轨迹优化
收录了 轨迹优化 频道下的 50 篇内容
深入解读自动驾驶行为预测和规划
最近看到关于自动驾驶行为预测和规划的一些文章，想在这里介绍一下，共分为上下两篇，本文是上篇。
伯克利提出 AdaSearch：一种用于自适应搜索的逐步消除方法
本文将以放射源搜寻（简称RSS）问题为例，解释AdaSearch方法，在这类场景当中，设计一条能够尽快返回正确解决方案的传感轨迹往往直接决定着任务的成败。
波士顿动力工程副总裁 Aaron Saunders: 我们是如何教机器人学会跳舞的
波士顿动力机器人组团跳舞背后的技术实力揭秘。
机器学习在高德地图轨迹分类的探索和应用
本文从给予概率密度分布的贝叶斯模型视角与基于轨迹点图像编码的深度学习视角分别探索了轨迹分类可能的技术方案。
运筹优化在裹裹数智化中的运用
本次分享介绍如何基于沉淀的大量时空轨迹及位置数据，利用运筹优化/机器学习等技术解决快递员&车辆运力调度、订单分配、网络规划等核心问题。
JUST 技术：基于轨迹的新冠易感人群查询方案
JUST提出了一种新颖的轨迹感染风险度量和高效的查询方案，这项工作已发布在论文
运用贝塞尔曲线绘制笔锋效果
“笔锋”是指用户通过手指、或者鼠标工具在屏幕上拖动模拟真实场景下用笔写文字的效果，文字的书写过程是会根据我们书写的速度实时变化的，通过笔锋算法我们能够模拟出真实场景下书写文字时的线条变化以及结束时的带笔效果。
滴滴导航若干关键功能的技术突破与实践
本文将会对其中的MJO三维全景导航（行业唯一）、导航主辅路偏航识别及深度学习在端上抓路应用这三个技术点给大家展开讲解。
自动驾驶中轨迹规划的探索和挑战
本文主要介绍一下自动驾驶中轨迹规划的探索和挑战
如何在 AI 工程实践中选择合适的算法？
在使用深度强化学习（Deep Reinforcement Learning，DRL）算法解决实际问题的过程中，明确任务需求并初步完成问题定义后，就可以为相关任务选择合适的DRL算法了。
深度强化学习的“丛林”大冒险
DeepMind在AI界是一家神奇的公司，在过去的几年取得了许多令人瞩目的成绩，例如享誉世界的阿法狗打败人类登顶围棋的天花板，Deepmind AlphaStar打败了星际争霸人类高手等。
大型仿人机器人的技术难点和应用情况
仿人机器人要如何“习得”上楼梯、下斜坡、下象棋、柔顺力控按摩、不平整地面行走等技能？本文以2021年发布的优必选大型仿人服务机器人Walker X为例，介绍仿人机器人的技术难点、落地情况和科研合作思路。
安全舒适两不误：探讨优化算法在规划控制中的应用
本文介绍自动驾驶研发如何在兼顾安全性的同时，保证乘客体验的舒适。
深度强化学习在滴滴路径规划中的探索
路径规划是网约车服务的重要一环，与用户体验直接相关
无人车制胜关键：Apollo 决策系统全面剖析
2019年3月26日，AI前线社群邀请到了百度美研资深软件工程师 Yifei Jiang ，带来 《Apollo 决策技术分享（决策系统的设计和无人驾驶的实现）》 的内容分享。
跨摄像头人形轨迹追踪技术在新零售场景下的应用
本次分享介绍人脸识别、身体识别的技术过程，包括行为轨迹、热力监测算法等内容。
伯克利最新研究成果：让机器人比你还了解自己的偏好
如果我们都能让家用机器人帮我们做家务就太好了。家务是我们想要完成的任务，做家务会让我们的房子更符合我们的喜好；我们希望我们的房子以一种不同于现在的方式存在。
人群移动轨迹可视化新论文，入选 IEEE TVCG 及 VIS
本研究基于脱敏后的京津冀城市群超过120亿条移动终端位置记录，对城市人群移动模式进行了挖掘和分析，创新性地提出了针对时间稀疏轨迹的分类、聚合和可视化方法。
不确定性世界中的行为预测
自动驾驶系统中的行为预测模块主要负责预判其他交通参与者未来一段时间的行为，其困难主要源自现实世界和人类行为的高度不确定性。本文列举了现实环境中的不同场景，讨论了两种不同预测方法，即基于行为规划的预测和基于机器学习的预测，用于准确预测各种复杂交通行为并刻画其多模态特征和不确定性的困难和挑战。
TiDB 在中移物联网车联网场景的探索和实现
本次分享主要介绍车联网业务，它主要围绕车载位置终端和车载视频终端开展业务，包括停车卫士、路尚个人、路尚行业、和统一填装业务。
京公网安备 11010502039052号 | 产品资质
