Channel
@DriverNotFound
On this record: Topic · Growth · Engagement · Posts · Citations · Cite this entry
1,509subscribers
+57 since we began measuring on 6 August 2026
Risers and fallers across the register · movement among entries of 1,000–3,162.
| Telegram ID | -1002600962160 |
|---|---|
| Type | Channel |
| Username | @DriverNotFound |
| Created | Between 1 March 2025 and 31 July 2025 — estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 6 August 2026 |
| Last confirmed live | 18 September 2026 |
| Measurements held | 13 |
| Confirmed unchanged | 1 time, most recently 18 September 2026 |
| On Telegram | t.me/DriverNotFound |
Technology — a classification, not a measurement. An on-box language model (Qwen3.6-35B-A3B-FP8, prompt version 1) read this channel’s own recent posts on 17 September 2026 and assigned it the closest of 31 fixed categories, at 99% confidence. This is a model’s judgement about what the channel is likely to be about, not a fact this register measured the way a subscriber count or a view count is measured — it can be revised on a later pass, and it carries no weight anywhere else on this page. How this classification works, and why it has no browse page of its own yet.
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 18 Sept 2026, 18:17 | 1,509 | +5 |
| 14 Sept 2026, 03:36 | 1,504 | +7 |
| 10 Sept 2026, 02:39 | 1,497 | +17 |
| 4 Sept 2026, 09:37 | 1,480 | +2 |
| 29 Aug 2026, 09:46 | 1,478 | +5 |
| 26 Aug 2026, 17:45 | 1,473 | +6 |
| 23 Aug 2026, 10:05 | 1,467 | +3 |
| 19 Aug 2026, 21:24 | 1,464 | +3 |
| 16 Aug 2026, 14:08 | 1,461 | +5 |
| 12 Aug 2026, 16:47 | 1,456 | +5 |
| 9 Aug 2026, 15:11 | 1,451 | -1 |
| 6 Aug 2026, 18:47 | 1,452 | no change |
| 6 Aug 2026, 08:02 | 1,452 | first reading |
13 posts held, back to 4 June 2026 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 1 page of Telegram’s post history, 20 posts per page.
Nothing published in the last 30 days. ERR and ER are rolling 30-day measures, so there is nothing to compute — we hold 13 posts for this entry, the most recent from 30 July 2026. An engagement rate over an empty window would be a number about nothing.
FutrTrack: A Camera-LiDAR Fusion Transformer for 3D Multiple Object Tracking Сегодня разберём работу о модульном фреймворке для трёхмерного трекинга множества объектов. Подход основан на совместном использовании трёх типов информации: 📌BEV-фичей, извлечённых из данных камер и LiDAR; 📌detection queries, полученных при уточнении 3D-детекций; 📌track queries, перенесённых с предыдущего кадра. BEV-фичи вычисляют с помо…
RadarDistill: Boosting Radar-based Object Detection Performance via Knowledge Distillation from LiDAR Features Lidar-only детекторы работают заметно лучше, чем radar-only. Причиной тому — разница в качестве данных. Лидар фиксирует более точные и многочисленные точки, в то время как радар склонен выдавать false-positive и false-negative результаты из-за переотражений и других физических тонкостей. Улучшить работу rad…
Вас посетил маленький, но очень громкий робот-рекламщик Время сделать перерыв. Например, перечитать один из наших обзоров ICML 2026: ➡️ Генерация реального города Seoul World Model, memory bias в RL, совместное обучение VLA и WM: что обсуждают на ICML 2026 [1/2] ➡️ Генерация реального города Seoul World Model, memory bias в RL, совместное обучение VLA и WM: что обсуждают на ICML 2026 [2/2] ➡️ Три статьи об автоно…
Безопасность, ускорение end-to-end, prediction в частотной области: чем запомнился ещё один день ICML 2026 В этом году конференция продолжает бить собственные рекорды по количеству участников. В основной программе — 168 устных докладов и почти 5900 постеров. Рассказываем о трёх классных постерах про АТ. CorrectionPlanner: Self-Correction Planner with Reinforcement Learning in Autonomous Driving Авторы предлагают …
Три статьи об автономном транспорте с ICML 2026 Продолжаем рассказ о тематических работах на крупнейшей международной конференции по машинному обучению. Впечателниями делится наш коллега из команды автономного транспорта Иван Дубровин. CoIRL-AD: Collaborative-Competitive Imitation-Reinforcement Learning in Latent World Models for Autonomous Driving Авторы пытаются решить главную проблему imitation learning — выход…
Генерация реального города Seoul World Model, memory bias в RL, совместное обучение VLA и WM: что обсуждают на ICML 2026 [2/2] Продолжаем всё ближе подбираться к автономному транспорту в продолжении обзора работ с ICML, которая прямо сейчас продолжается в Сеуле. DriveWorld-VLA: Unified Latent-Space World Modeling with Vision–Language–Action for Autonomous Driving К сожалению, не получилось пообщаться с авторами. В…
Генерация реального города Seoul World Model, memory bias в RL, совместное обучение VLA и WM: что обсуждают на ICML 2026 [1/2] 6 июля в Южной Корее стартовала одна из крупнейших конференций о машинном обучении — ICML. Участников очень много, работы охватывают самые разные тематики. Личным топом выступлений и постеров, полезных для автономного транспорта, делится наш коллега Иван Дубровин. Seoul World Model На Expo…
Умеют ли трансформеры водить машину? Трансформеры уже умеют писать код, генерировать тексты и рисовать картины. Сегодня разберём нашу статью о том, как в Яндексе используют архитектуры на основе трансформеров для планирования движения и почему это сильно отличается от привычных задач генеративных моделей. Любая система автономного движения опирается на модуль Motion Planner — алгоритм, который несколько раз в секун…
Occupancy Grid Prediction [2/2] Продолжаем серию постов о 3D occupancy perception. В первой части обсудили особенности подхода и общие тренды, а сегодня разберём три актуальные работы. Одна из особенностей Agent Occupancy Grid — воксели агентов движутся и в системе координат мира, и в системе эго-агента. Это значит, что можно предсказывать Occupancy Grid Flow — то есть, направление и скорость перемещения каждого во…
Occupancy Grid Prediction [1/2] Сегодня начнём серию постов о 3D occupancy perception. В первой части обсудим особенности подхода и общие тренды, а в следующей — разберём несколько актуальных работ. Для этого подхода сцену представляют плотной 3D-решёткой (вокселями) с семантикой и метками «занято» или «пусто». В отличие от BEV, в 3D occupancy perception явно моделируют высоту, что критично для сложных городских сц…
VoxelNeXt: Fully Sparse VoxelNet for 3D Object Detection and Tracking Классические dense-подходы, применяемые поверх воксельных featuremap’ов требуют большого количества вычислений и пост-процессинга (например, NMS). Сегодня разберём статью о попытках оптимизировать это. Авторы предлагают решать задачу 3D-детекции на лидарных точках в fully-sparse режиме. Для построения такого детектора используют классический spco…
POV: ведём вас читать обзоры и лучшие статьи ICRA 2026 Сегодня заключительный день конференции. И вот что рассказали о ней наши коллеги: ➡️ Чем запомнился первый день ICRA 2026 ➡️ И ещё одно мнение о первом дне в канале ML Underhood ➡️ Земной автомобиль, луноход или марсианский ровер — на ICRA 2026 припаркуются все ➡️ Заметки о втором дне в канале ML Underhood ➡️ Residual RL, генерация сложных сценариев поведения и…
Showing the 12 most recent of 13 posts we hold for @DriverNotFound. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
Republished by
Channels on the register that have forwarded this channel's posts into their own feed.
Built only from forwarded posts we have actually read, on both sides. Coverage is early and deliberately incomplete: a missing link means we have not read the post that would prove it, never that the relationship does not exist. Counts are distinct forwarded posts observed, so they only ever go up as we read more.
Named by 2 registered channels — every channel on the register whose own posts have named this one, by its current username or any other username it currently holds, merged from two separately captured readings of the same fact so a namer caught by only one of them is not missed and a namer both caught is not counted twice. A username this channel has since dropped is not matched — that handle may belong to someone else now, and crediting today’s namer to yesterday’s owner would misattribute it.
Named by
Channels on the register whose posts name this channel's handle.
Names
Channels on the register whose handles appear in this channel's posts.
A mention is a weaker signal than a forward and is counted separately for that reason — naming a channel is not republishing it, and a handle in a post body is easy to place deliberately. The post counts beside each row below are distinct posts in which the handle appeared, from posts we have read on both sides — the “Named by N registered channels” figure above is a different count, of distinct NAMING CHANNELS rather than posts, and is not the sum of the rows under it.
A live page changes as we take new readings, so a citation should name the measurement it is based on, not just the URL. The line below cites the subscriber count as measured 18 September 2026 — this entry's latest reading, not the date you are reading this.
“404 Driver Not Found” (@DriverNotFound), 1,509 subscribers as measured 18 September 2026. Telegram Register, tgregister.com/channel/DriverNotFound.
Full measurement history, CC BY 4.0. Every reading this register holds for this entry, not just the latest one, as a dated, downloadable record: CSV · JSON. Free to use with attribution to tgregister.com. Each file carries its own generation timestamp, which is the figure to cite for exactly when the data was retrieved.