
CNET科技资讯网 3月29日 国际报道:受益于无人驾驶汽车的兴起,全球的科研人员正在谋划一个没有交通信号灯与道路堵塞的未来。
交通信号灯有一天会在我们的城市中变得无足轻重吗?研究人员说,由于无人驾驶汽车的出现,这样的未来是可能来到的。
谷歌、奔驰和Delphi等公司正在开发无人驾驶汽车。现在,智能感应器、信息娱乐仪表板和巡航控制部件不断出现,而自动驾驶汽车超越了这些概念,完全用计算机代替了司机。
谷歌是无人驾驶汽车的拥护者,该公司声称,自动驾驶汽车的安全性超过了人驾驶。
安全性不是唯一的问题,如果自动驾驶汽车普及,我们可能堵在路上的时间会大大减少。
来自麻省理工学院,瑞士理工学院和意大利国家研究委员会的研究人员提出了“光流量”(Light Traffic)的概念,它能够让无人驾驶汽车无需等待通过交通繁忙的路口。
“光流量”使用感应器与无人驾驶汽车通讯,在汽车达到之前预留出通过的时间节点。这种系统使得汽车能够保持一个 安全距离,从而实现无缝通过路口。
这套系统可以灵活修改,可用于骑自行车和行人的交通管理。
麻省理工“可感应城市实验室”主任Carlo Ratti表示:“交通繁忙的路口是一个异常复杂的空间,因为你在同一地段有两股车流,我们的系统将重点由交通流量层面转移到了车辆层面。最终,这是一个更有效的体系,因为当有通过的节点,汽车会迅速通过路口。”
开发人员认为,这套系统可以很大程度避免“停停走走”的场面出现,也将有利于汽油燃烧带来的环境污染。
总的来说,新系统将十字路口的交通流量增加了一倍,改善了城市交通。
麻省理工“可感应城市实验室”科学家Paolo Santi表示:“认识到自动驾驶汽车对城市层面的影响非常重要。现在的道路 有几十年的的生命周期,新技术的出现肯定会对道路产生影响。”
本月初,谷歌表示,无人驾驶汽车让美国政府在停车,道路基础设施与公共交通上面花费更少的钱。
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。