QCNet Революция в обеспечении безопасности автономных транспортных средств с помощью передового прогнозирования траектории

QCNet Revolutionizing the safety of autonomous vehicles with advanced trajectory forecasting

В автомобильной отрасли произошло масштабное преобразование от обычных транспортных средств к электромобилям. Сейчас это превращается в более продвинутые автомобили, называемые самоуправляемыми автомобилями. Это достигается с помощью передовых алгоритмов обучения искусственного интеллекта и машинного обучения. Исследователи Городского университета Гонконга разработали новую ИИ-систему для самоуправляемых автомобилей. Эта модель также может предсказывать, находятся ли рядом пешеходы, и точно предсказывает, куда могут двигаться близлежащие автомобили и пешеходы. Она также делает это намного быстрее, что делает ее безопасной для самоуправляемых автомобилей. Исследователи также отметили, что правильность таких предсказаний очень важна, поскольку даже небольшое изменение в предсказании может привести к более серьезным авариям. Проблема с существующими решениями заключается в том, что они не обеспечивают точные предсказания.

Для решения этой проблемы команда исследователей разработала революционную ИИ-систему под названием QCNet. Она улучшает предсказание движения транспортных средств и пешеходов в самоуправляемых автомобилях. Эта модель работает в реальном времени и также предоставляет нам ограничения существующих моделей. Она основана на концепции относительного пространственно-временного позиционирования. Эти свойства позволяют ей понимать правила дорожного движения и взаимодействие с другими людьми. Это также позволяет ей предсказывать будущие траектории, соответствующие картам, и избегать столкновений. Для оценки модели исследователи использовали большие наборы данных, такие как Agroverse1 и Agroverse2. Эти наборы данных содержат огромное количество данных о автономном движении и высокоопределенные карты различных городов США. Эти наборы данных также называются сложными эталонами для предсказания поведения.

Исследование показало, что модель имеет хорошую скорость и точность. Тестирование проводилось на основе Agroverse 1 и Agroverse 2. Модель также занимает более шести секунд для некоторых предсказаний, но предсказания точные. В случае сложного анализа дорожного движения, включающего большое количество участников движения и картографических полигонов, точность модели составляет около 85%.

• Основные концепции, которые вам нужно знать, чтобы начать проводить статистические тесты
• Начало работы с SQL в 5 шагах
• Как очистить почтовый ящик Gmail с помощью искусственного интеллекта?

Исследователи продолжают работать над применением этой модели для предсказания человеческого поведения, что также определит эффективность модели. Вся эта процедура относится к области обработки изображений и компьютерного зрения. Исследователи отметили, что у модели все еще есть некоторые проблемы с предсказаниями и эффективностью самоуправления, которые будут улучшены дальнейшим тестированием гиперпараметров. Это было одно из самых значимых исследований в истории автомобилестроения.