
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
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。
南洋理工大学与腾讯联合研究团队开发出Rolling Forcing技术,实现AI视频实时流式生成的重大突破。该技术通过滚动窗口联合去噪、注意力锚点机制和高效训练算法三项创新,解决了长视频生成中的错误累积问题,可在单GPU上以16fps速度生成多分钟高质量视频,延迟仅0.76秒,质量漂移指标从传统方法的1.66降至0.01,为交互式媒体和内容创作开辟新可能。
华中科技大学研究团队发现,通过让AI模型学习解决几何问题,能够显著提升其空间理解能力。他们构建了包含约30000个几何题目的Euclid30K数据集,使用强化学习方法训练多个AI模型。实验结果显示,几何训练在四个空间智能测试基准上都带来显著提升,其中最佳模型达到49.6%准确率,超越此前最好成绩。这项研究揭示了基础几何知识对培养AI空间智能的重要价值。