研究人員開發出用於更安全自駕車的演算法
引言
自駕車技術在過去幾年中取得了長足的發展，人工智慧和機器學習的應用使得自駕車能夠在複雜的環境中執行，從感應器中處理龐大的資料，理解複雜的道路環境，遵守交通規則並進行導航。然而隨著自駕車實施到現實交通中，它面臨的挑戰也隨之增加，特別是在處理不可預測的狀況時，自駕車的效能可能會下降，從而導致意外發生。演算法 NUMERLA 應用在自駕車領域
在這一挑戰性的背景下，紐約大學坦頓工程學院的研究團隊開發了一種名為《神經符號元強化預視學習 (NUMERLA)》的演算法，該演算法能夠在自駕車面對複雜、不可預測的現實環境時，保證安全的同時適應變化。 NUMERLA 框架的執行方式如下：當自駕車遇到變化多端的環境時，它會根據感測資料來調整對當前狀況的"信念"。基於這種信念，它會對自身在特定時間範圍內的未來表現進行預測，然後搜尋適當的安全約束並相應更新其知識庫。車輛的策略會透過具有安全約束的預見最佳化方法進行調整，從而產生次優但經驗上安全的線上控制策略。 NUMERLA 的一個關鍵創新是它的預見符號約束。透過對未來模式的推測並結合符號安全約束，自駕車能夠在適應新情形的同時依然優先保證安全。NUMERLA 在模擬環境中的測試結果
研究團隊在一個模擬城市環境的電腦平臺上測試了 NUMERLA 演算法的效能，特別是在應對超過路線的處理情境時。結果顯示，NUMERLA 在這些情境下比其他演算法表現更出色，進一步證實了該演算法的有效性。結論與展望
這項研究的成果為自駕車技術的發展提供了更為安全和可靠的解決方案。NUMERLA 演算法的應用可以使自駕車能夠在面對複雜和不可預測的現實環境時保持高度的適應能力，同時確保駕乘安全。 然而要將 NUMERLA 應用到實際的自駕車中仍然面臨著許多挑戰。首先需要進一步的硬體和軟體開發，以確保 NUMERLA 的可執行性和效能。其次對於 NUMERLA 演算法的有效性和安全性需要進行更多實際道路上的測試和實驗取證。最後還需要建立相應的法律法規和政策，以推動自駕車技術的發展和應用。編者的話
自駕車技術的發展一直是科技界的熱門話題，它代表著人工智慧和機器學習在現實應用中的突破。NUMERLA 演算法的開發為自駕車技術帶來了新的希望，同時也提醒我們在應用科技的同時要不斷關注安全和倫理問題。雖然 NUMERLA 在模擬環境中表現出色，但其在實際交通中的應用還需要進一步的測試和取證。我們期待未來能夠看到這項技術在實際環境中的應用，並希望相關的技術和政策能夠同步發展，確保自駕車技術的安全性和可靠性。autonomousvehicletechnology-自駕車,演算法,安全,研究,開發
延伸閱讀
- LanceDB 攜手 Midjourney 開發多模式 AI 資料庫
- 蘋果 AI 計劃揭祕：從財報中學到的三件事
- 美國 NASA 向私人太空公司訂購研究，探討火星任務支援角色
- 微軟選擇與 Sanctuary AI 合作進行通用機器人研究
- 首次自動駕駛賽車聯盟 - 自駕車對決 F1 賽車手的盛況
- Instagram 調整演算法，優先呈現更多小型原創創作者的內容
- 首次在阿布達比舉行的四輛自駕車和一名一級方程式車手的賽車對決
- 特斯拉利潤下滑、Fisker 停滯不前、加州城市爭奪自駕車控制權
- 前 Snap 研究人員正在利用人工智慧打造下一代 Bitmoji - 輕鬆創作個人化貼圖
- 建築業主的碳排放：全新演算法可一覽無遺
