“sürüş teknolojisi” için sonuçlar
12 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Otonom Araçlar İçin Kuşbakışı Görüş Modellerinin Kapsamlı Test Sonuçları
Otonom sürüş teknolojisinde kullanılan kuşbakışı görüş segmentasyon modellerinin farklı ortamlarda nasıl performans gösterdiği kapsamlı bir araştırmayla incelendi. Mevcut modellerin genellikle tek bir veri seti üzerinde eğitildiği ve bu durumun farklı çevre koşullarında başarısızlığa yol açtığı tespit edildi. Araştırmacılar, kamera ve LiDAR gibi farklı sensörlerin model performansına etkilerini analiz ederek, çoklu veri seti eğitiminin tek veri seti eğitimine göre daha başarılı sonuçlar verdiğini ortaya koydu. Bu çalışma, otonom araçların farklı şehir ve coğrafyalarda güvenli bir şekilde çalışabilmesi için kritik önem taşıyor.
Otonom araçlar için gerçekçi sürüş simülatörü geliştirildi
Araştırmacılar, otonom araçların test edilmesi için yeni bir dünya modeli geliştirdi. ReSim adlı bu sistem, gerçek sürüş verilerini simülatör verileriyle birleştirerek daha güvenilir test ortamları yaratıyor. Geleneksel modeller sadece uzman sürücülerin güvenli davranışlarını öğrendiği için tehlikeli veya acemi sürüş durumlarını simüle etmekte zorlanıyordu. Yeni yaklaşım, CARLA gibi sürüş simülatörlerinden toplanan çeşitli veriyi gerçek dünya örnekleriyle harmanlayarak bu sorunu çözüyor. Difüzyon transformatör mimarisi kullanan video üretici model, kontrol sinyallerini etkili şekilde entegre ederek tahmin doğruluğunu artırıyor. Bu gelişme, otonom araç politikalarının değerlendirilmesi ve çeşitli sürüş senaryolarının test edilmesi açısından önemli bir adım.
Otonom araçlar için çok araçlı harita oluşturma teknolojisi geliştirildi
Araştırmacılar, otonom sürüş için kritik öneme sahip vektörize haritaların oluşturulmasında yeni bir yaklaşım geliştirdi. OptiMVMap adlı sistem, tek araç perspektifinin sınırlarını aşarak çevredeki diğer araçların görüş açılarını da kullanıyor. Geleneksel yöntemler sadece bir aracın gözlem verilerine dayanırken, bu da görüş alanı eksikliği ve engellenen bölgelerin tespit edilememesi sorunlarına yol açıyordu. Yeni sistem, stratejik araç seçimi ve akıllı veri birleştirme teknikleriyle hem hesaplama maliyetini düşürüyor hem de daha kapsamlı haritalar oluşturuyor. Bu gelişme, otonom araçların çevre algılama yeteneklerini önemli ölçüde artırabilir.
Yapay Zeka Artık Metinle Sürüş Senaryoları Üretiyor: ScenarioControl
Araştırmacılar, metin komutları veya görsellerle gerçekçi 3D sürüş senaryoları üreten ScenarioControl adlı yeni bir sistem geliştirdi. Bu teknoloji, otonom araçların eğitimi için kritik olan çeşitli trafik durumlarını yapay olarak oluşturabiliyor. Sistem, yol yapısını, diğer araçları, yayaları ve trafik altyapısını içeren kapsamlı senaryolar üretiyor. Özellikle çapraz-dikkat mekanizması ve hafif global bağlam dalı kullanan yenilikçi kontrol sistemi sayesinde, hem yol düzenini hem de trafik koşullarını ince ayarlarla kontrol edebilirken gerçekçiliği koruyor. Bu gelişme, otonom sürüş teknolojisinin test edilmesi ve geliştirilmesi için güvenli sanal ortamlar yaratma konusunda önemli bir adım teşkil ediyor.
Otonom Sürüşte Yeni Yaklaşım: Altyapı Merkezli Dünya Modelleri
Araştırmacılar, otonom sürüş teknolojisinde devrim yaratabilecek yeni bir yaklaşım geliştirdi. Geleneksel sistemlerin aksine araç perspektifini değil, yol kenarı altyapısının bakış açısını kullanan bu model, sabit sensörlerle uzun vadeli davranış verilerini topluyor. Kuş bakışı görüş açısı sayesinde nadir güvenlik olaylarını da dahil olmak üzere daha kapsamlı çevresel anlayış sağlayan sistem, mevcut araç tabanlı modellerin eksiklerini gideriyor. Bu yaklaşım, gelecekte daha güvenli ve etkili otonom sürüş sistemleri geliştirilmesinde önemli bir adım olabilir.
Otonom Sürüş İçin Tek Platform: OneDrive Yapay Zeka Modeli
Araştırmacılar, otonom araçlar için devrim niteliğinde birleşik bir yapay zeka sistemi geliştirdi. OneDrive adlı bu yeni model, görsel algı, dil işleme ve hareket planlamasını tek bir platformda birleştiriyor. Geleneksel sistemlerde farklı görevler için ayrı dekoder sistemleri kullanılırken, OneDrive tüm işlemleri tek bir transformer dekoder içinde gerçekleştiriyor. Sistem, önceden eğitilmiş görsel-dil modellerinin dikkat mekanizmalarının sadece metin üretimi değil, nesne tespiti ve yörünge planlaması gibi karmaşık görevlerde de başarılı olabileceğini kanıtlıyor. Bu yaklaşım, otonom sürüş teknolojisinde daha verimli ve entegre çözümler sunma potansiyeli taşıyor.
Otonom araçlar için yeni yapay zeka sistemi nadir nesneleri daha iyi tanıyor
Araştırmacılar, otonom sürüş teknolojisinde kritik bir sorunu çözmek için yeni bir yapay zeka sistemi geliştirdi. SemLT3D adlı bu sistem, sadece kamera kullanarak çevredeki nesneleri üç boyutlu olarak tespit ederken, nadir görülen ama güvenlik açısından hayati önem taşıyan nesneleri daha başarılı şekilde tanımlayabiliyor. Çocuklar, bebek arabaları veya acil durum araçları gibi seyrek rastlanan kategoriler, mevcut veri setlerinde yetersiz temsil edildiği için geleneksel sistemler bu nesneleri güvenilir şekilde algılayamıyor. Yeni sistem, semantik rehberlik ve uzman bilgi aktarımı yöntemlerini kullanarak bu sorunu çözmeyi hedefliyor. Bu gelişme, otonom araçların güvenlik performansını artırabilecek önemli bir adım olarak değerlendiriliyor.
Otonom Araçlar İçin Tek Adımda Görsel-Dil Tabanlı Akıl Yürütme Sistemi
Araştırmacılar, otonom sürüş teknolojisinde devrim yaratabilecek OneVL adlı yeni bir sistem geliştirdi. Mevcut yapay zeka sistemleri, adım adım düşünce zinciri (Chain-of-Thought) yöntemiyle karar verirken, bu süreç gerçek zamanlı kullanım için çok yavaş kalıyor. OneVL, bu sorunu tek adımda hem görsel hem de dil tabanlı akıl yürütme yaparak çözüyor. Sistem, sadece metinsel açıklamalarla değil, aynı zamanda gelecekteki görüntü karelerini tahmin eden görsel bir dünya modeli ile de çalışıyor. Bu yaklaşım, sürüşü yöneten gerçek nedensel dinamikleri daha iyi anlayarak, hem hızlı hem de doğru kararlar verebilen otonom araçlar geliştirilmesini sağlıyor.
Sürücü Belirsizliğini Çözen Yeni Otonom Araç Sistemi: VADv2
Araştırmacılar, otonom sürüş teknolojisinde önemli bir adım atan VADv2 sistemini geliştirdi. Bu yeni yaklaşım, geleneksel deterministik planlama yöntemlerinin aksine, sürüş sırasındaki belirsizlikleri ve insan benzeri karar verme süreçlerini modelleyebilen olasılıksal bir planlama modeli kullanıyor. Sistem, büyük ölçekli sürüş verilerinden öğrenmeyi mümkün kılarak, gerçek dünya koşullarındaki öngörülemezlik sorununu ele alıyor. VADv2, karmaşık sürüş aksiyonlarını önce kesin kategorilere ayırıp sonra bunları dijital tokenlara dönüştürerek işliyor. Bu tokenler, çevresel bilgilerle etkileşime girerek olasılıksal eylem dağılımları üretiyor.
Otonom Araçlar İçin Gerçekçi Otoyol Simülasyonu: PHASE Sistemi Geliştirildi
Araştırmacılar, otonom araçların güvenlik testleri için kritik öneme sahip gerçekçi otoyol simülasyonları oluşturabilen PHASE adlı yeni bir sistem geliştirdi. Bu sistem, farklı araç tiplerinin etkileşimini modelleyerek nadir görülen tehlikeli senaryoları yapay olarak üretebiliyor. Geleneksel yöntemlerin aksine, PHASE hem binek araçları hem de tırları aynı anda simüle edebilmekte ve bu araçlar arasındaki karmaşık etkileşimleri gerçekçi şekilde modellemektedir. Sistem, özellikle gerçek verilerden elde edilmesi zor olan kritik güvenlik durumlarını test etmek için tasarlanmış olup, otonom sürüş teknolojisinin geliştirilmesinde önemli bir adım teşkil ediyor.
Otonom Araçlar İçin Video Üretimi ve Planlama Bir Arada: DriveLaW Sistemi
Araştırmacılar, otonom sürüş teknolojisinde çığır açabilecek yeni bir sistem geliştirdi. DriveLaW adlı bu sistem, gelecekteki trafik senaryolarını görselleştirme ve sürüş planlaması yapma işlemlerini tek bir çatı altında birleştiriyor. Geleneksel yaklaşımlar bu iki süreci ayrı ayrı ele alırken, yeni sistem video üretici bileşeninin gizli temsillerini doğrudan planlama modülüne aktararak tutarlılığı artırıyor. DriveLaW-Video adlı güçlü dünya modeli yüksek kaliteli gelecek öngörüleri üretirken, DriveLaW-Act difüzyon planlayıcısı bu verilerden güvenilir yörüngeler oluşturuyor. Bu birleşik yaklaşım, otonom araçların gerçek dünyada karşılaştığı beklenmedik durumlarla daha etkili şekilde başa çıkmasını sağlayabilir.
Otonom araçlar için yeni AI sistemi beklenmedik nesneleri daha iyi tanıyor
Otonom sürüş teknolojisinde önemli bir adım: araştırmacılar, LiDAR sensörleriyle çalışan yapay zeka sistemlerinin beklenmedik nesneleri tespit etme yetisini artıran yeni bir framework geliştirdi. Neural Distribution Prior (NDP) adlı bu sistem, eğitim verilerinde bulunmayan nesneleri tanımada mevcut yöntemlerin ana sorunu olan sınıf dengesizliği problemini çözüyor. Geleneksel sistemler tüm nesne sınıflarının eşit dağıldığını varsayar, ancak gerçek dünyada bu böyle değil. NDP, ağ tahminlerinin dağılım yapısını modelleyerek ve öğrenilen dağılım önceliğine göre skorları yeniden ağırlıklandırarak bu sorunu aşıyor. Sistem ayrıca dikkat tabanlı bir modül ile sınıf bağımlı güven yanlılığını düzeltiyor ve Perlin gürültüsü tabanlı sentez stratejisi kullanıyor.