
2014年国际消费类电子产品展览会(CES)在美国拉斯维加斯拉开了帷幕。而随着停车和拥挤的交通已经成为两大最单调乏味的驾驶状况,在展会上,汽车设备供应商为我们展示了怎样减轻司机在停车时负担的过程。
在无人驾驶汽车演示区,法雷奥(Valeo)为我们展示了一台配备其新技术的路虎揽胜极光(Range Rover Evoque)停车的过程。站在一旁的工作人员只需点击控制一款iPhone应用,路虎揽胜就会开始沿一行汽车向前行驶,寻找停车位。当它发现一个空车位时,就会自动开过去,然后掉转方向盘,倒车停入空位。它甚至能够自动正位,向前行驶一点然后再倒车,以确保与其两侧汽车的距离均匀。
而在停车过程中,该无人驾驶汽车完全独立行驶,并未预先设定路线。法雷奥指出,尽管这次只演示了汽车如何倒车泊入停车位,它还可以进行平行泊车或机头向内停放入库,而且后两者的操作实际要比倒车入库更容易。
该汽车配有12个超声波传感器,前面和后面各装有6个,前护栅上安装有一台激光扫描仪和四个摄像头。而这些摄像头和超声波传感器设备目前都可在路虎揽胜汽车上找到。
此外,法雷奥还为这台无人驾驶汽车添加了一个CPU,用以分析传感器数据并确定进入停车位的最佳路线,以及转向、制动、加速的控制。该CPU并未超过标准汽车发动机控制器的大小。
虽然法雷奥也可以将该控制系统嵌入一把遥控钥匙中,但对司机而言,智能手机应用是启动该系统的一种便捷方式。在演示中,法雷奥通过WiFi连接将手机与汽车联通,而且任何通信协议都是可行的。
同时,这项功能也可以很容易地拓展出另一种功能,即可操纵汽车自动从停车位驶出,来到车主面前。法雷奥为宝马提供了一些这方面的技术,使得宝马i3的自动停车功能成为可能。至今为止,还没有哪家汽车制造商宣布过其已研发出无人驾驶停车功能。
好文章,需要你的鼓励
RGPO用"临时脚手架"破解大模型强化学习的奖励稀疏难题:先让模型独立解题,失败则分段放出标准解法引导重写,仅采纳经验证更优的答案。难题测试准确率从0跃至99.5%,语言模型平均分高出最强基线5.0分。
论文提出用MoE模型的路由器输出作为跨语言对齐目标,通过持续预训练对翻译句对施加路由KL散度损失,在不改变分词和架构的前提下让隐藏表示更接近,并在四个开源MoE模型、七种语言上验证了下游任务性能的一致提升。
DiffGate提出难度门控的教师指导机制,让验证器决定何时需要教师介入,仅对失败且困难的轨迹提供有界教师指导,结合GRPO强化学习,在数学与代码任务上显著提升解题覆盖率与跨领域迁移能力。
研究者用固定不变的16位二进制编码替代传统可训练词嵌入表,在17亿参数规模模型上训练1000亿token,证明模型仍可获得实质语言能力,揭示输入表并非必需,但性能略逊于可学习方案。