“QCNet：通过先进的轨迹预测革新自动驾驶车辆的安全性”

QCNet Innovating the safety of autonomous vehicles through advanced trajectory prediction.

从普通车辆到电动车辆，汽车产生了大规模的转变。现在，这种转变正在进一步转变为更先进的自驾车辆。这是通过人工智能和机器学习的先进学习算法来实现的。香港城市大学的研究人员为自驾车辆开发了一个新的人工智能系统。这个模型还可以预测附近是否有行人，并准确预测附近的车辆和行人可能去的地方。它还可以加快速度，使自驾车辆更安全。研究人员还表示，准确预测这些情况非常重要，因为即使是小的预测变化也可能导致更严重的事故。现有解决方案的问题在于它们无法提供准确的预测。

为了解决这个问题，一组研究人员开发了一个开创性的人工智能系统，称为QCNet。这个模型改进了自驾车辆中车辆和行人运动的预测。该模型可以实时工作，并提供现有模型的限制。它依赖于相对空间时间定位的概念。这些特性使其能够理解交通规则和与他人的互动。这还使它能够预测符合地图并避免碰撞的未来轨迹。为了评估该模型，研究人员使用了大型数据集，如Agroverse1和Agroverse2。这些数据集包含来自美国各个城市的大量自动驾驶数据和高清地图。这些数据集也被称为行为预测的挑战性基准。

研究测试了该模型，并发现速度和准确性都相当好。测试是对Agroverse 1和Agroverse 2的平均。该模型对于某些预测需要超过六秒的时间，但预测是准确的。在涉及大量道路使用者和地图多边形的复杂交通分析中，该模型的准确性约为85%。

• 康奈尔大学和特拉维夫大学的研究人员介绍了“Doppelgangers 学习区分相似结构的图像”
• 顶级的GPT和AI内容检测器
• 谷歌AI推出了一个新的TensorFlow模拟框架，可以利用TPU计算流体流动

研究人员仍在努力将该模型应用于预测人类行为，这也将决定该模型的效率。整个过程属于图像处理和计算机视觉的范畴。研究人员表示，该模型仍存在一些与预测和自驾车效率相关的问题，这将通过超参数测试进一步改进。这是汽车历史上最重要的研究之一。