Jev Autonomes Fahren: Wie wählt die KI die Route?
Dieser Artikel analysiert anhand von Jevs autonomer Fahrtechnologie die Arbeitsteilung zwischen Bilderkennung und Entscheidungsfindung bei der Routenwahl der KI. Link
THE JEV GUIDE · CURATED EDITION
Launch News, Erklärungen, Demos und Community Projekte rund um TypeSafe Jev, nach Themen geordnet. Jeder Eintrag verweist auf die Quelle bei X.
Kuratierte Auswahl · Nicht vollständig · Manuell aktualisiert
Sponsors
Diese Produkte finanzieren das Verzeichnis. Ihres auch hier?
Dieser Artikel analysiert anhand von Jevs autonomer Fahrtechnologie die Arbeitsteilung zwischen Bilderkennung und Entscheidungsfindung bei der Routenwahl der KI. Link
Ein Nutzer vergleicht die neu eröffnete Decision API von OpenAI mit Jev von TypeSafe AI bei realen Robotik-Datenkurationsaufgaben. Bei Routinetätigkeiten sind Geschwindigkeit und Leistung ähnlich. Bei knappen Entscheidungen antwortet Jev oft mit „nicht genug Informationen“, und bei Abweichungen ist Jev genauer.
Ingenieure beginnen, JEV für verrückte Robotik-Projekte zu nutzen – Drohnen, Roboterarme, einen WidowX, eine Schwarm-Simulation und sogar Kubernetes-Logs. Das Beispiel jev-drone steuert einen rein kamerabasierten Skydio X2 Quadrotor in MuJoCo, mit Regelung bei 500 Hz und Jev bei etwa 2,5 Hz.
Ein Blogger teilt einen Drohnen-Test mit Jev und dem Gedächtnis der Fruchtfliege und behauptet eine Entscheidungsgeschwindigkeit von 0,001 ms, was Staunen über die Möglichkeit auslöst.
Dieser Tweet erläutert, dass die Reflexreaktion des Menschen auf plötzliche Hitze eine Analogie zu Jev für Roboter ist, und verlinkt einen Business-Insider-Artikel. Link
One card in the feed, every sixteen, on every page of it. $50 a week, cancel any week.
Der Autor nutzte Google DeepMinds FlyBrain und TypeSafes Jev, um an einer Roboterfliege konditioniertes Lernen zu implementieren, einschließlich Vermeiden, Verfolgen und Fluchtreflex.
Der Autor teilt Erfahrungen mit der Steuerung eines Roboters mit Jev und merkt an, dass Echtzeitsteuerung ein schnelleres Modell erfordert, Jev sich jedoch für Planungsentscheidungen eignet und bei Unsicherheit einen Menschen fragt.
Der Beitrag stellt einen 15-jährigen Entwickler vor, der mit Jev einen Remote-KI-Arbeiter gebaut hat, der bereits in Geschäften in Toronto für 3,75 $ pro Stunde arbeitet. Er teilt auch, wie man das Projekt mit Jev nachbildet, z. B. indem man Jev das Ziel gibt, eine Roboterhand zu steuern.
Dieser Beitrag erwähnt, dass Jev im Bereich Physical AI, abseits der Finanzwelt, eine große Rolle spielt.
Marudan KJ stellt fest, dass das JEV-Modell eine schnelle dynamische Entscheidungsfindung in veränderlichen Umgebungen ermöglicht, die LLMs nicht lösen konnten, und prognostiziert, dass dieses Framework innerhalb eines Monats zur technischen Säule von Physical-AI-Startups wird.
Jev trifft live Entscheidungen zu Stopp/Vorfahrt gewähren/Verlangsamen/Weiterfahren, während lokaler Code lenkt. Die Gesamtkosten für die Fahrt durch die gesamte Stadt betragen nur 0,0208 $.
Der Autor fragt, ob jemand Jev-Stil-Modelle für dynamische Regelungssysteme nutzt, und möchte testen, ob ein solches Modell ein invertiertes Pendel balancieren kann.
Star the project on GitHub to support continued updates and curation.