404 Driver Not Found

Openpilot 0.11 — первый робо-агент, обученный только на симуляциях Команда Comma.ai опубликовала интересный пост, где утверждает, что впервые в истории индустрии выпустила на дороги робо-агент, полностью обученный в вымышленной нейросетями симуляции. Немного контекста: в Comma.ai разрабатывают систему помощи водителю, совместимую со многими моделями автомобилей. Система работает на втором уровне автономности — умный лейн-кипинг в широком спектре сценариев. Эта задача гораздо проще, чем полностью...

EMMA: End-to-End Multimodal Model for Autonomous Driving Сегодня разберём статью об EMMA — end-to-end модели на основе LLM для задач автономного вождения. Верхнеуровнево архитектуру EMMA можно рассмотреть на схеме. В качестве LLM авторы используют Gemini. На входы модели подают изображения с камер (camera-only), историю ego и подсказки маршрутизатора. HD-карты не используются. Chain-of-thought начинается с описания сцены (scene description), потом модель выделяет участников движения (critical ob...

TreeIRL: Safe Urban Driving with Tree Search and Inverse Reinforcement Learning Сегодня разберём статью, в которой авторы предлагают использовать поиск монте-карло по дереву (Monte-Carlo Tree Search, MCTS) для задачи планирования. Как и в обычном MCTS, сначала генерируется множество траекторий, а затем на каждом шаге поддерживается баланс между перспективными направлениями и теми, которые ещё не исследованы. Перспективность направления определяется функцией награды, учитывающей несколько факторо...

Суперинтеллект и обучение в задачах робототехники: что обсуждают на NeurIPS 2025 Продолжаем репортаж с обеих площадок главной ML-конференции года. Новости из американского Сан-Диего читайте в канале ML Underhood. А двумя примечательными докладами из Мехико поделится Дмитрий Быков, руководитель группы AI-планирования робота доставки. Спойлер: речь пойдëт об обучении с подкреплением. The OaK Architecture: A Vision of SuperIntellegence from Experience Выступление Rich Sutton о том, каким он видит с...

MoDAR: Using Motion Forecasting for 3D Object Detection in Point Cloud Sequences Сегодня разберём статью на стыке perception и BL (behavior layer). Объединив очень разные элементы восприятия (perception) и предсказания (prediction) робота, команда Waymo улучшила обнаружение 3D-объектов для детекторов, которые работают с облаками точек и их последовательностями. В чём проблема? Современные системы плохо справляются с обнаружением перекрытых и удалённых объектов. Обработка множества лидарных кадро...

MADrive: Memory-Augmented Driving Scene Modeling Сегодня разберём нашу статью о новом фреймворке для реконструкции дорожных сцен в задачах автономного вождения — MADrive. Он объединяет в себе две идеи: 🔴 3D Gaussian Splatting (3DGS), чтобы реконструировать объекты и сцены, а потом генерировать новые кадры (novel-view synthesis). 🔴 Внешний банк объектов. Он помогает создавать реалистичные кадры с тех ракурсов, для которых не хватало исходных данных. Как это работает Мы декомпозируем сцену на ст...

Топ-5 статей 2025: выбор читателей 404 driver not found Наш канал появился совсем недавно, но подвести промежуточные итоги уже можно. Спасибо, что были с нами в этом году, читали и лайкали! Собрали обзоры, которые понравились вам больше всего: сохраняйте себе и делитесь с друзьями. SimpleBEV: Improved LiDAR-Camera Fusion Architecture for 3D Object Detection О perception много статей с графиками и кодом, но лишь единицы попадают в топ лидерборда nuScenes — главного датасета для автономного вожден...

Learning Personalized Driving Styles via Reinforcement Learning from Human Feedback Обычно планировщики для вождения обучаются на демонстрациях очень разных водителей. Одни предпочитают водить безопасно, другие — быстрее оказываться дома за счёт более рисковых манёвров. Типичная модель-планировщик выдаёт усреднённое вождение. В сегодняшней статье авторы задаются вопросом, как сделать стиль вождения планировщика более выраженным. RLHF (reinforcement learning from human feedback) — тот самый алгор...

Self-Supervised Sparse Sensor Fusion for Long Range Perception Авторы этой статьи предлагают новый подход к long-range perception: sparse-voxel-фьюжн камер и лидара с временным контекстом и SSL-предобучением. Всё это и собственный long-range-датасет позволили решению претендовать на SoTA на бенчмарках. Ключевые фичи: 🔴 Sparse voxel representation вместо BEV помогает скейлиться на дальние расстояния. 🔴 Camera–LiDAR-фьюжн. Изображения с камер обрабатываются по схеме RGBD → Vision Mamba (ViM) → d...

Топ статей 2025: выбор команды 404 driver not found Пока все (и мы тоже) вспоминают, как работать после праздников, предлагаем почитать наши любимые разборы из прошлого года. CenterPoint и TransFusion: обзор двух подходов к задаче детекции Разбор сразу двух статей о SoTA-способах 3D-детекции. RefAV: Towards Planning-Centric Scenario Mining Статья о том, как навайбкодить фильтры и получить «золотые» примеры событий в огромном массиве данных, оперируя полуразмеченым потоком, который записал автомо...