Derniers articles pour Véhicules autonomes

Analyser les effets des données de capteurs corrompues sur la localisation des voitures autonomes.

Un nouveau modèle améliore la reconnaissance d'objets pour une sécurité routière renforcée.

Une nouvelle méthode améliore la façon dont les voitures autonomes reconnaissent et gèrent les défis imprévus sur la route.

Une nouvelle méthode améliore l'adaptabilité des modèles AV aux changements de point de vue de la caméra.

FusionFormer améliore la détection d'objets 3D en combinant efficacement les données de la caméra et de LiDAR.

Une nouvelle méthode utilisant l'apprentissage fédéré pour la cartographie à grande échelle avec des champs de radiance neuronale.

Le dataset Rank2Tell améliore la compréhension des scènes de circulation pour renforcer la confiance dans la technologie de conduite autonome.

Examiner les problèmes pour détecter les piétons afin d'améliorer la sécurité routière pour les véhicules autonomes.

ImageTo360 améliore la segmentation LiDAR en utilisant un minimum de données étiquetées à partir d'images de caméra.

Une nouvelle méthode améliore la précision de la détection d'objets en utilisant des systèmes à caméra unique.

DEFormer améliore la qualité des images dans des conditions de faible luminosité en utilisant des données de fréquence.

La recherche se concentre sur la réduction du biais de mouvement dans le SLAM pour une meilleure fiabilité.

L'architecture d'ensemble émergente améliore la fiabilité et la précision de la détection d'objets.

Les CAV deviennent plus sûrs avec une infrastructure intelligente pour de meilleures prédictions de mouvement de trafic.

MBAPPE améliore la prise de décision pour les véhicules autonomes en utilisant des comportements appris.

Cet article parle de nouvelles méthodes pour améliorer le déchargement des tâches dans les voitures autonomes.

Une nouvelle méthode combine la physique et l'apprentissage profond pour prédire avec précision le mouvement humain.

Cet article parle du rôle de la perception des VE dans la technologie de conduite autonome.

Recherche sur la détection d'objets inhabituels dans les véhicules autonomes grâce à des techniques d'imagerie avancées.

Explorer comment les modèles de langage améliorent la communication et la prise de décision des voitures autonomes.

Les robots peuvent mieux s'adapter à de nouveaux terrains en prédisant les préférences des opérateurs.

Une nouvelle méthode améliore les modèles de mouvement des robots sur différentes surfaces.

Le jeu de données sur le stationnement et les piétons améliore la sécurité des voitures autonomes en se concentrant sur la détection des piétons.

Examiner comment la réflectivité de surface influence la performance des capteurs dans les véhicules autonomes.

LineMarkNet améliore la précision du stationnement des véhicules autonomes grâce à une détection de lignes avancée.

Des recherches montrent que simplifier l'utilisation des données améliore les performances des véhicules autonomes.

OccluTrack améliore la précision de suivi en s'attaquant aux problèmes d'occlusion dans des environnements bondés.

Une nouvelle méthode améliore le positionnement des véhicules dans des environnements difficiles en utilisant plusieurs capteurs.

Nouveau cadre améliore la précision de localisation des caméras en utilisant des contraintes multi-vues et des données LiDAR.

Une méthode pour classifier efficacement les panneaux de signalisation dans la conduite autonome.

Une nouvelle méthode de contrôle améliore la coordination des véhicules sous-marins pour diverses tâches.

Examiner comment les pare-brises influencent les capacités de perception des voitures autonomes.

Une nouvelle technique améliore la précision du GPS et de la VIO pour une meilleure localisation.

DJINN génère des scénarios de trafic réalistes pour tester des voitures autonomes.

Une méthode pour améliorer la détection d'objets dans des environnements variés en utilisant des données passées.

Examiner les méthodes de contrôle pour améliorer la circulation avec des véhicules autonomes et conduits par des humains.

FGFusion améliore la détection d'objets 3D en combinant efficacement les données lidar et caméra.

Une approche innovante améliore l'efficacité et la précision des tests de reconnaissance d'image.

Explorer comment les véhicules autonomes peuvent communiquer leurs futures actions pour une conduite plus sûre.

Le nouveau cadre SurrealDriver améliore la simulation des agents de conduite pour les environnements urbains.