2024-09
联网汽车如何捕捉云动态——来自两个模拟场景的第一个证据
分类： 信号处理
作者： Tobias Veihelmann, Philipp Reitz, Maximilian Lübke, Norman Franchi
发布时间： 2024-09-28
链接： http://arxiv.org/abs/2409.19351v1
摘要： 光伏发电波动电力的份额迅速增加，需要准确的方法来估计云运动，云运动是变化电力供应的主要来源。虽然本地传感器网络在针对基于图像的方法来说太短的预测范围方面表现突出，但它们的空间覆盖范围很小。这项工作向将这些方法扩展到空间可扩展的传感器网络迈出了第一步：出于使用汽车光传感器作为传感器网络的动机，微观交通模拟的两个摘录用作模拟传感器网络。基于分形的云影图案以定义的速度和方向通过传感器网络区域，应使用累积平均绝对误差方法进行估计。评估结果表明，与静态传感器网格的参考工作相比，更广泛的观测区域补偿了传感器网络的动态。此外，这项工作还展示了由于太阳高度角较低而造成的车辆渗透率 (PR) 较低和建筑物阴影较长，估计结果会如何恶化。在渗透率为 40% 时，两个传感器网络的均方根误差仍低于 5 m/s。总之，车辆网络的时空特征为估计云运动提供了一些潜力。
多排跟车模型具有灵活的排大小和通信级别
分类： 系统与控制, 系统与控制
作者： Shouwei Hui, Michael Zhang
发布时间： 2024-09-26
链接： http://arxiv.org/abs/2409.18304v1
摘要： 在本文中，我们将单排跟车 (CF) 模型扩展到一些多排 CF 模型，用于具有灵活排大小和通信级别的联网自动驾驶车辆 (CAV)。具体来说，我们考虑具有延迟的排之间的前向和后向通信方法。线性稳定性的一些一般结果经过数学证明，并进行数值模拟以说明队列规模和通信水平的影响，并展示在混合交通条件下稳定人力驾驶车辆 (HDV) 的潜力。仿真结果与理论分析一致，表明在环路场景下，CAV排可以稳定一定比例的HDV。本文可为自动驾驶汽车（AV）通信系统的设计以及CAV和HDV混合交通流的管理提供建议。
小型自动驾驶汽车路径跟踪的行为克隆
分类： 机器人技术
作者： Pablo Moraes, Christopher Peters, Hiago Sodre, William Moraes, Sebastian Barcelona, Juan Deniz, Victor Castelli, Bruna Guterres, Ricardo Grando
发布时间： 2024-09-25
链接： http://arxiv.org/abs/2410.07209v1
摘要： 本文介绍了自动驾驶汽车路线跟踪行为克隆方法的实施和评估。行为克隆是一种机器学习技术，训练神经网络来模仿人类操作员的驾驶行为。使用捕捉环境和车辆运动的摄像头数据，神经网络学习预测遵循预定路线所需的控制动作。采用微型自动驾驶汽车作为测试平台，为使用提供了良好的基准。这种方法通过将驾驶员的动作直接映射到控制输出来简化控制系统，从而避免了复杂算法的需要。我们在 13 米长的路线上进行了评估，我们的车辆也在那里进行了评估。结果表明，行为克隆可以实现平滑且精确的路线，使其成为全尺寸车辆，并实现从小规模实验到现实世界实现的有效过渡。
自动驾驶汽车在施工区安全驾驶的计算机视觉方法
分类： 计算机视觉和模式识别, 机器人技术
作者： Abu Shad Ahammed, Md Shahi Amran Hossain, Roman Obermaisser
发布时间： 2024-09-24
链接： http://arxiv.org/abs/2409.15809v1
摘要： 建设更智慧、更安全的城市，安全、高效、可持续的交通系统是关键要求。自动驾驶系统（ADS）在智能交通的发展中发挥着重要作用，被认为是汽车行业近几十年来面临的主要挑战之一。配备自动驾驶系统 (ADS) 的汽车具有各种尖端功能，例如自适应巡航控制、碰撞警报、自动停车等。 ADAS 的一个主要研究领域涉及识别施工区域中的道路障碍物，无论驾驶环境如何。本文提出了一种利用计算机视觉技术的创新且高精度的道路障碍物检测模型，该模型可以在施工区域激活并在不同漂移条件下发挥作用，最终有助于建立更安全的道路交通系统。使用 YOLO 框架开发的模型实现了超过 94% 的平均精度，并在验证数据集上展示了 1.6 毫秒的推理时间，强调了用于减轻自动驾驶车辆危险和风险的方法的稳健性。
Essence 自动特征学习：以汽车排序为例
分类： 人工智能
作者： Alessio Pellegrino, Özgür Akgün, Nguyen Dang, Zeynep Kiziltan, Ian Miguel
发布时间： 2024-09-23
链接： http://arxiv.org/abs/2409.15158v1
摘要： Essence 等约束建模语言提供了一种在高层描述组合问题的方法，即无需为特定求解器或求解范例做出详细的建模决策。给定用 Essence 编写的问题描述，有多种方法可以将其转换为低级约束模型。选择低级约束模型和目标约束求解器的正确组合可以对求解过程的有效性产生重大影响。此外，约束模型和求解器的最佳组合的选择可以是实例相关的，即，可能不存在对同一问题的所有实例都效果最好的单一组合。在本文中，我们考虑构建机器学习模型以自动为问题实例选择最佳组合的任务。学习过程的一个关键部分是定义实例特征，作为选择模型的输入。我们的贡献是使用语言模型直接从问题实例的高级表示中自动学习实例特征。我们使用 Essence 建模语言以及涉及汽车排序问题的案例研究来评估我们方法的性能。
从群体心理学到软件工程研究再到汽车研发：测量沃尔沃汽车的团队发展
分类： 软件工程
作者： Lucas Gren, Christian Jacobsson
发布时间： 2024-09-18
链接： http://arxiv.org/abs/2409.11778v1
摘要： 从 2019 年到 2022 年，沃尔沃汽车成功地将我们关于敏捷团队内群体动态的研究发现转化为广泛的工业实践。我们希望阐明通过获得支持、提供培训、执行实施和维护约 700 个团队和 9,000 名员工所采用的工具的过程中获得的见解。该工具旨在增强敏捷团队的能力并推动其内部发展。我们的经验强调了全面的团队培训、在整个组织内培养培训师骨干以及创建新颖的软件解决方案的必要性。从本质上讲，我们推断，自动化的简洁调查工具加上可操作策略的存储库，在促进敏捷团队的成熟方面具有巨大的潜力，但我们也分享了我们在实施过程中遇到的许多挑战。
DualSep：用于实时车内语音分离的轻量级双编码器卷积循环网络
分类： 音频和语音处理, 声音
作者： Ziqian Wang, Jiayao Sun, Zihan Zhang, Xingchen Li, Jie Liu, Lei Xie
发布时间： 2024-09-13
链接： http://arxiv.org/abs/2409.08610v1
摘要： 深度学习和声控技术的进步推动了人车交互的发展。分布式麦克风阵列因其能够准确捕捉不同语音区域乘客的声音而广泛应用于车内场景。然而，音频通道数量的增加，加上车载系统有限的计算资源和低延迟要求，给车载多通道语音分离带来了挑战。为了迁移这些问题，我们提出了一个级联数字信号处理（DSP）和神经网络（NN）的轻量级框架。我们利用固定波束成形（BF）来降低计算成本，并利用独立矢量分析（IVA）来提供空间先验。我们采用双编码器进行双分支建模，空间编码器捕获空间线索，光谱编码器保留光谱信息，促进空间光谱融合。我们提出的系统支持流式传输和非流式传输模式。实验结果证明了所提出的系统在各种指标上的优越性。在 Intel Core i7 (2.6GHz) CPU 上只有 0.83M 参数和 0.39 实时因子 (RTF)，它可以有效地将语音分为不同的语音区域。我们的演示位于 https://honee-w.github.io/DualSep/。
用于自动车道检测的跨数据集分析和网络架构修复
分类： 计算机视觉和模式识别, 人工智能, 机器学习
作者： Parth Ganeriwala, Siddhartha Bhattacharyya, Raja Muthalagu
发布时间： 2024-09-10
链接： http://arxiv.org/abs/2409.17158v1
摘要： 迁移学习已成为解决问题的标准方法之一，通过利用一项任务获得的知识来解决另一项相关任务来克服孤立的学习范式。然而，还需要进行研究，以确定将迁移学习引入应用程序以进行进一步验证和可解释性之前的初始步骤。在这项研究中，我们为自动驾驶车辆中的车道检测应用程序进行了跨数据集分析和网络架构修复。车道检测是自动驾驶汽车驾驶辅助系统的一个重要方面。在大多数情况下，基于深度学习的现代车道识别系统是成功的，但它们在处理具有复杂拓扑的车道时遇到了困难。所提出的架构 ERFCondLaneNet 是对用于车道识别框架的 CondlaneNet 的增强，以解决检测具有复杂拓扑（如密集线、曲线和叉线）的车道线的困难。新提出的技术分别在两个常见的车道检测基准（CULane 和 CurveLanes）以及两个不同的主干网（ResNet 和 ERFNet）上进行了测试。与 ResnetCondLaneNet 相比，所研究的 ERFCondLaneNet 技术表现出相似的性能，但使用的特征量减少了 33%，从而使模型大小减少了 46%。
我的车说了什么？自动驾驶车辆解释错误和驾驶环境对舒适性、可靠性、满意度和驾驶信心的影响
分类： 人机交互, 人工智能
作者： Robert Kaufman, Aaron Broukhim, David Kirsh, Nadir Weibel
发布时间： 2024-09-09
链接： http://arxiv.org/abs/2409.05731v2
摘要： 对自动驾驶汽车 (AV) 决策的解释可能会建立信任，但解释可能包含错误。在模拟驾驶研究（n = 232）中，我们测试了自动驾驶汽车解释错误、驾驶环境特征（感知到的伤害和驾驶难度）以及个人特征（之前的信任和专业知识）如何影响乘客依赖自动驾驶汽车的舒适度、偏好控制、对 AV 能力的信心以及解释满意度。错误会对所有结果产生负面影响。令人惊讶的是，尽管驾驶方式相同，但解释错误却降低了自动驾驶汽车驾驶能力的评分。严重性和潜在危害放大了错误的负面影响。环境伤害和驾驶难度直接影响结果评级并影响错误与结果之间的关系。先前的信任和专业知识与结果评级呈正相关。结果强调需要准确、上下文适应和个性化的 AV 解释来培养信任、依赖、满意度和信心。最后，我们提出了值得信赖的 AV 解释系统的设计、研究和部署建议。
我的车说了什么？自动驾驶汽车解释错误、背景和个人特征影响舒适度、可靠性、满意度和驾驶信心
分类： 人机交互, 人工智能
作者： Robert Kaufman, Aaron Broukhim, David Kirsh, Nadir Weibel
发布时间： 2024-09-09
链接： http://arxiv.org/abs/2409.05731v1
摘要： 对自动驾驶汽车 (AV) 决策的解释可能会建立信任，但解释可能包含错误。在模拟驾驶研究（n = 232）中，我们测试了自动驾驶汽车解释错误、驾驶环境特征（感知到的伤害和驾驶难度）以及个人特征（之前的信任和专业知识）如何影响乘客依赖自动驾驶汽车的舒适度、对自动驾驶汽车的偏好控制、对 AV 能力的信心以及解释满意度。错误会对所有结果产生负面影响。令人惊讶的是，尽管驾驶方式相同，但解释错误却降低了自动驾驶汽车驾驶能力的评分。严重性和潜在危害放大了错误的负面影响。环境伤害和驾驶难度直接影响结果评级并影响错误与结果之间的关系。先前的信任和专业知识与结果评级呈正相关。结果强调需要准确、上下文适应和个性化的 AV 解释来培养信任、依赖、满意度和信心。最后，我们提出了值得信赖的 AV 解释系统的设计、研究和部署建议。
KRONC：用于 3D 汽车重建的基于关键点的鲁棒相机优化
分类： 计算机视觉和模式识别
作者： Davide Di Nucci, Alessandro Simoni, Matteo Tomei, Luca Ciuffreda, Roberto Vezzani, Rita Cucchiara
发布时间： 2024-09-09
链接： http://arxiv.org/abs/2409.05407v1
摘要： 从一组图像开始的物体或场景的三维表示多年来一直是一个广泛讨论的话题，并且在基于 NeRF 的方法传播后得到了更多的关注。然而，一个被低估的先决条件是相机姿态的知识，或更具体地说，外部校准参数的估计。尽管优秀的通用运动结构方法可用作预处理步骤，但它们的计算负荷很高，并且需要大量帧来保证视图之间有足够的重叠。本文介绍了 KRONC，这是一种新颖的方法，旨在通过利用有关要重建的对象的先验知识及其通过语义关键点的表示来推断视图姿势。 KRONC 专注于车辆场景，能够估计视图的位置，作为光优化问题的解决方案，目标是将关键点的反投影收敛到奇点。为了验证该方法，收集了真实世界汽车场景的特定数据集。实验证实 KRONC 能够从非常粗略的初始化开始生成出色的相机姿态估计。结果与运动结构方法相当，并且节省了大量计算量。代码和数据将公开。
使用 SDO/HMI 数据自动检测爆炸颗粒
分类： 太阳和恒星天体物理学
作者： J. Ballot, T. Roudier
发布时间： 2024-09-06
链接： http://arxiv.org/abs/2409.04158v1
摘要： 太阳表面爆炸的颗粒对对流区外部的动力学，尤其是磁场的扩散起着重要作用。我们的目标是开发一种自动化程序，能够研究太阳表面爆炸颗粒的位置和演化，并摆脱视觉检测。我们使用了太阳动力学天文台上的日震和磁成像仪提供的强度和多普勒速度观测序列以及磁图。爆炸颗粒的自动检测是通过应用三个或两个参数的标准来执行的：颗粒面积、速度场发散的幅度以及椎间盘中心的径向多普勒速度。我们的分析表明，颗粒面积和发散幅度足以检测最大的爆炸颗粒，因此我们可以自动检测它们，不仅在圆盘中心，而且在整个太阳表面。通过长达 24 小时的观测序列，我们证明了最具活力的爆炸颗粒对安静太阳中磁场扩散的重要贡献。事实上，我们表明最强烈的爆炸颗粒足以构建光球网络的很大一部分。我们还将我们的程序应用于 Hinode 观测，以相对于碎片颗粒树 (TFG) 定位爆炸颗粒。我们得出的结论是，在 TFG 诞生后约 300 分钟的第一阶段，爆炸颗粒优先位于其边缘。最后，我们还表明，爆炸颗粒在太阳表面的分布是均匀的（在我们的测量误差水平上），与纬度没有显着的依赖性。