XiaoMi-AI文件搜索系统
World File Search SystemAVS
采用：基于点...
深度神经网络（DNN）越来越多地整合到LiDAR（灯光检测和范围）的自动驾驶汽车（AVS）的感知系统（AVS），在对抗条件下需要稳健的性能。一个紧迫的担忧是LiDAR SPOOFEF攻击所带来的挑战，在该攻击中，攻击者将假物体注入LiDAR数据中，导致AVS误解了周围的环境并做出错误的决定。许多经常出租防御算法主要取决于感知输出，例如边界框。但是，这些输出在本质上受到了限制，因为它们是由从自我车辆的特定视图中获得的一组限制点产生的。对边界框的依赖是这种基本约束的体现。为了克服这些局限性，我们提出了一个新的框架，称为采用（基于名称的基于d eTection o n p oInt级的t emporal一致性），该框架基于连续帧的时间一致性，并基于点簇的相干性来量身定量测量跨连续帧的时间一致性。在我们使用Nuscenes数据集的评估中，我们的算法有效地反驳了各种激光局部攻击，达到了低（<10％）的假阳性比率（<10％）的假阳性比（> 85％）真实的正比，超过了现有的现有的现有的先进防御方法，CARLO和3D-TC2。此外，采用在各种道路环境中表现出有希望的准确防御潜力。
海报：帮助自动驾驶汽车使用UWB
用于机器学习和培训的“知识”来自录制的驾驶视频，无论是与人类驾驶员或自动驾驶。这些大型数据集和实时地图数据旨在为所有可能的情况准备车辆。然而，一次性事件对于AVS仍然具有挑战性。示例（图1）包括载有树木或移动房屋的卡车混淆的AV。也许更重要的是，AV在回应试图通过手势与AV交流的执法人员方面很难；取而代之的是，AV可能试图绕过军官，将军官误认为是行人。我们称之为异常的所有这些一次性事件都是受控情况，涉及卡车司机或执法人员等负责任的人。重要的是要认识到，尽管AV配备了先进的视觉和传感器系统，但它们仍然容易在动态和复杂的交通环境中误解。该项目提议为自动驾驶汽车提供帮助，以更好地理解和导航此类异常。我们计划在携带非常规货物的车辆上安装无线信标（例如，倒下的树木和便携式房屋），类似于当今红色的灯光或警告迹象如何附加到当今此类超大负荷上以帮助人类驾驶员。这样的无线信标将很容易允许衡量与货物的距离，并提供有关卡车货物的3D结构的信息。同样，希望遇到自动驾驶汽车的POLICE官员可能会佩戴无线信标，这些信标可以帮助AV Disambive Pive Pive Pive over and the>
云辅助自主驾驶的钥匙
1引言自动驾驶通过消除人为错误[1]来减少道路死亡[1]，通过改善交通流量[60]并为数百万受残疾人影响的人提供流动性来改变社会的潜力[1]。虽然自动驾驶汽车的部署有限（AVS）是无限的[14]，但仍存在挑战，例如在较差的天气条件和建筑区域中运营[22]。为了应对这些挑战，为提高机器学习的准确性（ML）模型而采取了重大努力[16，52，61，76，88]。但是，更准确的模型通常更加算法[73，90]。因为AV必须以比人类的反应时间快（例如390毫秒至1。2 s [45，87]），在车辆上部署模型需要仔细的运行时和准确性之间的权衡导航，以确保AVS提供高质量的决策和快速响应时间[34，79]。进一步满足严格的绩效要求的挑战，由于体力，热量和稳定性限制以及由于经济现实而导致的车载计算AV可以访问今天受到限制（第3节）；综上所述，结果是在最新的（SOTA）AV硬件上可用的量命令较少，可用于云，该硬件可以实时运行哪些模型。访问更好的计算将为更快地运行更高精度的更大型号提供机会，直接转化为提高安全性。我们建议转向云，该云提供对SOTA硬件的按需访问，因此提供了机会
自治时代的隐私和数据保护...
摘要本文探讨了印度自动驾驶汽车（AV）的法律，技术和监管框架不断发展的景观，重点是隐私，数据保护和网络安全。该研究涉及当前的印度法律，包括《信息技术法》和《个人数据保护法案草案》，并研究了他们在应对AVS所面临的挑战方面的适当性。通过使用国际标准（例如GDPR和美国和中国的特定法规）进行比较分析，该研究确定了印度完善其方法的关键差距和机会。关键字：自动驾驶的监管，隐私和数据保护，AVS中的网络安全第1章：介绍现代技术进化的景观，很少有创新有望像自动驾驶汽车（AVS）那样深刻地彻底改变日常生活。这些自动驾驶汽车具有无需人工干预即可导航的能力，站在朝着更高效，可持续和安全的运输系统转变的最前沿。但是，随着这些车辆从概念模型到印度道路上有形现实的距离更近，它们带来了许多复杂的挑战，这些挑战跨越了技术和法律，尤其是在隐私和数据保护领域。在印度引入的AV不仅是对技术熟练的考验，而且还考察了法律框架在数字时代维护个人权利的能力。使这些车辆能够操作的技术（传感器，相机和数据处理单元）也引起了重大的隐私问题。这些系统不断收集大量数据以有效运行，包括有关乘客常规，旅行模式甚至对话的个人详细信息。这样的数据，如果不当或受到不足的保护，可能会导致前所未有的隐私入侵。这项研究的相关性和及时性是印度最近在数字治理和隐私法方面的进步，例如印度最高法院在法官K.S.Puttaswamy（retd。）vs.印度联盟1，该联盟将隐私视为基本权利。尽管有这些进展，但有关AV和数据隐私的法律论述仍然很新生，并且在很大程度上是未知的。本论文旨在通过关注自动驾驶汽车提出的隐私和数据保护挑战，探索当前法律保护的充分性并确定必要的法律改革所面临的隐私和数据保护挑战来弥合这一差距。
老化粘结转子叶片的评估
支持 FAA AVS 复合计划的关键举措：1）持续运行安全 (COS) A：粘合结构；2）认证效率 (CE) E：粘合结构指导；3）劳动力教育 (WE) B：复合结构技术
老化粘结转子叶片的评估
支持 FAA AVS 复合计划的关键举措：1）持续运行安全 (COS) A：粘合结构；2）认证效率 (CE) E：粘合结构指导；3）劳动力教育 (WE) B：复合结构技术
物流和供应链中自动驾驶汽车的未来
1。简介21世纪的曙光已迎来了开创性的技术进步，自动驾驶汽车（AVS）处于这项革命的最前沿（Sperling，2018； Townsend，2020）[26，32]。自动驾驶汽车，其特征是它们在不干预的情况下进行操作的能力，利用高级传感器，人工智能（AI）和机器学习（ML）技术的组合来导航和做出决策（Blasch等，2021; Khayyam，Javadi，Jalili，Jalili和Jazar，＆Jazar，＆Jazar，＆Jazar，2020）[6，17] [6，17] [6，17]。最初对AV的迷恋主要集中在其在客运中的应用，但它们在物流和供应链管理中的潜在效用已成为探索和创新的现场（Qayyum，usama，qadir，＆al-fuqaha，＆al-fuqaha，2020年）[22]。自动驾驶汽车配备了各种传感器，例如LIDAR（光检测和范围），雷达，相机和GPS系统，它们共同构成了它们的周围环境（Kocić，Jovičić和Drndarević，＆Drndarević，2018; 2018; vargas; vargas，alsweiss，atsweiss，toker，toker，toker，razdan＆razdan，＆sants＆sants＆sants＆sants＆sants＆santsant，20222222222222.2222222.22。这些技术使AV可以做出明智的决定，遇到障碍并遵守交通法，所有这些都没有人类投入。在物流和供应链管理中，AV不仅限于自动驾驶卡车；他们还包括无人机，自动船和仓库机器人，每个机器人在自动化和优化商品移动方面都起着关键作用（Indatious＆Khan，2022）[16]。目前，物流中AV技术的集成处于其偏生阶段，但正在迅速发展。全球公司正在驾驶自动交付车辆，无人机和自动化仓库系统，以提高效率，降低人为错误并降低运营成本。这些举措显着改变了跨供应链运输和管理商品的方式（Rejeb，Keogh，Zailani，Treiblmaier和Rejeb，2020年； Sundarakani，Ajaykumar和Gunasekaran，＆Gunasekaran，2021）
FixDrive：自动修理自动驾驶汽车...
摘要 - 自治车辆（AVS）正在迅速前进，其中4级AVS已经在现实世界中运行。curland Avs仍然落后于人类驾驶员的适应性和表现，通常表现出过度保守的行为，偶尔违反交通法律。现有的解决方案（例如运行时执行）通过自动修复运行时的AV计划轨迹来减轻这种情况，但是这种方法缺乏透明度，应该是最后一个度假胜地的度量。，优先选择AV修复是概括超出特定事件并为用户解释的。在这项工作中，我们提出了Fix d Rive，该框架分析了违反违法行为或法律行为的驾驶记录，以产生AV驾驶策略维修，以减少再次发生此类事件的机会。这些维修是用µ驱动器捕获的，µ驱动器是一种高级域特异性语言，用于针对基于事件的触发器指定驾驶行为。为最先进的自主驾驶系统Apollo实施，Fi d rive识别和可视化驾驶记录中的关键时刻，然后使用零射门学习的多模式大语言模型（MLLM）来生成µ驱动程序。我们在各种基准方案上测试了F IX D Rive，并发现生成的维修改善了AV的性能，相对于以下交通法律，避免碰撞并成功到达目的地。此外，在实践中，修复AV（15分钟的离线分析和0.08美元）的直接成本在实践中是合理的。索引术语 - 自主车辆，自动驾驶系统，多模式大型语言模型，驾驶合规性
![arxiv：2401.04875v1 [CS.SE] 2024年1月10日](/simg/g:\will\search\icon\source\8\824715e11e174127077f7ac81d15b451baebe585.webp)
arxiv：2401.04875v1 [CS.SE] 2024年1月10日
摘要。确保自动驾驶汽车（AV）的安全是他们在社会中接受的关键。这种复杂性是通过在各种情况下使用基于AI的黑盒控制器和周围物体正式证明其安全条件的核心挑战。本文用事件-B进行机械措施来描述我们在建模，得出和证明AV的安全条件方面的策略和经验，以降低复杂性。我们的案例研究针对目标感知责任敏感安全的最先进模型，以争论与周围车辆的相互作用。我们还使用单纯架构来涉及高级黑盒AI控制器。我们的经验表明，可以有效地使用修复机制来逐渐发展复杂的系统。
调查自动驾驶汽车对撞车严重性和交通安全性的影响
交通事故是全国性的公共卫生问题，但是自动驾驶汽车（AV）有可能通过消除其最常见的原因，人为错误来大大降低事故的严重性和频率。通过分析加利福尼亚州汽车部门发布的数据，研究人员确定了影响AV崩溃严重程度的因素，但是，没有一个通过文献综述进行的。本文的目标是多方面的：通过识别和分类导致事故严重性的因素，以制定解决公众安全问题的策略清单，并承认不可避免的碰撞的伦理，以了解和分类导致事故严重性的因素，以了解公共道路上的AVS行动。为了实现这些目标，根据关键字搜索进行了全面的文献综述。在进行多步筛选和排除过程之后，对107个相关出版物进行了详细的审查，并将导致撞车严重程度增加的因素分为14个类别。文献表明，尽管大多数事故中的AV都不是过错的，尽管它们的倾向比传统的汽车更高，该汽车涉及后端碰撞，并且专门设计用于最小化事故的数量，但可能面临不可避免的事故。对于政策制定者和制造商的利益，确定了这些事故的道德困境和7项策略的11种策略，这些策略是针对提高公众看法的AV安全性的7种策略。