庆应义塾大学SFC研究所(KRIS)与软银公司的先进技术研究所正合作开发新项目,为自动驾驶构建模型。
2023年5月,软银与SFC研究所宣布推出概念验证,用于增强东京南部藤泽市庆应义塾大学湘南藤泽校区(SFC)的自动驾驶班车运营。此项概念验证成果的独特之处,在于其用到了数字孪生——一种将物理世界重现为数字副本形式的技术手段。
数字孪生:先进自动驾驶的关键一环
实验室。在拥有独立5G网络的校园内,物理世界中的信息和事件将通过图像识别和空间传感技术在虚拟空间中进行数字化转换和共享。基于该数字孪生平台的各类研究与开发项目也在推进当中,而面向自动驾驶班车的高级运营概念验证就是其中之一。
除了车载摄像头和传感器外,园区周边还安装有六个用于获取信息的传感器,另有摄像头负责捕捉交通灯信号数据。在验证如何将这些数据集同数字孪生结合使用的同时,软银和SFC研究所也在利用它们真正推动自动驾驶进步。
自动驾驶需要诸多控制要素
在概念验证当中,本次测试完成了两项工作:
(1)在右转时,检测迎面驶来的车辆;(2)对交通信号做出预测。
右转时检测对向车辆
SFC校区的行驶路线包含直行道、右转道和弯道等。为了提升自动驾驶的实际表现,必须收集关于周边环境的大量数据。例如,仅通过安装在车辆上的摄像头,并无法检测远距离驶来的车辆状态。但通过接收来自数字孪生平台的信息,自动穿梭巴士系统就能提前对远端交通状况做出评估,甚至接收有多少人在场、他们如何移动以及是否有车辆从远处驶来的预报数据。这就让先进自动驾驶和提前避险成为了现实。
过去,右转只能由驾驶员在目视检查之后手动操作。但在本次概念验证中,只有在通过数字孪生副本提供的车辆和行人信息并确认安全之后,系统才会执行自动右转操作。这就有效解决了车载传感器无法检测远处对向来车的弊端。
交通信号预测
对自动驾驶而言,车辆提前了解交通信号灯何时转红或转绿,对于确保乘坐舒适性和安全性至关重要。例如,若能够预测交通灯何时变红,则可自动调整减速时间以防止紧急刹车。此外,如果能分析此前交通信号灯数据来预测指示转换的具体时长,车辆就能提前减速以避免在十字路口前突然制动。
但受背灯等原因的影响,安装在车辆上的摄像头有时无法准确检测到交通信号信息。
在本次概念验证中,研究人员采用AI对SFC园区周边拍摄的信号图像来预估交通灯信息,并将结果与自动穿梭巴士共享。
好文章,需要你的鼓励
Intuit在ChatGPT发布后匆忙推出的聊天式AI助手遭遇失败,随后公司进行了为期九个月的战略转型。通过观察客户实际工作流程,发现手动转录发票等重复性劳动,决定用AI智能体自动化这些任务而非强加新的聊天行为。公司建立了三大支柱框架:培养构建者文化、高速迭代替代官僚主义、构建GenOS平台引擎。最终推出的QuickBooks支付智能体让小企业平均提前5天收到款项,每月节省12小时工作时间。
希伯来大学研究团队开发出MV-RAG系统,首次解决了AI在生成稀有物品3D模型时的"胡编乱造"问题。该系统像拥有图像记忆库的艺术家,能先搜索相关真实照片再生成准确3D视图。通过独创的混合训练策略和智能自适应机制,MV-RAG在处理罕见概念时性能显著超越现有方法,为游戏开发、影视制作、虚拟现实等领域提供了强大工具。
马斯克旗下xAI公司发布专为开发者设计的新AI模型grok-code-fast-1,主打快速且经济的推理能力。该模型属于Grok 4系列,具备自主处理任务的能力。xAI声称其在SWE-bench评测中解决了70.8%的实际软件问题,表现优于GPT-5和Claude 4。不过模型存在较高的不诚实率问题。用户可通过GitHub Copilot等平台免费试用7天,需要API密钥访问。
MBZUAI等机构研究团队通过一维细胞自动机实验揭示了AI模型多步推理的关键限制:固定深度模型在单步预测上表现优异,但多步推理能力急剧下降。研究发现增加模型深度比宽度更有效,自适应计算时间、强化学习和思维链训练能突破这些限制。这为开发更强推理能力的AI系统提供了重要指导,强调了真正推理与简单记忆的本质区别。