تقوم وايمو بتوسيع اختبارات المركبات ذاتية القيادة إلى أربع مدن إضافية، بما في ذلك فيلادلفيا، كجزء من استراتيجيتها لتعزيز وجودها في سوق النقل الذاتي. تأتي هذه الخطوة بعد حصول الشركة على موافقة من إدارة المركبات في كاليفورنيا لزيادة خريطة عملياتها للمركبات بدون سائق.

Waymo está ampliando sus pruebas de vehículos autónomos a cuatro ciudades adicionales, incluida Filadelfia, como parte de su estrategia para aumentar su presencia en el mercado de transporte autónomo. Este movimiento sigue a la reciente aprobación de la DMV de California para aumentar su mapa operativo para vehículos sin conductor.

Waymo étend ses tests de véhicules autonomes à quatre nouvelles villes, dont Philadelphie, dans le cadre de sa stratégie visant à renforcer sa présence sur le marché du transport autonome. Ce mouvement fait suite à l'approbation récente de la DMV de Californie pour élargir sa carte opérationnelle pour les véhicules sans conducteur.

Waymo is expanding its autonomous vehicle testing to four additional cities, including Philadelphia, as part of its strategy to enhance its presence in the autonomous transportation market. This move follows the company's recent approval from the California DMV to increase its operational map for driverless vehicles.

Waymo's testing AVs in four more cities, including Philly

This is today&#8217;s edition of The Download, our weekday newsletter that provides a daily dose of what&#8217;s going on in the world of technology. Everything you need to know about AI and coding AI has already transformed how code is written, but a new wave of autonomous systems promise to make the process even smoother and less&#8230;

تناقش أحدث إصدار من The Download من MIT Technology Review التأثير التحويلي للذكاء الاصطناعي (AI) على ممارسات البرمجة وتسلط الضوء على تقدم وايمو في تكنولوجيا السيارات ذاتية القيادة. تعمل دمج الذكاء الاصطناعي على تسريع عمليات البرمجة، بينما تقوم وايمو بتوسيع خدماتها من المركبات المستقلة في كاليفورنيا، مما يمثل معالم مهمة في كلا المجالين.

La última edición de The Download de MIT Technology Review discute el impacto transformador de la inteligencia artificial (IA) en las prácticas de codificación y destaca los avances de Waymo en la tecnología de coches autónomos. La integración de la IA está agilizando los procesos de codificación, mientras que Waymo está expandiendo sus servicios de vehículos autónomos en California, marcando hitos significativos en ambos campos.

La dernière édition de The Download de MIT Technology Review aborde l'impact transformateur de l'intelligence artificielle (IA) sur les pratiques de codage et met en lumière les avancées de Waymo dans la technologie des voitures sans conducteur. L'intégration de l'IA rationalise les processus de codage, tandis que Waymo étend ses services de véhicules autonomes en Californie, marquant des jalons significatifs dans les deux domaines.

The latest edition of The Download from MIT Technology Review discusses the transformative impact of artificial intelligence (AI) on coding practices and highlights Waymo's advancements in driverless car technology. The integration of AI is streamlining coding processes, while Waymo is expanding its autonomous vehicle services in California, marking significant milestones in both fields.

The Download: AI and coding, and Waymo’s aggressive driverless cars

arXiv:2512.03004v1 Announce Type: new 
Abstract: Autonomous driving needs fast, scalable 4D reconstruction and re-simulation for training and evaluation, yet most methods for dynamic driving scenes still rely on per-scene optimization, known camera calibration, or short frame windows, making them slow and impractical. We revisit this problem from a feedforward perspective and introduce \textbf{Driving Gaussian Grounded Transformer (DGGT)}, a unified framework for pose-free dynamic scene reconstruction. We note that the existing formulations, treating camera pose as a required input, limit flexibility and scalability. Instead, we reformulate pose as an output of the model, enabling reconstruction directly from sparse, unposed images and supporting an arbitrary number of views for long sequences. Our approach jointly predicts per-frame 3D Gaussian maps and camera parameters, disentangles dynamics with a lightweight dynamic head, and preserves temporal consistency with a lifespan head that modulates visibility over time. A diffusion-based rendering refinement further reduces motion/interpolation artifacts and improves novel-view quality under sparse inputs. The result is a single-pass, pose-free algorithm that achieves state-of-the-art performance and speed. Trained and evaluated on large-scale driving benchmarks (Waymo, nuScenes, Argoverse2), our method outperforms prior work both when trained on each dataset and in zero-shot transfer across datasets, and it scales well as the number of input frames increases.

تم تقديم Driving Gaussian Grounded Transformer (DGGT) كإطار جديد لإعادة بناء المشاهد الديناميكية للقيادة بسرعة وقابلية للتوسع باستخدام صور غير موضوعة، مما يعالج قيود الأساليب الحالية التي تتطلب معايرة كاميرا معروفة وتحسينًا لكل مشهد. تتيح هذه الطريقة إعادة البناء مباشرة من الصور النادرة وتدعم تسلسلات طويلة مع وجهات نظر متعددة.

Se ha presentado el Driving Gaussian Grounded Transformer (DGGT) como un nuevo marco para la reconstrucción 4D rápida y escalable de escenas de conducción dinámicas utilizando imágenes no posicionadas, abordando las limitaciones de los métodos existentes que requieren calibración de cámara conocida y optimización por escena. Este enfoque permite la reconstrucción directamente a partir de imágenes dispersas y admite secuencias largas con múltiples vistas.

Le Driving Gaussian Grounded Transformer (DGGT) a été introduit comme un nouveau cadre pour la reconstruction 4D rapide et évolutive de scènes de conduite dynamiques à partir d'images non posées, répondant aux limitations des méthodes existantes qui nécessitent une calibration de caméra connue et une optimisation par scène. Cette approche permet la reconstruction directement à partir d'images rares et prend en charge de longues séquences avec plusieurs vues.

The Driving Gaussian Grounded Transformer (DGGT) has been introduced as a novel framework for fast and scalable 4D reconstruction of dynamic driving scenes using unposed images, addressing the limitations of existing methods that require known camera calibration and per-scene optimization. This approach allows for reconstruction directly from sparse images and supports long sequences with multiple views.

Waymo's testing AVs in four more cities, including Philly

Was this article worth reading? Share it

Mirava

Adaptive Privacy Policy Generator

Vermeer