Beyond Sight: Distance-Aware LVMs for Smarter Navigation
Notice bibliographique
Résumé
Large Vision Models (LVMs) have shown impressive skills in understanding and generating image descriptions.However, to further improve the decision-making abilities of self-driving cars and enable truly autonomous navigation, it is important to augment these models with reasoning and distance measurement capabilities.By integrating computer vision techniques that can accurately estimate distances to various objects from visual cues alone, LVMs handling perceptual inputs for self-driving cars would be able to provide more precise, detailed, and contextually relevant descriptions of the driving environment.This would allow the vehicle's decisionmaking system to make better-informed choices and efficiently navigate complex real-world scenarios.Descriptions include estimated distances between vehicles and objects like cars, pedestrians, traffic signs, and lane markings.Rather than just describing what an image shows, the LVM could depict the scene with numerical distance values between the key objects.With enhanced reasoning and metric spatial awareness from estimated distances, LVMs processing self-driving cars' images would support better-informed navigation and manoeuvre choices in diverse conditions.The vehicle would have a more quantitative understanding of its surroundings to assist autonomous decision-making.By applying this augmented perception, our assisted driving system may be able to improve road safety.It can gauge distances accurately in real time using camera inputs alone.This allows the system to make informed decisions regarding safe following distances and provide alerts to the driver.Our enhanced perception module has the potential to reduce accidents by helping drivers maintain a safer distance from vehicles ahead.Our assisted driving system could decrease collisions by monitoring the road ahead and advising the driver on safe distances.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».