2020云栖大会智慧出行专场:聚焦高精地图/算法、智能模型、自动驾驶、AR导航

简介: 大量前沿、创新性技术目前已经广泛应用于高德地图各项产品中,本论坛将着重讲述「高精地图、高精算法、智能时空预测模型、自动驾驶、AR导航、车道级技术」等话题,全面解析最新技术进展和场景化的实践经验,并与开发者们一起交流、讨论

2020云栖大会将于9月17日-18日在线举行,届时将通过官网为全球科技人带来前沿科技、技术产品、产业应用等领域的系列重要分享。

阿里巴巴高德地图携手合作伙伴精心筹备了“智慧出行”专场。我们将为大家分享高德地图在打造基于DT+AI和全面上云架构下的新一代出行生活服务平台过程中的思考和实践,同时邀请了合作伙伴和业内资深专家分享行业动态、理论发展方向以及在业界和学术界的最新应用案例。

大量前沿、创新性技术目前已经广泛应用于高德地图各项产品中,本论坛将着重讲述「高精地图、高精算法、智能时空预测模型、自动驾驶、AR导航、车道级技术」等话题,全面解析最新技术进展和场景化的实践经验,并与开发者们一起交流、讨论。

900宽智慧出行.png

欢迎大家预约参加2020云栖大会智慧出行专场

直播地址:https://yunqi.aliyun.com/2020/session31

【讲师/议题摘要】

1.高精算法推动高精地图落地

任小枫.png

分享嘉宾:任小枫 阿里巴巴高德地图首席科学家、研究员

话题摘要:高精地图是自动驾驶走向落地的重要和必要环节,也是高德的一大未来方向。高精地图的生产,在精度、鲜度、效率等方面都提出了全新挑战。要想把高精地图做好,必须有技术上的飞跃。本次分享会从算法出发,整体介绍高德如何打磨和突破关键技术,把高精地图做到业界领先。

2.面向自动驾驶时代的“节奏式”交通控制

李萌.png

分享嘉宾:李萌 清华大学副教授、博导

话题摘要:交通拥堵是困扰人类近百年的全球性难题,随着自动驾驶、车路协同等技术的发展,交通信号灯和道路设计也将迎来一场重大变革。“节奏式”控制是一种面向自动驾驶时代的全新交通控制模式,它从冲突根源出发释放交叉口乃至路网的巨大潜力,描绘出想象力丰富的未来交通画面。本次将主要分享这种全新交通控制模式的技术和应用成果。

3.混合时空图卷积网络:更精准的时空预测模型

晨光.png

分享嘉宾:冀晨光 阿里巴巴高级算法专家

话题摘要:交通预测是智慧出行行业的核心能力,为新一代路线规划、车辆调度等技术的落地提供了重要支撑。高德提出的时空图卷积算法,能巧妙利用海量用户的导航规划信息,“推导”出未来拥堵状况,显著提升预测准确度。本次分享会重点介绍这一业界领先的技术及其在高德业务中的应用。

4.小鹏汽车的自动驾驶技术实践

吴新宙.png

分享嘉宾:吴新宙 小鹏汽车自动驾驶副总裁

话题摘要:小鹏汽车自研的全闭环XPILOT自动驾驶辅助系统,在高速公路实现了准L3级自动驾驶场景表达,可根据导航和路况选择最优车道并自动变道。本次分享将会介绍小鹏汽车如何针对中国特色驾驶场景和用户习惯,融合高精地图,在“自动化”和“本土化”方面实现技术突破。

5.AR&车道级导航技术演进与实践

王前卫.png

分享嘉宾:王前卫 阿里巴巴高级地图技术专家

话题摘要:路径级导航已经把用户快速、准确引导到目的地。如何让用户在导航驾驶中更安全、更简单,做到所见即所得,是我们探索的下一个方向。AR和车道级导航就是利用摄像头将前方道路的真实场景实时捕捉下来,再结合深度学习、视觉定位、位姿融合、场景识别、车道级建模等技术进行融合计算,为用户提供一种全新的导航体验。本次将主要分享其核心技术、阶段成果及未来方向。

作为全球顶尖的科技盛会,云栖大会已经成为科技创新的风向标。今年是云栖大会首次在线举办,以“3+300”的内容场次设置,为全球科技人带来三场主论坛和展厅、100场分论坛和专场、100个城市站点线上线下联动和100大新品发布,涵盖云计算、人工智能、机器学习、量子计算、芯片、AIoT、组织协同、新零售、新金融、数字政府等领域。

大会聚集上千名科学家、技术大咖和国内外知名企业领军人,超过一万名开发者将以在线编程的方式参与到大会当中。同时在35个城市的百个站点设置线上线下联动的“百城汇”会场,与区域经济及产业进行深入互动。

相关文章
|
8天前
|
算法
基于模糊PI控制算法的龙格库塔CSTR模型控制系统simulink建模与仿真
本项目基于MATLAB2022a,采用模糊PI控制算法结合龙格-库塔方法,对CSTR模型进行Simulink建模与仿真。通过模糊控制处理误差及变化率,实现精确控制。核心在于将模糊逻辑与经典数值方法融合,提升系统性能。
|
8天前
|
存储 算法
基于HMM隐马尔可夫模型的金融数据预测算法matlab仿真
本项目基于HMM模型实现金融数据预测,包括模型训练与预测两部分。在MATLAB2022A上运行,通过计算状态转移和观测概率预测未来值,并绘制了预测值、真实值及预测误差的对比图。HMM模型适用于金融市场的时间序列分析,能够有效捕捉隐藏状态及其转换规律,为金融预测提供有力工具。
|
1月前
|
机器学习/深度学习 人工智能 算法
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
手写数字识别系统,使用Python作为主要开发语言,基于深度学习TensorFlow框架,搭建卷积神经网络算法。并通过对数据集进行训练,最后得到一个识别精度较高的模型。并基于Flask框架,开发网页端操作平台,实现用户上传一张图片识别其名称。
81 0
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
|
1月前
|
机器学习/深度学习 人工智能 算法
基于深度学习的【蔬菜识别】系统实现~Python+人工智能+TensorFlow+算法模型
蔬菜识别系统,本系统使用Python作为主要编程语言,通过收集了8种常见的蔬菜图像数据集('土豆', '大白菜', '大葱', '莲藕', '菠菜', '西红柿', '韭菜', '黄瓜'),然后基于TensorFlow搭建卷积神经网络算法模型,通过多轮迭代训练最后得到一个识别精度较高的模型文件。在使用Django开发web网页端操作界面,实现用户上传一张蔬菜图片识别其名称。
84 0
基于深度学习的【蔬菜识别】系统实现~Python+人工智能+TensorFlow+算法模型
|
1月前
|
机器学习/深度学习 人工智能 算法
青否数字人声音克隆算法升级,16个超真实直播声音模型免费送!
青否数字人的声音克隆算法全面升级,能够完美克隆真人的音调、语速、情感和呼吸。提供16种超真实的直播声音模型,支持3大AI直播类型和6大核心AIGC技术,60秒快速开播,助力商家轻松赚钱。AI讲品、互动和售卖功能强大,支持多平台直播,确保每场直播话术不重复,智能互动和真实感十足。新手小白也能轻松上手,有效规避违规风险。
|
1月前
|
分布式计算 Java 开发工具
阿里云MaxCompute-XGBoost on Spark 极限梯度提升算法的分布式训练与模型持久化oss的实现与代码浅析
本文介绍了XGBoost在MaxCompute+OSS架构下模型持久化遇到的问题及其解决方案。首先简要介绍了XGBoost的特点和应用场景,随后详细描述了客户在将XGBoost on Spark任务从HDFS迁移到OSS时遇到的异常情况。通过分析异常堆栈和源代码,发现使用的`nativeBooster.saveModel`方法不支持OSS路径,而使用`write.overwrite().save`方法则能成功保存模型。最后提供了完整的Scala代码示例、Maven配置和提交命令,帮助用户顺利迁移模型存储路径。
|
1月前
|
机器学习/深度学习 人工智能 算法
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
车辆车型识别,使用Python作为主要编程语言,通过收集多种车辆车型图像数据集,然后基于TensorFlow搭建卷积网络算法模型,并对数据集进行训练,最后得到一个识别精度较高的模型文件。再基于Django搭建web网页端操作界面,实现用户上传一张车辆图片识别其类型。
85 0
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
|
3月前
|
机器学习/深度学习 人工智能 算法
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
鸟类识别系统。本系统采用Python作为主要开发语言,通过使用加利福利亚大学开源的200种鸟类图像作为数据集。使用TensorFlow搭建ResNet50卷积神经网络算法模型,然后进行模型的迭代训练,得到一个识别精度较高的模型,然后在保存为本地的H5格式文件。在使用Django开发Web网页端操作界面,实现用户上传一张鸟类图像,识别其名称。
119 12
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
|
2月前
|
机器学习/深度学习 数据采集 算法
如何在一夜之间成为模型微调大师?——从零开始的深度学习修炼之旅,让你的算法功力飙升!
【10月更文挑战第5天】在机器学习领域,预训练模型具有强大的泛化能力,但直接使用可能效果不佳,尤其在特定任务上。此时,模型微调显得尤为重要。本文通过图像分类任务,详细介绍如何利用PyTorch对ResNet-50模型进行微调,包括环境搭建、数据预处理、模型加载与训练等步骤,并提供完整Python代码。通过调整超参数和采用早停策略等技巧,可进一步优化模型性能。适合初学者快速上手模型微调。
120 8
|
2月前
|
机器学习/深度学习 算法 搜索推荐
django调用矩阵分解推荐算法模型做推荐系统
django调用矩阵分解推荐算法模型做推荐系统
43 4

热门文章

最新文章