XiaoMi-AI文件搜索系统
World File Search System车载
利用车载浏览器：自动驾驶汽车中的新型攻击载体
Android Automotive是直接在车载硬件上运行的操作系统和平台。这是一个全栈，开源，高度可定制的平台，为信息娱乐体验提供动力。Android Automotive支持为Android构建的应用以及为Android Auto
精灵与Jarvis：车载智能代理的特征和设计注意事项
广泛的研究提出并研究了IVA。功能目标以及设计功能已被深入讨论。ivas可以支持驾驶和非驾驶相关的任务[3,8]，提供信息和协助任务以减少驾驶员的认知需求[9]，提供反馈以减轻驾驶员情感状况对驾驶安全的影响[4,14]，并促进驱动驾驶经验[10,11]。代理的形式，例如纯语音代理[11]，虚拟药物[3]和体现的代理[9,11]，是车载剂的广泛讨论的特征。其他设计特征，例如语音特征（例如语音性别[1]，语音年龄[6]），语音样式（例如，信息性与对话性[11]，自信与非信任[15]，简化与复杂命令[2]），
有效性和用户对低血糖症的车载语音警告的看法：开发和可行性试验
1 1个数字健康干预中心，管理，技术和经济系，苏黎世，苏黎世，瑞士2号，瑞士2德国4个管理学院，路德维希 - 马克西利亚人 - 苏尼琴，慕尼黑，慕尼黑，德国5号5数字健康干预中心，技术管理研究所，圣加伦大学，圣加伦大学，瑞士圣加伦大学6内分泌学和代谢性疾病系，瑞士，瑞士，瑞士，科学，瑞士，科学，科学，科学，瑞士，科学，瑞士，科学。瑞士苏黎世苏黎世大学医疗保健9瑞士圣加伦大学医学院
基于NSUC1610的车载步进电机控制
NSUC1610 是通过反电动势的大小来进行堵转检测，在马达相位未通电期间，可以检测到 BEMF 电压。但这 不包括全步进模式，因为两个相位始终通电。以下假设在微步进模式下检测失速，BEMF 电压与电机转速成 正比，这样可以判断电机是否运行。由于只有在一相未通电的情况下才能进行测量，因此对 BEMF 电压的观 察非常有限。对于理想的电机，在没有任何负载和损耗的情况下，转子将随着定子磁场持续旋转，并且在相电 流为零时，可以看到 BEMF 电压的峰值。对于实际电机和外加负载，转子将始终滞后于定子磁场。此负载相关 相位滞后将导致固定测量点处 BEMF 电压的负载相关变化。在零相位滞后的情况下，可以测量 BEMF 电压峰 值，并且只能看到反电势与速度的相关性。在与负载变化的情况下，反电势会产生相位滞后，BEMF 电压将从 峰值将出现偏移，当这个电压大于或者小于一个阈值时，这就标志着检测到失步点，电机运动将停止。BEMF 电压测量仅在零电流阶跃期间启用。在零电流阶跃结束时，采样和测量最后一次 BEMF 电压值。这可确保线 圈电流达到零，且 BEMF 电压实际可见。根据电机参数、速度和阶跃模式，零阶跃可能会变短，并且无法获得 明显的 BEMF 电压。此时则无法检测失速。失速检测仅在匀速运动期间进行，在加速或减速期间，BEMF 电压 可能非常低，则不会启用失速检测。具体电流波形如图 2.5 所示：
生成式 AI 支持的车载网络
摘要 — 认识到生成式人工智能的集成可以为智能交通系统带来巨大的改进，本文探讨了生成式人工智能技术在车载网络中的集成，重点关注其潜在的应用和挑战。生成式人工智能具有生成真实数据和促进高级决策过程的能力，与车载网络结合可增强各种应用，例如导航优化、交通预测、数据生成和评估。尽管这些应用前景光明，但生成式人工智能与车载网络的集成仍面临着多项挑战，例如实时数据处理和决策、适应动态和不可预测的环境，以及隐私和安全问题。为了应对这些挑战，我们提出了一个多模态语义感知框架来提高生成式人工智能的服务质量。该框架利用多模态和语义通信技术，能够利用文本和图像数据创建多模态内容，为接收车辆提供更可靠的指导，最终提高系统的可用性和效率。为了进一步提高框架内信息传输和重构的可靠性和效率，以生成式人工智能支持的车对车 (V2V) 为例，提出了一种基于深度强化学习 (DRL) 的资源分配方法。最后，我们讨论了生成式人工智能支持的车载网络领域的潜在研究方向和预期进展。
车载通信后量子密码性能分析
近年来，量子计算 (QC) 越来越受到人们的重视，人们提出了利用量子傅里叶变换通过多项式时间可计算性来解决隐藏子群问题。此外，一些包含隐藏子群的密码方法 [如 RSA (Rivest-Shamir-Adleman) 和椭圆曲线密码 (ECC)] 可能会被 QC 破解。因此，没有隐藏子群的后量子密码 (PQC) 方法 [如基于格、基于多变量和基于代码的密码方法 [1]] 对于防御 QC 攻击具有重要意义。对于车辆通信的安全，已经基于公钥基础设施 (PKI) 设计了安全证书管理系统 (SCMS) [2] 和合作智能交通系统证书管理系统 (CCMS)。然而，这些系统中使用的密码方法都是 ECC，QC 可能会带来安全威胁。因此，可以考虑使用 PQC 方法代替 ECC 来提高安全级别。本研究将调查和讨论应用于 SCMS 和 CCMS 的 PQC 方法。此外，基于格的密码学方法是 PQC 方法的主流技术 [1]。因此，将比较标准基于格的密码学方法（即 Dilithium 和 Falcon）的性能。本研究的主要贡献如下。
自主车载会合评估和防撞原型基础设施 Austin Probe、Graham Bryan、Tim Woodbury、Evan Novak
用于自主机载会合评估和防撞的原型基础设施 Austin Probe、Graham Bryan、Tim Woodbury、Evan Novak Emergent Space Technologies, Inc. Shiva Iyer、Apoorva Karra 和 Moriba Jah 博士 德克萨斯大学奥斯汀分校 摘要 我们正在努力构建一个可扩展的自主会合评估和避免原型基础设施。这包括一个地面枢纽，用于同步来自操作员的状态信息和计划机动并识别潜在的会合，以及用于自主评估和避免碰撞的机载飞行软件。这项工作将作为 NASA STMD 飞行实验的一部分在 2023 年进行。 1. 简介 会合评估 (CA) 是运行卫星安全的最重要组成部分之一，由于低地球轨道任务和星座的激增，其重要性不断增加。当与集群或星座的自主机动相结合时，难度和复杂性会增加，当此类系统开始与其他自主机动系统交互时，难度和复杂性会进一步增加。由于许多大型自主星座（如 SpaceX Starlink、Amazon Kuiper 和其他商业提供商）以及 SDA 和 MDA 计划在未来十年部署的持久 LEO 星座，找到可扩展的解决方案是实现太空可持续性的关键。
使用可解释的人工智能提高基于人工智能的车载入侵检测系统的可信度
摘要 车载入侵检测系统 (IV-IDS) 是用于检测针对电动或自动驾驶汽车的网络攻击的保护机制之一，其中基于异常的 IDS 解决方案在检测攻击尤其是零日攻击方面具有更好的潜力。通常，由于难以区分正常数据和攻击数据，IV-IDS 会产生误报（错误地将正常数据检测为攻击）。它可能导致不良情况，例如系统松懈加剧，或在生成警报后事件处理中的不确定性。借助复杂的人工智能 (AI) 模型，IDS 提高了检测到攻击的机会。然而，使用这种模型是以降低可解释性为代价的，可解释性这一特性在确定其他各种有价值的需求时被认为很重要，例如模型的信任、因果关系和稳健性。由于基于人工智能的复杂 IV-IDS 缺乏可解释性，人类很难信任这样的系统，更不用说知道当 IDS 标记攻击时应该采取什么行动。通过使用可解释人工智能 (XAI) 领域的工具，本论文旨在探索可以根据模型预测产生什么样的解释，以进一步提高基于人工智能的 IV-IDS 的可信度。通过比较调查，在自定义、伪全局、基于可视化的解释（“VisExp”）和基于规则的解释上评估了与可信度和可解释性相关的方面。结果表明，VisExp 提高了可信度，并增强了基于人工智能的 IV-IDS 的可解释性。关键词：入侵检测系统、车载入侵检测系统、机器学习、深度学习、可解释人工智能、可信度。
电动汽车车载集成新型混合可再生能源储能系统建模与分析
摘要：汽车行业和技术非常重视改进汽车，使其更加节省燃料，但与传统汽车技术相比，成本会增加；这些新车包括电动汽车 (EV)、插电式混合动力汽车 (PHEV) 和混合动力汽车 (HEV)。然而，它们在减少石油消耗和实现生命周期效率方面的显著能力为客户、行业、汽车制造商和政策制定者带来了经济效益。本文提出了一种基于可再生能源 (RER) 的 HEV 概念。所提出的 HEV 设计利用太阳能光伏能源、风能、燃料电池和超级电容器 (PV + WE + FC + SC)，通过质子交换膜 (PEM) 和 SC 产生电能，以满足强大的扭矩要求。该车辆结合了电池组和 SC 以满足电力需求，并结合了 FC 作为备用能源。汽车向前行驶时，与涡轮叶片相连的交流发电机利用风能运转，通过交流发电机产生电能为电池充电。该设计旨在确保零碳排放和提高能源效率，重量轻，并采用轮毂电机来消除机械传动。使用 MATLAB® 和 Simulink® 软件包对每个子系统进行建模和仿真。使用 ANSYS Fluent 仿真来分析风能。在设计最终模型时，还考虑了标准分析，例如压力、速度和矢量轮廓。为了调节电力供应和需求，能源的选择由基于规则的监督控制器按照逻辑顺序控制，该顺序优先考虑能源，在车辆走走停停的情况下，SC 是能源，而电池是主要能源，FC 是备用能源，风能和太阳能为电池充电。车辆停放后，太阳能充电会自动开启，控制器在此期间控制交流发电机的能量流。
智能车载交互技术
特斯拉、宝马、戴姆勒等汽车制造商，以及谷歌的 Waymo 和 Apple Car 等大型科技巨头都在向全自动驾驶目标迈进。根据 SAE J3016 自动驾驶分类法 [1]，自动驾驶系统分为六个级别，从 0 级（完全手动）到 5 级（全自动驾驶 [FSD]），这些系统有望在所有地理位置、所有天气条件和所有条件下运行。智能汽车的好处包括减少道路事故、提高安全性、缓解交通拥堵、有效利用通勤时间，以及更重要的是提供愉快舒适的乘坐体验。随着自主性的提高，驾驶员也扮演着乘客的角色，从事非驾驶活动，无法参与交通互动。这会增加混合自动驾驶交通环境的复杂性，因为与行人和骑车人的互动是基于驾驶员的视觉提示。因此，智能汽车还需要自主地与其他交通参与者（如行人、骑车人和其他车辆）进行互动。人车交互 (HVI) 与人机交互 (HRI) 领域密切相关。它涉及理解和塑造人车之间交互动态的问题。具体而言，交互领域涉及感觉、知觉、信息交换、推理和