通过此项收购计划,Velodyne将完善其基于激光雷达的智能基础设施解决方案
2022年10月11日——Velodyne Lidar宣布收购人工智能(AI)软件公司 Bluecity。Bluecity总部位于加拿大蒙特利尔,其下一代基于激光雷达的解决方案致力于应对安全、交通和基础设施问题。
通过此次全股票收购,Velodyne将进一步推进实现其愿景,即通过提供行业领先的、由人工智能驱动的自主视觉解决方案,帮助客户取得成功。预计收购Bluecity将不会对Velodyne的运营成本和现金流造成影响。Bluecity的高管、软件开发和销售团队将直接加入Velodyne。
多年来,Velodyne和Bluecity始终保持密切合作,为智慧城市应用提供基于激光雷达的解决方案。Velodyne的智能基础设施解决方案(IIS)结合了其屡获殊荣的激光雷达传感器与Bluecity的人工智能软件,可提供交通监控和分析,以提高道路安全性与效率,并帮助城市建设更加智能、环保的交通系统。目前,该解决方案已部署于全球四大洲74个地区,包括美国加利福尼亚、科罗拉多、佛罗里达、新泽西、马里兰、德克萨斯、内华达和密歇根等州,以及加拿大、中国、阿联酋、印度、芬兰、德国和澳大利亚等国家。
部署于加州圣何塞的Velodyne智能基础设施解决方案(IIS)
Velodyne Lidar首席执行官Ted Tewksbury博士表示:“我们非常欢迎Bluecity加入Velodyne 团队。Bluecity不仅拥有一群才华横溢的创新者,也拥有极具创新性的人工智能分析软件,能够与Velodyne的激光雷达传感器和Vella激光雷达感知软件完美结合。这项收购进一步证实,集成软硬件的系统解决方案是Velodyne在所有终端市场的重要竞争优势。”
Bluecity 联合创始人兼首席执行官 Asad Lesani 博士表示:“对于Velodyne致力于成为业内领先的人工智能驱动的自主视觉系统供应商的愿景,我们深表认同。通过多年的合作经验,我们看到其领先的激光雷达传感器与解决方案能够使我们的社区更加安全、高效。如今,我们很高兴加入Velodyne,成为其中的一员。”
部署于德克萨斯州奥斯汀的Velodyne智能基础设施解决方案(IIS)
Velodyne扩展其全栈式解决方案组合
Velodyne将继续扩展其智能基础设施解决方案的功能,包括监控人员和车辆的流动,为停车场、零售店和体育馆等应用场景创建一系列全栈式基础设施解决方案。为满足智能基础设施市场对激光雷达的需求,Velodyne将集成Bluecity强大的人工智能分析软件与Vella激光雷达感知软件,并以软件即服务(SaaS)形式交付。这种集成将有助于为工业、机器人和智能基础设施创建全新的、基于Velodyne激光雷达的软件解决方案,从而加快客户自动驾驶视觉系统的上市时间。
Vella激光雷达感知软件可将激光雷达数据转换为可操作的信息,以便自动驾驶系统观察和了解所处环境。Vella软件的实时数据能够使自动驾驶系统做出决策并采取行动(例如帮助机器人或车辆安全移动),并提供分析,例如通过交通解决方案,帮助城市规划工作者了解导致未遂事故、闯红灯和其他道路违规行为的根本原因。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。