Perceptrón de Rosenblatt