Artigos mais recentes para Veículos Autônomos

Um novo método melhora a adaptabilidade dos modelos de AV a mudanças de ângulo de câmera.

FusionFormer melhora a detecção de objetos 3D ao combinar de forma eficaz dados de câmera e LiDAR.

Uma nova abordagem usando aprendizado federado para mapeamento em larga escala com campos de radiança neural.

O dataset Rank2Tell melhora a compreensão de cenas de tráfego pra aumentar a confiança na tecnologia de direção autônoma.

Analisando problemas em detectar pedestres pra melhorar a segurança nas ruas pra veículos autônomos.

ImageTo360 melhora a segmentação LiDAR usando um mínimo de dados rotulados de imagens da câmera.

Uma nova abordagem melhora a precisão da detecção de objetos usando sistemas de câmera única.

O DEFormer melhora a qualidade da imagem em condições de pouca luz usando dados de frequência.

A pesquisa foca em reduzir o viés de movimento no SLAM pra melhorar a confiabilidade.

A nova arquitetura de Ensemble melhora a confiabilidade e a precisão da detecção de objetos.

Os CAVs tão ficando mais seguros com infraestrutura inteligente pra prever melhor o movimento do tráfego.

MBAPPE melhora a tomada de decisões para veículos autônomos usando comportamentos aprendidos.

Esse artigo fala sobre novos métodos pra melhorar o descarregamento de tarefas em carros autônomos.

Um novo método integra física e deep learning pra prever o movimento humano com precisão.

Esse artigo fala sobre o papel da percepção de BEV na tecnologia de carros autônomos.

Pesquisa sobre como detectar objetos incomuns em veículos autônomos usando técnicas de imagem avançadas.

Explorando como modelos de linguagem melhoram a comunicação e a tomada de decisão em carros autônomos.

Os robôs conseguem se adaptar melhor a novos terrenos prevendo as preferências dos operadores.

Um novo método melhora os modelos de movimento de robôs em várias superfícies.

O conjunto de dados de pedestres em estacionamento melhora a segurança em carros autônomos ao focar na detecção de pedestres.

Analisando como a refletividade da superfície afeta o desempenho dos sensores em veículos autônomos.

O LineMarkNet melhora a precisão do estacionamento de veículos autônomos com detecção avançada de linhas.

Pesquisas mostram que simplificar o uso de dados melhora o desempenho de veículos autônomos.

OccluTrack melhora a precisão do rastreamento enfrentando os desafios de oclusão em ambientes lotados.

Um novo método melhora o posicionamento de veículos em ambientes desafiadores usando múltiplos sensores.

Novo framework melhora a precisão da localização da câmera usando restrições de múltiplas visões e dados de LiDAR.

Um método para classificar sinais de trânsito de forma eficiente na direção autônoma.

Um novo método de controle melhora a coordenação de veículos subaquáticos para várias tarefas.

Analisando como os para-brisas afetam as capacidades de percepção dos carros autônomos.

Uma nova técnica melhora a precisão do GPS e do VIO pra uma localização melhor.

DJINN gera cenários de tráfego realistas para testar carros autônomos.

Um jeito de melhorar a detecção de objetos em ambientes diferentes usando dados passados.

Analisando métodos de controle pra melhorar o fluxo de trânsito com veículos autônomos e conduzidos por humanos.

O FGFusion melhora a detecção de objetos 3D combinando dados de lidar e câmera de forma eficaz.

Abordagem inovadora melhora a eficiência e a precisão dos testes de reconhecimento de imagem.

Explorando como os VAs podem se comunicar sobre suas ações futuras para uma direção mais segura.

O novo framework SurrealDriver melhora a simulação de agentes de direção em ambientes urbanos.

Integrando aprendizado por reforço e gramática pra ter designs de câmera melhores.

Um novo método melhora a compressão e reconstrução de dados LiDAR.

O ViWS-Net remove de boa várias condições climáticas do vídeo, melhorando a clareza e a qualidade.