404 Driver Not Found
Channel @drivernotfound
Канал об ML в автономном транспорте от специалистов из Яндекса: разбираем научные статьи, делимся интересными находками, обсуждаем горячие вопросы индустрии. Вопросы и предложения > @yandex_ml_brand
Rating out of 10 5.6 Rating out of 10 5.6 /10 System score · How ratings work
- Subscribers
- 1,554
- Last post
- 3d ago
Collected on 2026-11-21 · not real-time
Introduction
Канал об ML в автономном транспорте от специалистов из Яндекса: разбираем научные статьи, делимся интересными находками, обсуждаем горячие вопросы индустрии. Вопросы и предложения > @yandex_ml_brand
Show the original Telegram description
Канал об ML в автономном транспорте от специалистов из Яндекса: разбираем научные статьи, делимся интересными находками, обсуждаем горячие вопросы индустрии.
Вопросы и предложения > @yandex_ml_brand
Rating breakdown
Algorithm v1 · How ratings workSystem score 5.6 (1 + contributions 4.59) · final 5.6
Dimension Input Value Weight Contribution
Content quality Not reviewed yet (counted as neutral 0.5) · 40% 0.50 40% +1.80
Safety Not reviewed yet (counted as neutral 0.5) · 30% 0.50 30% +1.35
Audience 1,554 subscribers · 12% 0.50 12% +0.54
Recent activity Last post 3d ago · 10% 1.00 10% +0.90
Telegram verified Not verified · 4% 0.00 4% —
Official backlink No linked tools · 4% 0.00 4% —
Recent posts
View all on TelegramMatching Anything by Segmenting Anything
Сегодня разберём статью об элегантном симбиозе foundation-моделей и multi‑object tracking.
Главная проблема трекинга заключается в том, что размечать данные для обучения дорого. Авторы предлагают решение — полностью self‑supervised-подход, который учится ассоциировать объекты, используя только статичные неразмеченные изображения и foundation-модели. Например, SAM или Grounding DINO.
Как это работает: сначала SAM или другая foundation-модель генерирует маски всех возможных объектов для одного изображения. Может получиться до 256 proposal’ов на кадр — …
400 views Media
Risk-Aware World Model Predictive Control for Generalizable End-to-End Autonomous Driving
Почти все современные планнеры в автономном транспорте начинают обучать с имитации эксперта. Этот подход позволяет довольно быстро получить вменяемую модель, но плохо справляется с редкими сценариями — потому что среди обучающих примеров для имитации не было аварий и близких к ним ситуаций. Авторы сегодняшней статьи попробовали сделать наоборот: обучить свой предикшн-контроллер для end2end-планнера только на рисках.
Проектируя Risk-Aware World Model Predictive Control (или просто RaWMPC), его создатели …
707 views Media
Scene-Adaptive Motion Planning with Explicit Mixture of Experts and Interaction-Oriented Optimization [2/2]
Продолжаем разбирать статью о новом learning-based-методе без постобработки. В предыдущем посте обсудили, как работают якоря, роутер и эксперты. Сегодня поговорим о том, как авторы учат модель лучше учитывать взаимодействия с другими участниками движения.
Взаимодействия с другими агентами
По анализу авторов, значительная часть неудач в nuPlan связана с взаимодействиями эго и других машин. Чтобы модель лучше с ними справлялась, авторы адаптируют функцию потерь и добавляют вспомогательн…
830 views
Scene-Adaptive Motion Planning with Explicit Mixture of Experts and Interaction-Oriented Optimization [1/2]
Сегодня начнëм разбирать статью от исследователей компании BYD. Авторы собрали в одну конструкцию три идеи:
🔴 MoE для разных сценариев, где каждый эксперт отвечает за свой тип дорожных ситуаций.
🔴 Отдельные наборы якорных точек, полученные из водительских траекторий для каждого сценария.
🔴 Дополнительный учёт взаимодействия эго с другими участниками движения при обучении.
Это позволило получить SOTA-результат на стандартном исследовательском бенчмарке nuPlan среди learning-based-метод…
1K views Media
Cross-view Transformers for real-time Map-view Semantic Segmentation
Сегодня обсудим статью о том, как решить задачу BEV-сегментации в camera-only-режиме.
Авторы используют данные нескольких камер, информацию об их фокусном расстоянии, повороте и расположении. Изображения с камер эмбеддятся и складываются с позиционными эмбеддингами: MLP поверх вектора, посчитанного с помощью информации о положении камеры. Он сонаправлен с осью объектива и проходит сквозь кодируемый пиксель.
Подход позволяет сэкономить время работы модели: учесть положение камеры относительно эго-машины и окружающего мира, …
1.1K views Media
Similar Telegram resources
Spotted an error? Suggest an update
About the data
Counts, verification and recent posts come from periodic snapshots of Telegram's public pages and are not real-time. Descriptions are edited; the original text is available under the original description.