中国,上海——2019年4月16日——采埃孚今日宣布推出采埃孚coPILOT智能高级驾驶辅助系统(ADAS),助力提升安全性和驾驶舒适性。借助AI的强大功能同时配备全面的传感器组,车辆能够执行各类自动驾驶功能。在高速公路行驶时,该辅助系统的功能尤为突出。此外,采埃孚coPILOT可通过语音指令进行操作,识别交通状况,感知车辆操控并监控驾驶员,并且能够通过主动控制干预来帮助预防危险情况发生。采埃孚coPILOT基于采埃孚ProAI中央计算机和NVIDIA DRIVE平台,专为量产而设计,预计将于2021年开始供货。
距离采埃孚和NVIDIA宣布“采埃孚ProAI成为首个运行NVIDIA DRIVE软件的系统”仅三个月后,采埃孚coPILOT就在上海国际汽车工业展览会上首次亮相。两家高科技公司共同推出这一极具吸引力的 “L2+级” 自动驾驶辅助系统,可提高乘用车的安全性和驾驶舒适性。
采埃孚先期开发工程部门负责人兼采埃孚风险投资公司(Zukunft Ventures GmbH)总经理Torsten Gollewski表示:“采埃孚coPILOT配备了人工智能、360度全方位传感器组、功能强大的采埃孚ProAI中央计算机以及NVIDIA DRIVE平台,可实现高于常规L2级系统的驾驶和安全功能。这使我们能够实现更高性能的半自动驾驶。”
采埃孚coPILOT演示车将在上海车展首次亮相,详细展示其功能范围以及其为驾驶员所提供的舒适性与安全性:车辆可自主执行特定的驾驶操作,例如在适当情况下进出高速公路。对于相对轻松的高速公路驾驶,采埃孚coPILOT将先进的巡航控制系统与主动转向辅助功能和车道保持辅助功能相结合。此外,采埃孚coPILOT能够主动变道、穿行和并道,还能持续分析车辆周围环境,识别行人、对面车辆和交叉路口。
采埃孚coPILOT配备了相应的传感器和功能,能够监控驾驶员并在发生潜在危险情况时触发警告。例如,当发生驾驶员注意力不集中、几乎完全未将注意力放在路面交通上或显示出瞌睡迹象等状况时,警告将会被触发。此外,采埃孚coPILOT还能够进行智能路线引导,包括“MyRoute”这一能够识别重复路线的地图功能。该系统还配备了语音识别功能,驾驶员能够通过语音指令便捷地启用并操作驾驶员辅助功能;在驾驶员想要手动驾驶时,也可以通过语音指令对其禁用。
在演示车辆中,搭载的采埃孚传感器组包括一个前置雷达、四个角雷达以及八个摄像头。其中,两个摄像头向前,一个向后,还有两个分别集成在两个侧镜中,一个负责监控驾驶员。
为评估整套传感器组实时收集的大量数据,高性能处理能力必不可少。这正是采埃孚coPILOT所采用的第二代采埃孚ProAI中央计算机的用武之地:以NVIDIA DRIVE Xavier处理器的高性能、高能效计算能力为核心,采埃孚ProAI可集成并完全控制预训练算法,实现所有驾驶员辅助功能。该系统具有灵活性、可扩展性且能够无缝更新。汽车制造商还可以根据需求添加自主开发或采埃孚开发的其他特性和功能。
采埃孚ProAI产品系列包括从L0级到L5级的四种型号,覆盖了整个自动驾驶运行范围。高端型号采埃孚ProAI RoboThink每秒运行速度高达600万亿次(600 teraOPS),是目前移动出行领域功能最强大的AI超级计算机。
SAE L3级高度自动驾驶在许多国家和地区暂未被允许,因此采埃孚coPILOT提供SAE L2级半自动驾驶,要求驾驶员持续监控交通状况。但采埃孚和NVIDIA所提供的L2+级技术更加强大,能够起到可靠且便利的辅助驾驶作用,如同“私人驾驶助手”一般为驾驶员提供支持。
“我们相信,像采埃孚coPILOT这样的扩展型L2+级系统对制造商来说非常具有吸引力:鉴于其广泛的功能,它在安全性和驾驶舒适性方面为消费者提供了明显的附加值,且在价格方面也很具有竞争力,”Torsten Gollewski如是说。
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
这项研究由香港理工大学和新加坡国立大学的团队共同完成,提出了R?ec,首个将推理能力内置于大型推荐模型的统一框架。与传统方法不同,R?ec在单一自回归过程中实现了推理生成和物品预测的无缝整合。研究者还设计了RecPO优化框架,无需人工标注即可同时提升模型的推理和推荐能力。实验结果显示,R?ec在三个数据集上显著超越现有方法,在Hit@5和NDCG@20指标上分别提升68.67%和45.21%。这一突破为下一代智能推荐系统开辟了新方向。
这项研究提出了CURE框架,通过强化学习让大语言模型同时学习编写代码和生成单元测试两种能力,无需使用标准代码作为监督。团队开发的ReasonFlux-Coder模型在仅用4.5K编程问题训练后,便在多个基准测试中超越了同类模型,代码生成准确率提高5.3%,最佳N选1准确率提高9.0%。该方法不仅提升了模型性能,还提高了推理效率,同时为降低API调用成本和无标签强化学习提供了新思路。