Derniers articles pour Véhicules autonomes

Une nouvelle méthode améliore la génération de scénarios de circulation en utilisant des entrées en langage naturel.

MAC-VO améliore l'estimation de la position de la caméra dans des environnements difficiles.

Un aperçu des techniques de contrôle clés dans la technologie des véhicules autonomes.

ScaleFlow++ améliore l'estimation de mouvement 3D avec des caméras monoculaires pour différentes applis.

Adapter DINOv2 améliore la segmentation BEV pour des voitures autonomes plus sûres.

ExelMap améliore la précision des mises à jour de cartes HD pour un conduite autonome plus sûre.

Un aperçu des avancées dans la prise de décision pour les voitures autonomes.

De nouvelles techniques améliorent la modélisation urbaine dynamique pour diverses applications.

Un nouveau cadre améliore la prédiction de mouvement pour les voitures autonomes, renforçant la sécurité et l'efficacité.

Voici GRIN, un nouveau modèle pour l'estimation de profondeur avec des données éparses.

VALO optimise la détection LiDAR pour les véhicules autonomes, en équilibrant vitesse et précision.

La recherche explore de nouvelles méthodes pour sécuriser la communication dans les technologies de détection.

Une nouvelle approche pour aider les voitures autonomes à prendre des décisions plus sûres sur la route.

RenderWorld utilise des données visuelles pour une technologie de conduite autonome plus sûre.

Un aperçu de l'avenir de la technologie sans fil et des avantages des nouvelles techniques de formation de faisceau.

Un nouveau système améliore les prévisions de sécurité pour les véhicules autonomes dans des environnements difficiles.

TrajSSL améliore la détection d'objets 3D en utilisant moins de données étiquetées grâce à la prévision de mouvement.

Un cadre qui améliore la localisation des véhicules en intégrant les données de plusieurs capteurs.

Une nouvelle méthode légère pour l'odométrie visuel-inertielle améliore les performances dans des environnements difficiles.

Une nouvelle méthode améliore la sécurité des véhicules autonomes dans des situations risquées.

Une nouvelle méthode améliore la sélection et l'enrichissement des données pour les systèmes autonomes.

Un aperçu de la façon dont les agents interagissent au fil du temps dans des jeux dynamiques.

De nouvelles méthodes améliorent la compréhension des prédictions des modèles d'IA.

Une étude sur le contrôle du mouvement vertical pour un meilleur confort et sécurité dans les véhicules.

Une nouvelle méthode améliore la précision du suivi dans des scènes en mouvement rapide en utilisant une technologie basée sur des événements.

Étudier comment les gens traversent les rues pour améliorer la sécurité avec des véhicules autonomes.

Une nouvelle approche combine LiDAR et caméras pour une meilleure précision de détection.

Une nouvelle approche améliore le contrôle dans des environnements incertains en utilisant des processus gaussiens.

Un événement pour améliorer les modèles de segmentation d'image pour des voitures autonomes plus sûres.

La recherche met en avant une nouvelle approche pour l'apprentissage en temps réel dans les voitures autonomes.

Améliorer la détection des panneaux de signalisation pour des véhicules autonomes plus sûrs avec des méthodes d'apprentissage par peu d'exemples.

Un nouveau cadre améliore l'estimation de la pose de la caméra dans différents environnements.

De nouvelles méthodes améliorent la précision du suivi de la localisation des appareils à l'intérieur.

Un nouveau modèle améliore la prédiction de mouvement pour les voitures autonomes avec des ressources minimales.

Une nouvelle méthode améliore la reconnaissance de lieux LiDAR pour les robots et les voitures autonomes.

Une nouvelle méthode améliore la détection des dangers sur la route pour les systèmes de conduite avancés.

Cette étude met en avant l'importance de la détection d'objets dans les zones de construction pour les voitures autonomes.

MemFusionMap améliore la cartographie HD en temps réel en utilisant des infos des images précédentes.

Une nouvelle méthode améliore la précision dans l'estimation de la vitesse des drones en utilisant des données radar et d'accéléromètre.

3DIOC détermine efficacement les objectifs de contrôle à partir des données sans avoir besoin de modèles de système.