点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取>>点击进入→自动驾驶之心【大语言模型】技术交流群???? 概括 大家好，我是戚张扬，目前就读于香港大学，今天和大家分享一篇我们关于视觉语言模型最新的研究，这篇论文提供了对谷歌的Gemini和OpenAI的GPT-4V(ision)两个SOTA模型的深入定性比较研究。我们的研究涉及到对这两个模型在视觉语言能力、与人类的互

随着LLM的size越来越大，对MoE模型的训练，一般要采用专家并行(expert parallelism)来分布式加载模型，也就是对于网络的一个MoE层的多个专家，分配到多个设备上，来并行训练。引入负载均衡损失，目的是解决多专家token分布不均的问题。：现有的MoE模型通常使用数量有限的专家（如8个或16个），由于token的知识是丰富多样的，将多样的知识分配给有限的专家，会导致特定专家的to

作者|紫气东来 编辑| 自动驾驶之心原文链接：https://zhuanlan.zhihu.com/p/665644399点击下方卡片，关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『大语言模型』技术交流群本文只做学术分享，如有侵权，联系删文在上一篇关于 RAG 的讨论中已经延伸出了 multi-agent 系统的概念，那么...

这么做的好处很多，可以降低训练收敛的难度且推理时去噪的次数需求更少（指和没有这么做的那些算法，对DDIM的去噪次数的需求，现在也有很多生成算法在研究更少的推理去噪次数）。轨迹Ranker算是部分解答了我DiffusionDrive轨迹稳定性的疑惑，引入多个metric scores，也给了下游更多发挥的空间，但我觉得可以进一步设计成时序的，提升选择的稳定性。从这个观察出发，文中。总的来说，地平线的

由于无法保证模型直出会有100%的准确率，因此会通过一些轨迹的平滑优化算法来使得最终输出的轨迹更加的稳定和可靠，本章会介绍目前一些常用的轨迹平滑算法，既有多模态轨迹打分搜索的算法，也有轨迹平滑的算法。最后的一章重点会对量产的一些经验进行分享，会从数据、模型、场景、规则等多个视角来剖析如何使用合适的工具和手段解决相应的问题，当面临一个实际的可落地的系统时，如何更合理的选用不同的策略和方法，从而能够快

为了解决这些问题，中科院&地平线等团队最提出了GoalFlow，用于生成高质量的多模式轨迹，这是一种有效约束生成过程以生成高质量、多模态轨迹的新方法。此外采用了一种高效的生成方法——流匹配来生成多模态轨迹，并结合了一种精细的评分机制来从候选者中选择最佳轨迹。GoalFlow在Navsim上得到了验证，并取得SOTA结果（90.3的PDMS），大大超过了其他方法，为自动驾驶提供了稳健的多模式轨迹。多

▍文章来源于康谋自动驾驶点击下方卡片，关注“康谋自动驾驶”公众号获取更多自动驾驶资讯01 前言随着智能驾驶技术的发展，端到端的解决方案被越来越多的开发者提及，各大汽车企业争先恐后将端到端智驾方案部署到量产新车型上。过去，智能驾驶方案一直是按照感知、决策、规划、控制这类规则驱动（rule-based）的模块化方法推进，然而规则驱动的模块化方案存在“规则难以穷举、ODD边界模糊、扩展与维护升级困难”等

端到端趋势下，传统规控还有未来么？特斯拉FSD V12的端到端的表现让人眼前一亮，国内也因此开启了新一轮的智驾技术竞赛。不少做规控的小伙伴也在迷茫中寻找方向。端到端真的能取代模块化的链路么？现在入行传统规控会不会太晚了？就汽车人了解，国内端到端落地尚不明朗。在极复杂路口的实车表现还要打一个大大的问号？很多公司仍在demo阶段，还不敢投入主力入场。尤其是对安全性要求更高的L4，传统规控仍然占据主导地

编辑|地平线HorizonRobotics点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群本文只做学术分享，如有侵权，联系删文1月22日，地平线将业内领先的纯视觉自动驾驶算法——Sparse4D系列算法开源，推动行业更多开发者共同参与到端到端自动驾驶、稀疏感知等前沿技术方向的探索中。目前，Sparse4D算法已在GitHub平台上线，开发者可关..

高精地图曾被视为自动驾驶的“灵魂伴侣”，以其厘米级的精度为自动驾驶研发提供了有力支撑。但时效性低、构建成本高昂的问题逐渐浮现。自2022年起，“重感知轻地图”成为自动驾驶界的新潮流。特斯拉、小鹏、理想等头部企业纷纷跟进，先后发布了去高精地图的方案。“重感知轻地图”的核心思想是什么？实时感知！让自动驾驶系统更多地依赖传感器等设备，实时捕捉环境信息，而不是死板地遵循预先设定的地图。这样，系统能更灵活适