4)规划:规划问题可以是传统的规则方法,也可以是强化学习或者模仿学习,其中强化学习也需要数据学习惩罚/奖励和策略。目前人们关心规划的地域化和个性化问题,这个比起感知的类似问题解决起来更加困难,比如激进还是保守地进行换道超车和并道汇入。最近有讨论合并预测和规划的解决方法,甚至包括地图定位一起建模,这个没有数据的“喂养”是很难成立的。
- 面向自动驾驶系统的人工智能数据集评估建议
 2025-11-03
- 电动汽车车架模态性能分析
 2025-11-03
- E-NCAP2026对撞后安全的要求V1.0(中)
 2025-10-28
- 美国自动驾驶ADS车辆碰撞事故分析
 2025-10-28
- L2强标之思:莫让纸箱困住自动驾驶的星辰大海
 2025-10-23
- E-NCAP对事故信息附加数据的要求
 2025-10-23
- 特斯拉FSD如何“听声辨位”?揭秘紧急车辆识别黑科技
 2025-10-23
- 特斯拉将为FSD系统新增15种可视化模型
 2025-10-17
- 线束屏蔽效能混响室法 测试能力简介
 2025-10-14
- RainSense:带有降雨雨强标签的自动驾驶环境感知数据集
 2025-10-14











