Les formateurs en IA de Tesla ne feraient pas confiance à la technologie de conduite autonome de l'entreprise ni à ses statistiques de sécurité. Une enquête met en lumière des préoccupations internes concernant la fiabilité et la sécurité du système.
Nvidia a dévoilé des compétences d'agents d'IA physiques et un modèle VLA de 32 milliards de paramètres, Alpamayo 2 Super, à la CVPR pour rationaliser la recherche sur les véhicules autonomes et la robotique. Ces innovations s'attaquent au goulot d'étranglement des outils fragmentés en automatisant des tâches comme la reconstruction de scènes et la génération de données synthétiques.
Cette recherche introduit un nouveau paradigme d'apprentissage profond informé par la physique pour développer des modèles de suivi de véhicules. L'approche vise à intégrer des principes physiques fondamentaux directement dans des réseaux neuronaux profonds afin d'améliorer la précision et l'interprétabilité des simulations de trafic.
L'auteur relate son parcours pour résoudre un problème d'évaluation des algorithmes de routage pour les véhicules de mobilité aérienne urbaine (UAM) autonomes. Il propose d'utiliser des modèles génératifs pour le benchmarking et la simulation inverse pour la vérification de ces algorithmes.
PHASE (Policy for Heterogeneous Agent Self-play on Expressway) est un cadre d'auto-apprentissage conscient du contexte, conçu pour une simulation réaliste du trafic routier. Il répond aux défis d'une large couverture de scénarios, de la génération contrôlable de situations rares et critiques pour la sécurité, et d'interactions multi-agents crédibles, tout en supportant divers profils de véhicules.
L'industrie du transport connaît une avancée rapide, avec de nouvelles technologies comme les voitures autonomes passant rapidement d'expériences uniques à des normes quotidiennes. Cela marque un point d'inflexion dans la façon dont nous nous déplaçons, transformant des villes comme San Francisco.