Neuste Artikel für Autonome Fahrzeuge

Eine neue Methode verbessert die Anpassungsfähigkeit von AV-Modellen an Änderungen des Kamerawinkels.

FusionFormer verbessert die 3D-Objekterkennung, indem es Kameradaten und LiDAR-Daten effektiv kombiniert.

Eine neue Methode mit föderiertem Lernen für grossflächige Karten mit neuralen Strahlungsfeldern.

Das Rank2Tell-Dataset verbessert das Verständnis von Verkehrsszenen für das Vertrauen in selbstfahrende Technologien.

Untersuchung von Problemen bei der Erkennung von Fussgängern, um die Verkehrssicherheit für autonome Fahrzeuge zu verbessern.

ImageTo360 verbessert die LiDAR-Segmentierung mit minimalen beschrifteten Daten aus Kameraaufnahmen.

Ein neuer Ansatz verbessert die Genauigkeit der Objekterkennung mit Einkamera-Systemen.

DEFormer verbessert die Bildqualität bei schwachem Licht mit Hilfe von Frequenzdaten.

Die Forschung konzentriert sich darauf, Bewegungsbias im SLAM zu reduzieren, um die Zuverlässigkeit zu verbessern.

Das aufstrebende Ensemble-Architektur verbessert die Zuverlässigkeit und Genauigkeit der Objekterkennung.

CAVs werden sicherer mit smarter Infrastruktur für bessere Vorhersagen zur Verkehrsbewegung.

MBAPPE verbessert die Entscheidungsfindung für autonome Fahrzeuge mithilfe erlernter Verhaltensweisen.

Dieser Artikel behandelt neue Methoden zur Verbesserung des Task-Offloadings in selbstfahrenden Autos.

Eine neue Methode kombiniert Physik und Deep Learning, um menschliche Bewegungen genau vorherzusagen.

Dieser Artikel bespricht die Rolle der BEV-Wahrnehmung in der Technologie des autonomen Fahrens.

Forschung zur Erkennung ungewöhnlicher Objekte in autonomen Fahrzeugen durch fortschrittliche Bildgebungstechniken.

Erforschen, wie Sprachmodelle die Kommunikation und Entscheidungsfindung von selbstfahrenden Autos verbessern.

Roboter können sich besser an neue Terrains anpassen, indem sie die Vorlieben der Bediener vorhersagen.

Eine neue Methode verbessert die Bewegungsmodelle von Robotern auf verschiedenen Oberflächen.

Das Parking Pedestrian Dataset verbessert die Sicherheit bei selbstfahrenden Autos, indem es sich auf die Erkennung von Fussgängern konzentriert.

Untersuchung, wie die Oberflächenreflexion die Sensorleistung in autonomen Fahrzeugen beeinflusst.

LineMarkNet verbessert die Parkplatzgenauigkeit von autonomen Fahrzeugen mit fortschrittlicher Linienerkennung.

Forschung zeigt, dass die Vereinfachung der Datennutzung die Leistung von selbstfahrenden Fahrzeugen verbessert.

OccluTrack verbessert die Tracking-Genauigkeit, indem es die Probleme mit der Sichtbehinderung in überfüllten Umgebungen angeht.

Eine neue Methode verbessert die Fahrzeugpositionierung in schwierigen Umgebungen durch die Nutzung mehrerer Sensoren.

Neues Framework verbessert die Kamera-Lokalisierungsgenauigkeit mit Multi-View-Werkzeugen und LiDAR-Daten.

Eine Methode zur effizienten Klassifizierung von Verkehrsschildern im autonomen Fahren.

Eine neue Steuerungsmethode verbessert die Koordination von Unterwasserfahrzeugen für verschiedene Aufgaben.

Untersuchen, wie Windschutzscheiben die Wahrnehmungsfähigkeiten von autonomen Autos beeinflussen.

Eine neue Technik verbessert die Genauigkeit von GPS und VIO für bessere Lokalisierung.

DJINN erstellt realistische Verkehrsszenarien zum Testen von selbstfahrenden Autos.

Eine Methode, um die Objekterkennung in unterschiedlichen Umgebungen mit vergangenen Daten zu verbessern.

Überprüfung von Steuerungsmethoden zur Verbesserung des Verkehrsflusses mit autonomen und menschgesteuerten Fahrzeugen.

FGFusion verbessert die 3D-Objekterkennung, indem es Lidar- und Kameradaten effektiv kombiniert.

Innovativer Ansatz verbessert die Effizienz und Genauigkeit von Bildverarbeitungstests.

Erforschen, wie AVs ihre zukünftigen Aktionen kommunizieren können, um sichereres Fahren zu gewährleisten.

Das neue Framework SurrealDriver verbessert die Simulation von Fahreragenten in städtischen Umgebungen.

Integration von Reinforcement Learning und Grammatik für bessere Kameradesigns.

Eine neue Methode verbessert die Kompression und Rekonstruktion von LiDAR-Daten.

ViWS-Net entfernt effektiv verschiedene Wetterbedingungen aus Videos und verbessert so die Klarheit und Qualität.