收录了 轨迹优化 频道下的 50 篇内容
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。
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。
波士顿动力机器人组团跳舞背后的技术实力揭秘。
在户外运动应用中,绘制运动速度轨迹不仅可以直观地展示用户的运动路线,还能通过颜色变化反映速度的变化,帮助用户更好地了解自己的运动状态。然而,如何在鸿蒙系统中实现这一功能呢?本文将结合实际开发经验,深入解析从数据处理到地图绘制的全过程,
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。
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
“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。
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。
本文主要介绍一下自动驾驶中轨迹规划的探索和挑战
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。
最新综述《OS Agents: A Survey on MLLM-based Agents for General Computing Devices Use》由浙江大学联合OPPO、零一万物等十个机构发布。论文链接:https://github.com/OS-Agent-Survey/OS-Agent-Survey
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。
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。
在这个AI驱动的时代,理解人工智能的核心技术和应用场景已成为技术人员的必备技能。本文将带你深入探索AI的发展脉络、核心技术差异以及在各行业的创新应用。
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。
路径规划是网约车服务的重要一环,与用户体验直接相关
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。
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。
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。