
北京时间3月1日消息,据科技网站AppleInsider报道,谷歌无人驾驶汽车过去曾卷入多起交通事故,不过在这些交通事故中,其他车辆司机都负全责。但是,在本月早些时候发生在加利福尼亚州的一起交通事故中,谷歌无人驾驶汽车需要承担部分责任。
有媒体当地时间周一报道,向加利福尼亚州机动车辆管理局(以下简称“DMV”)提交的文件披露了这次交通事故。文件显示,一辆采用无人驾驶技术的雷克萨斯RX450h在山景城与一辆公交车相撞。
报告显示,当时,无人驾驶的雷克萨斯试图并入车道,并避开前方道路上的沙袋。它显然通过后视镜“看到”了公交车,并“断定”它会停车或减速,但公交车并未停车或减速。
好在当时两辆车速度都很慢,雷克萨斯时速仅为2英里,公交车时速为15英里。事故没有造成人员伤亡,报告只是称雷克萨斯受到损伤。
在有关这次交通事故的消息“触网”后,谷歌解释了原因,称“有人驾驶汽车每天都会发生类似事故。这是驾驶活动中协商的经典案例——我们尝试相互预测对方行为。在这次交通事故中,我们显然负有责任,因为如果我们的汽车不出现在那里,就不会造成两车相撞。随车测试人员认为公交车会停车或减速,使我们的汽车并入车道,并认为两车之间距离足够大”。
谷歌无人驾驶汽车示意图
谷歌无人驾驶汽车曾遭遇17起交通事故,但据称这些交通事故责任全在对方,使得发生在2月14日的这起事故,成为谷歌无人驾驶汽车负部分责任的首起交通事故。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。