XiaoMi-AI文件搜索系统
World File Search SystemAVS
自动驾驶的社会符合社会符合控制
自动驾驶汽车（AV）的控制设计主要集中于实现单独控制的AV或一群合作控制的AV的预定目标。然而，自主驾驶对人类驱动车辆（HV）的影响在很大程度上被忽略了，这可能会导致对乘客和周围交通的安全性有害的利己主义的AV行为。在这项研究中，我们开发了一个具有有用的社会心理学指标，称为社会价值取向（SVO），为AVS的社会符合社会控制设计设计开发了一般框架，以利用AVS来利用其对以下HVS行为的影响。这是至关重要的，因为以社会符合社会的方式行事的AV使人类的驾驶员能够理解其行为并做出适当的反应。在拟议的框架内，我们定义了受控AV的实用程序及其以下车辆，以由AV的SVO确定的加权方式最大化。鉴于AV的目标以及由社会符合社会兼容的AV控件提供的以下HV的好处，公用事业最大化涵盖了一系列设计目标。然后制定出最佳的控制问题，以最大化效用函数定义，该功能使用Pontryagin的最低原理在数值上求解，并提供最佳保证。开发的方法适用于合成社会符合社会符合AV的生态驾驶的控制。提出了一组数值结果，以使用在明尼苏达州55号公路上收集的现实世界实验数据显示拟议方法的机制和有效性。
AI至V2X自动驾驶汽车中的隐私和安全问题：调查
摘要。人工智能（AI）正在改变我们每天使用的所有技术。比以往任何时候都更接近汽车自主权的目标，这已经是长期以来的。大型汽车制造商还花费了数十亿美元来开发自动驾驶汽车（AVS）。在这项新技术的优势中，有可能增加乘客安全性，减少拥挤的道路，交通减少，优化的交通，减少燃油消耗，减少污染和改善的旅行体验。但是，此范式更改也存在新的安全性和隐私问题。以前简单的机械设备，车辆已被计算机化，网络和智能。他们收集了大量数据，必须避免入侵。在本文中，我们研究了AVS中的隐私问题和安全障碍。我们使用逐层方法研究了几次攻击。它总结了这些研究工作的贡献，并根据应用领域对它们进行了分类。它还确定了需要解决的开放问题和研究挑战，以充分实现AI在推进V2X系统中的潜力。我们的目的是提供有关围绕AVS的未解决研究问题的见解，并提出未来的询问路线。
海报：绕过自动驾驶汽车中的基于控制不变的防御
摘要 - 自治车辆（AV）越来越受到黑客的攻击。但是，AVS的系统安全至关重要，因为任何成功的攻击都会导致严重的经济损失，设备损失甚至人类生命的损失。评估新算法的良好安全原则是表明该提案对强大的对手有抵抗力。因此，在这张海报中，我们意识到最糟糕的攻击类型，称为隐形攻击，对转向控制系统，这对于AVS的横向控制很重要。我们提出的隐形攻击的核心是使用模型预测性控制（MPC），状态空间模型（SSM），系统识别（SI）和动态时间扭曲（DTW）允许攻击者准确模拟系统行为，从而允许它们执行不可检测的攻击。
联邦登记册/卷。 90，第23号/2月5日，星期三，...
自动轨道车辆（AVS）。每个导轨AV都由电池和牵引电动机推动，并具有必要的传感器，收音机和计算机要独立。通过手持控件或通过调度中心，AV会收到指示单独移动的说明（例如2个带有一个容器的AV）或一组AVS以排在排中。1请愿人指出，在测试了AVS的制动系统和MXV Rail拥有的测试站点的其他组件后，该计划将在佐治亚州中部的160英里轨道上进行七个阶段，2阶段，2阶段，以逐步测试并旨在促进技术和收集数据以支持安全案例。请愿人士指出，该技术的目的是为较小的货运铁路提供一个有意义地竞争容器短运输的机会，该技术将为环境，经济，国家高速公路系统和社区提供公共利益，并受到容器高速公路运输的影响不足。请愿者认为，‘安全是拟议计划的重点''，请愿人已经开发了并将遵守提交的试点测试安全计划（安全计划）（安全计划），以确保在测试过程中安全。请愿人解释“安全计划包括用于危害分析，控制和验证控制措施的协议，这些方案将由六个技术工作组进行审查，他们将考虑与每个阶段相关的风险以及减轻每个风险的必要措施。'该程序将使用“在每个阶段执行的测试结果”''''“评估程序的安全性”。''请愿者规定，该计划在提交的图表B中详细介绍，‘是基于结构紧密的七个阶段，并密切监控了现场测试。''该程序将收集“数据和服务历史记录”，然后收集“评估系统的设计，其组件和相关操作程序的变化，以支持在程序之外提出的任何拟议使用系统之前，以支持进一步测试。'该程序包括一个结构化的测试阶段，以“允许收集和评估操作数据逐渐更复杂的操作条件”。
深jariwala-cv 1 div>
•材料奖，金属矿物质和材料协会（TMS）2021•杰出校友奖，IIT-BHU全球校友协会2019年•美国国家工程学院美国工程领域（NAE-FOE）Inspitee 2019•陆军研究办公室研究办公室研究办公室计划奖（ARO-y-YIP）奖（ARO-y-YIP）奖，2019年•NANAMATIAL SAWER•ACS NANAMATIALS•ACS AN AN AN AN AN AN AN AN AN AN AN AN AN AN NAN 2018 AN NAN 2018-21•福布斯，30岁以下30岁以下科学2018年•当选为Sigma XI，科学研究荣誉学会，成为正式成员2017年•美国真空学会（AVS）纳米量表科学与技术部早期职业奖2017年•理查德·L·格林奖•实验材料物理学的理查德·格林（Richard L. E. Hilliard研讨会2015年•加利福尼亚理工学院2015 - 17年的Resnick奖，2015 - 17年•2015年材料研究协会（MRS）研究生奖•IEEE DIELECTRIC＆ELECTRICAL SISTICAL SICTICAL SOCIACTAUTION SORICICATION研究生研究生奖学金2015年2015 2014年量表科学与技术部学生奖•ASM芝加哥地区分会研究生奖2014•杰出研究员奖，国际纳米技术学院2014•SPIE Optics＆Photics＆Photonics教育奖学金2014-15
Avstack：一个开源，可重新配置的自动驾驶汽车开发平台
自动驾驶汽车（AV）的先驱承诺将彻底改变驾驶体验和驾驶安全性。但是，AV中的里程碑的实现比预测慢。罪魁祸首包括（1）所提出的最先进的AV组件缺乏可验证性，以及（2）进行下一级评估的停滞，例如车辆到基础设施（V2I）和多主体协作。部分地，进展受到了：AV中的大量软件，摩尔群体不同的约定，跨数据集和模拟器进行测试的难度以及先进的AV Components的僵化性。为了应对这些挑战，我们提出了Avstack 1，2，一个开源，可重新配置的AV设计，实施，测试和分析的软件平台。Avstack通过在数据集和基于物理的模拟器上启用首个贸易研究来解决验证问题。avstack将停滞问题作为一个可重构的AV平台，建立在高级编程语言中的数十个开源AV Component上。我们通过在多个基准数据集中的纵向测试和V2I合作案例研究中证明了Avstack的力量，这些案例研究探讨了设计多传感器，多试剂算法的权衡。
关键场景的多目标增强学习...
自动驾驶汽车（AVS）在没有人类干预的情况下做出决定。因此，确保AVS的可靠性至关重要。尽管在AV开发方面进行了重大研究和发展，但由于其操作环境的复杂性和无预测性，它们的可靠性仍然是一个重大挑战。基于方案的测试在各种驾驶场景下评估了AVS，但无限数量的潜在方案突出了识别可能违反安全或功能要求的关键场景的重要性。此类要求本质上是相互依存的，需要同时进行测试。为此，我们提出了MOEQT，这是一种新型的多目标增强学习（MORL）的方法，以生成关键场景，同时测试相互依存的安全性和功能要求。MOEQT将包络Q学习作为Morl算法，该算法会动态调整多目标权重以平衡多个目标之间的相对重要性。MOEQT通过动态与AV环境进行动态交互，生成关键场景，以违反多PLE要求，从而确保全面的AV测试。我们使用高级端到端AV控制器和高保真模拟器评估MOEQT，并将MOEQT与两个基准进行比较：随机策略和具有加权奖励函数的单对象RL。我们的评估结果表明，MOEQT在确定违反多个要求的关键方案方面取得了更好的表现。
北卡罗来纳州 - 运输部
秘书美国运输部秘书1200新泽西大街，华盛顿特区20590，亲爱的秘书Buttigieg，请接受有关每个人（创建或“创建或“项目”）授予美国交通运输部的高级交通技术和创新（Attain）计划（Attain）计划的互联，农村，公平和自主运输的支持信。创建北卡罗来纳州交通运输部（NCDOT）的愿景和战略（由综合出行司（IMD）领导）与运输机构和领导人，私营企业和研究界合作，以使用高级技术为农村地区的农村地区的运输贫困社区提供负担得起的，方便，安全和扩展的交通服务。Create将通过利用软件和自动化车辆（AVS）（也称为“ Microtransit”）在按需运输服务（也称为“ Microtransit”）中驾驶先进运输技术的未来。该项目将建立在威尔逊市流行的Microtansit服务以及最近为每个人提供的移动性的基础上，北卡罗来纳州（MEE NC）的各个计划都可以解决服务差距和未满足需求，同时还可以收集数据以了解与AVS和AVS和ONEAGENDEMAND TRANSIT服务相关的骑手偏好和行为。该项目将部署常规车辆，以支持AVS目前无法运行的高速道路上的设施扩大的覆盖范围。将五个混合动力AV集成到舰队中。定性和定量数据ncdot IMD将与May Mobility，VIA，美国社区运输协会（CTAA）和北卡罗来纳州农业技术（NC A＆T）州立大学合作完成以下任务：扩展现有的Microtransit服务领域，以包括主要的就业机会中心和其他社区中心。试行骑手确保乘车工作，医疗预约，护理中心以及其他预先计划的旅行的预定选择。骑手将能够在常规车辆和AV之间进行选择，以完成旅行。
ScienceDirect
今天，全球自动驾驶汽车（AVS）在现实世界中正在进行广泛的道路测试，有些人已经进行了积极的服务。然而，由于实际驾驶事件的“长尾巴”，4级以上的自主驾驶仍然是一个重要的挑战，这意味着在很少发生安全的情况下，AVS可能是不安全的（Jain等，2021）。在AV应用程序堆栈中，运动计划模块是解决此瓶颈的关键之一，因为它决定了AV的驾驶政策。通过从专家演示的大规模驾驶数据集中学习，模仿学习（IL）已被利用为现实世界交通情况的核心计划者，例如未签名的乡村道路（Pomerleau，1989），公路（Bojarski et al。，2016），以及2020 Al。