首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    自动驾驶安全挑战:行为决策与运动规划

    在自动驾驶技术发展中,安全性一直作为首要因素被业界重视。行为决策与运动规划系统作为该技术的关键环节,对智慧属性具有更高要求,需要不断地随着环境变化做出当前的最优策略与行为,确保车辆行驶过程中的安全,文中分别对行为决策和运动规划系统进行深层次阐述。首先,介绍行为决策中基于规则的决策算法、基于监督学习的决策算法、基于强化学习的决策算法的算法理论及其在实车中的应用,然后,介绍运动规划中基于采样的规划算法、基于图搜索的规划算法、基于数值优化的规划算法和基于交互性的规划算法,并对算法的设计展开讨论,从安全角度分析行为决策和运动规划,对比各类方法的优缺点。最后,展望自动驾驶领域未来的安全研究方向及挑战。

    04

    机器人运动规划方法综述

    随着应用场景的日益复杂,机器人对旨在生成无碰撞路径(轨迹)的自主运动规划技术的需求也变得更加迫切。虽然目前已产生了大量适应于不同场景的规划算法,但如何妥善地对现有成果进行归类,并分析不同方法间的优劣异同仍是需要深入思考的问题。以此为切入点,首先,阐释运动规划的基本内涵及经典算法的关键步骤;其次,针对实时性与解路径(轨迹)品质间的矛盾,以是否考虑微分约束为标准,有层次地总结了现有的算法加速策略;最后,面向不确定性(即传感器不确定性、未来状态不确定性和环境不确定性)下的规划和智能规划提出的新需求,对运动规划领域的最新成果和发展方向进行了评述,以期为后续研究提供有益的参考。

    00

    入选USENIX ATC 2024|腾讯TQUIC团队最新研究 QDSR:更快更均衡的QUIC流量分发

    其中,腾讯云架构平台部应用框架组TQUIC(https://github.com/Tencent/tquic)团队结合长期的开发和实践经验, 并与南方科技大学李清老师开展前沿研究探索,提出了一种更高效的QUIC流量转发框架QDSR。高动态内容请求和不断增长的下行中继转发服务使得7层QUIC转发工作负载过大,导致运营成本上升和端到端服务质量下降。为了解决这一问题,QDSR采用了QUIC和直接服务器返回(Direct Server Return,DSR)技术,使得真实服务器能够同时直接向客户端发送数据,消除了传统七层过重的冗余中继转发。因此,QDSR不仅仅实现了高性能、低延迟,并且几乎消除了额外的下行链路中继开销,为云服务提供商提供了一种创新且高效的解决方案。此项论文受到了USENIX ATC 2024高度认可并被录用。

    01
    领券