CNET科技资讯网 3月22日 北京消息:如何让城市交通更加顺畅、民众出行更加便捷?这个问题不仅在中国,在全球也是一个前沿研究课题。今天,在北京举行的第六届中国智能交通市场年会上,滴滴出行方面透露,包括智慧诱导屏、智慧公交、智慧代驾热力图、“互联网+信号灯”等在内的智慧交通项目已在全国多个城市落地,未来滴滴希望通过滴滴的大数据、高科技优势,携手更多的行业伙伴,帮助中国的智慧交通行业走在全球的前列。
(滴滴出行高级副总裁、智慧交通项目负责人 章文嵩)
滴滴智慧交通落地多个城市
滴滴出行高级副总裁、智慧交通项目负责人章文嵩介绍,目前,滴滴在深圳、贵阳、武汉等城市,落地了智慧诱导屏、智慧代驾热力图、智慧公交、智慧交通度量报告等多个智慧交通项目,已经取得了一定的成效。
在深圳,滴滴出行启动了“智慧交通+酒驾治理”新方式,与当地交警部门配合,在酒驾干预、酒驾执法等方面尝试新的有效治理措施。依托庞大的脱敏出行数据和高科技算法,滴滴出行开发出了全国首个代驾热力图实时查看工具。通过代驾热力图,深圳交警可以实时或者以任何时间周期为单位,查看以群组、区域为特征的代驾订单密度、订单流动规律等。
同时,滴滴还与深圳巴士集团合作,向用户提供公交信息实时查询服务,开展数据中心及智能调度管理平台业务、城市定制公交服务等业务,为市民打造新一代的智慧公交。
在贵阳,滴滴已经将交管局与滴滴出行收集的交通大数据融合,应用在城市道路的智慧交通诱导屏上。该诱导屏不仅可以实时显示前方道路的通行状况,还能通过滴滴的ETA(预估到达时间)技术预测去往前方路段所需时间,让城市交通诱导系统变得更加智慧。
此外,在武汉,滴滴已经开始利用海量的出行大数据与交管局数据结合,通过数据分析发布城市交通度量报告,实现对整体交通运行情况的清晰判断,帮助决策者制定相关交通策略。
智慧交通的“互联网+信号灯”项目,滴滴也已经在济南等多个城市开展落地尝试。与此前的信号灯相比,滴滴的“互联网+信号灯”依托海量数据和先进算法,可以实时反馈运行效果,通过不断的数据挖掘、机器学习,通过快速迭代提升城市信号灯的运行效率。
携手更多伙伴助推全球前沿课题
智慧交通体系是由滴滴与各地政府一起携手打造的,基于“互联网+交通大数据”的智慧出行、智慧监管、智慧运营、智慧决策的体系。该体系既有滴滴独有的、核心的大数据、高科技基础,又能很好地结合当地城市的交通大数据、路网特点、公众出行特征等。
作为一站式出行平台,滴滴出行每时每刻都在积累庞大的海量交通出行数据。以北京为例,在滴滴平台上每分钟有上万单需求,滴滴的轨迹数据每天覆盖北京道路平均300遍,交通变成了实时动态大数据。与此同时,滴滴大脑一直在学习城市出行需求,现在对15分钟后需求预测准确率超过了85%,平台还可以做到提前调度;每天有超过200万人次通过拼车上下班。
目前,滴滴平台上,高峰期每分钟接收超过2万乘客需求,每日定位轨迹数据有70TB+,相当于7万部电影;每日处理数据高达2000TB;每日路径规划请求超过90亿次,约相当于600万次/分钟。在交通领域,这样的大数据规模,目前只有滴滴具备,这也是滴滴在智慧交通领域最有话语权的重要原因。除了大数据优势之外,在分析、处理数据方面,滴滴也积累了大量的经验。
章文嵩表示,不管是在搭建大数据平台上,还是数据分析处理上,滴滴都乐于与更多的行业伙伴合作,在智慧交通的硬件、软件等各方面做出更多的探索。滴滴与合作伙伴共同打造的智慧交通互联网产品、应用,还可以直接应用于平台上的用户,真正让智慧交通服务于民、普惠大众。
业内人士分析,在全球范围内,智慧交通对于方便民众出行、缓解拥堵、提升环保等方面,都具有重要价值,属于前沿研究课题。此前,中国智慧交通行业主要以硬件为主,以滴滴为代表的互联网公司加入,带来了海量大数据、高科技算法,将有利于中国的智慧交通行业与全球接轨,走在全球前列。
好文章,需要你的鼓励
这篇论文提出一种插件式2D动作接口,让已训练好的3D运动语言模型无需修改或微调即可直接理解2D姿态输入。实验证明2D输入效果媲美3D输入,且在真实视频场景下配合专门的降噪适配器,2D方案比3D姿态估计更省算力、更实用,为动作理解模型的现实部署提供了新路径。
研究团队让8种AI智能体独立完成100项真实科研任务,深度剖析800份研究轨迹后发现,即便是最强模型,也普遍存在"发现问题却不修正"的现象,背后根源指向AI缺乏检验自身产出、主动纠错的元认知能力。
WorldRover是一套面向可探索世界建模的合成视频数据引擎,基于虚幻引擎构建,能让同一段探索轨迹在保持路线与场景一致的前提下,重新渲染为多种视角和外观状态,并同步提供深度、光流、长程点追踪等丰富标注,最终发布WorldRover-10M数据集,含2190万帧、202.7小时视频。
这篇论文指出,现有多目标强化学习训练大模型时存在"一刀切"分配优化精力的问题,提出SA-MRPO方法,根据每个奖励目标的饱和程度动态调整其权重,在数学推理、自适应推理、代码生成等任务上均取得优于现有方法GDPO的效果。