Los entrenadores de IA de Tesla supuestamente no confían en la tecnología de conducción autónoma de la empresa ni en sus estadísticas de seguridad. Una investigación subraya las preocupaciones internas sobre la fiabilidad y la seguridad del sistema.
Nvidia presentó habilidades de agentes de IA físicos y un modelo VLA de 32 mil millones de parámetros, Alpamayo 2 Super, en CVPR para agilizar la investigación en vehículos autónomos y robótica. Estas innovaciones abordan el cuello de botella de herramientas fragmentadas al automatizar tareas como la reconstrucción de escenas y la generación de datos sintéticos.
Esta investigación presenta un nuevo paradigma de aprendizaje profundo informado por la física para desarrollar modelos de seguimiento de vehículos. El enfoque busca integrar principios físicos fundamentales directamente en redes neuronales profundas para mejorar la precisión y la interpretabilidad de las simulaciones de tráfico.
El autor describe su experiencia para resolver un problema de evaluación comparativa de algoritmos de enrutamiento para vehículos autónomos de movilidad aérea urbana (UAM). Propone un enfoque que utiliza modelos generativos para crear patrones de tráfico realistas y simulación inversa para su verificación.
PHASE (Policy for Heterogeneous Agent Self-play on Expressway) es un marco de autoaprendizaje consciente del contexto diseñado para la simulación realista de tráfico en autopistas. Aborda los desafíos de una amplia cobertura de escenarios, la generación controlable de situaciones raras y críticas para la seguridad, e interacciones multiagente creíbles, soportando también diferentes perfiles de vehículos.
La industria del transporte está experimentando un rápido avance, con nuevas tecnologías como los coches autónomos pasando rápidamente de experiencias únicas a normas diarias. Esto marca un punto de inflexión en cómo nos movemos, transformando ciudades como San Francisco.