英特尔子公司Mobileye近日宣布,Mobileye的自动驾驶系统Mobileye Drive™已经实现商用。Mobileye Drive™是Mobileye专为未来自动驾驶打造的全栈式解决方案,能够用于为包括自动驾驶出租车(Robotaxi)、消费级轿车和商用货车等在内的一系列自动驾驶汽车(AV)提供支持。
Mobileye Drive™自动驾驶解决方案
业内首发的商用全栈式自动驾驶系统
Mobileye Drive™是一款独特的“交钥匙”解决方案,它基于前沿的自动驾驶技术而打造,通过了道路测试,并可用于商业化部署。
Mobileye Drive™专为出行即服务(MaaS)、自动驾驶货车(ADVs)和消费级自动驾驶汽车而设计,具有强大的安全性、实用性和可扩展性。
Mobileye Drive™可以帮助不同行业驾驭自动驾驶浪潮。无论是运输服务转型、车队利用率优化、乘客数量提升,还是确保在未来的MaaS生态系统和消费级自动驾驶汽车市场中占有一席之地,Mobileye Drive™都能够提供支持。
Mobileye三位一体的解决方案:前沿和设计安全的自动驾驶技术
Mobileye Drive™的核心是Mobileye三位一体的解决方案,这包括:道路信息管理™ (REM™)高精地图技术、基于规则的责任敏感安全(RSS)驾驶策略和真正冗余™(True Redundancy™)。其中,在真正冗余™方面,Mobileye Drive™整合了先进的摄像头、雷达和激光雷达技术在内的两个真正冗余且各自独立的传感子系统。
Mobileye 的三位一体技术能够提供比人类驾驶员的能力高出几个数量级的传感解决方案。Mobileye Drive™由Mobileye EyeQ® 系统集成芯片(SoC)和先进的定制软硬件解决方案驱动,并为完全自动驾驶汽车而专门设计。
一个完整的模块化解决方案,助力出行服务转型
大众运输和公共交通运营商可以使用Mobileye Drive™优化其包括公共汽车、摆渡车/接驳车、大货车和小客车等在内的车队,在降低运输成本的同时,有效提升用户体验。
Mobileye Drive™能够为运输车队,包括提供最后一公里和中短途运输服务的车队提供无缝的自动化转换,以帮助他们更好地应对复杂的城市道路交通环境。
抓住不断增长的市场机遇
Mobileye Drive™能够帮助Mobileye加速成为全面的出行服务提供商。目前,Mobileye已经计划在以色列、阿联酋、日本、法国和美国等地部署其MaaS商用服务。
Mobileye的发展势头继续与自动驾驶出租车MaaS市场的增长相同步,预计到2030年,自动驾驶出租车MaaS市场的总体规模有望达到1600亿美元。
此外,Mobileye Drive™还在推动快速增长的物流运输行业的转型。Mobileye于近日宣布了与Udelv的合作,Udelv专门为公共道路上的最后一公里和中短途运输开发自动驾驶货车。预计到2030年,最后一公里的自动驾驶配送市场将达到近850亿美元;此外,分析师还认为,自动驾驶中短途运输将创造1万亿美元的市场。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。