QCNet Rivoluzionare la sicurezza dei veicoli autonomi con una predizione avanzata della traiettoria

QCNet Rivoluzione sicurezza veicoli autonomi con predizione traiettoria avanzata

C’è stata una trasformazione su larga scala nelle automobili, passando da veicoli normali a veicoli elettrici. Ora, questo sta evolvendo in automobili più avanzate chiamate automobili a guida autonoma. Questo viene fatto grazie agli algoritmi di apprendimento avanzato di Intelligenza Artificiale e Machine Learning. I ricercatori dell’Università Città di Hong Kong hanno creato un nuovo sistema di intelligenza artificiale per le automobili a guida autonoma. Questo modello può anche prevedere se i pedoni sono nelle vicinanze o meno e prevede anche con precisione dove possono andare le automobili e i pedoni vicini. Inoltre, lo fa molto più velocemente, rendendo sicure le automobili a guida autonoma. I ricercatori hanno anche affermato che ottenere queste previsioni corrette è molto importante, poiché anche una piccola variazione nella previsione può causare un grave incidente. Il problema delle soluzioni esistenti è che queste mancano di fornire previsioni accurate.

Per risolvere questo problema, un team di ricercatori ha sviluppato un innovativo sistema di intelligenza artificiale chiamato QCNet. Questo migliora la previsione dei movimenti dei veicoli e dei pedoni nelle automobili a guida autonoma. Questo modello funziona in tempo reale e ci fornisce anche i limiti dei modelli esistenti. Si basa sul concetto di posizionamento relativo spazio-temporale. Queste proprietà lo rendono in grado di comprendere le regole del traffico e le interazioni con altre persone. Ciò gli consente anche di prevedere traiettorie future che rispettino le mappe e evitino collisioni. Per la valutazione del modello, i ricercatori hanno utilizzato ampi set di dati come Agroverse1 e Agroverse2. Questi set di dati contengono una grande quantità di dati di guida autonoma e mappe ad alta definizione di varie città degli Stati Uniti. Questi set di dati sono anche chiamati benchmark impegnativi per la previsione del comportamento.

La ricerca ha testato il modello e ha riscontrato che sia la velocità che l’accuratezza erano piuttosto buone. Il test è stato una media tra Agroverse 1 e Agroverse 2. Il modello ha impiegato anche più di sei secondi per alcune delle previsioni, ma le previsioni erano accurate. Nell’analisi del traffico complesso, che coinvolge un gran numero di utenti della strada e poligoni di mappe, l’accuratezza del modello era di circa l’85%.

• Ricercatori di Cornell e Tel Aviv presentano i Doppelganger Imparare a Disambiguare Immagini di Strutture Simili
• Rilevatori di contenuti di alto livello GPT e AI
• Google AI introduce un nuovo framework di simulazione TensorFlow che consente il calcolo dei flussi di fluido con TPUs

I ricercatori stanno ancora lavorando all’applicazione di questo modello per prevedere il comportamento umano, il che determinerà anche l’efficienza del modello. Questo intero processo rientra anche nella categoria di Elaborazione delle Immagini e Visione Artificiale. I ricercatori hanno affermato che il modello ha ancora alcuni problemi legati alle previsioni e all’efficienza della guida autonoma, che saranno migliorati ulteriormente tramite il testing degli iperparametri. Questa è stata una delle ricerche più significative nella storia delle automobili.