XiaoMi-AI文件搜索系统
World File Search SystemCARLA
卡拉特报告
分为四个类别：不稳定的情绪，冲动行为，不准确的看法和不稳定的关系（请参阅第3页的“ BPD DSM-5标准和问题”表“ BPD DSM-5标准和问题”）。这些类别相互关联。例如，不稳定的关系会触发情绪，反之亦然。评估BPD时，一个很好的起点是询问持续数分钟到几个小时的效果不稳定。在马克·齐默尔曼（Mark Zimmerman）的研究中，这是该疾病的核心特征。他的团队评估了3,674名患者，发现询问情感不稳定的意义是92.8％，负质量为99％。这表明，如果您的患者具有情感不稳定，则需要对BPD标准进行进一步研究（Zimmerman M等，J Clin Psych 2019; 80（1）：18M12257）。可以在不到10分钟的时间内完成评估BPD的DSM-5标准。对于那些对诊断标签的患者，请在命名该疾病之前审查Cristeria。DSM的分类方法很有用，但不完整，因为它不能识别患者的优势或阐明在内部心理上发生的情况。
Carla -Gear -Iris
摘要 - 对抗性示例代表了几个应用程序域中深层神经网络的严重威胁，并且已经制作了大量的工作来调查它们并减轻其效果。尽管如此，没有太多的工作专门用于评估神经模型的对抗性鲁棒性的数据集的生成。本文介绍了Carla-g Ear，这是一种自动生成与驾驶场景相关的照片真实合成数据集的工具，这些数据集可用于系统评估神经模型的对抗性鲁棒性，以针对物理对抗性斑块，以及比较不同对抗性防御/检测方法的性能。该工具是使用其Python API建立在Carla Simulator上的，并允许在自动驾驶的背景下生成数据集来完成多个视觉任务。生成的数据集中包含的对抗贴片连接到广告牌或卡车的背面，并通过使用最先进的白色盒子攻击策略来制定，以最大程度地提高测试模型的预测错误。最后，本文提出了一项实验研究，以评估某些防御方法针对此类攻击的性能，以表明如何将使用Carla-g e AR生成的数据集用作现实世界中对抗性防御的基准。本文中使用的所有代码和数据集可在http://carlagear.retis.santannapisa.it上获得。
自动驾驶汽车模拟：Carla和...
本文探讨了开源模拟器Carla与自动驾驶汽车（AV）系统的AutoWare，开源软件的集成，以创建一个全面的虚拟测试环境。这种集成可以对具有不可预测的因素和不断变化的环境的动态，现实世界情景的空气反应进行安全且具有成本效益的测试。我们使用Carla 0.9.15和Autoware 2204.01模拟了各种场景，从城市交通到恶劣天气，它们通过基于ROS的桥进行链接，并使用AV传感器作为LiDAR，相机和雷达等AV传感器来镜像现实世界中的配置。绩效指标被收集和分析以确定系统的优势和局限性。调查结果表明，Carla和Autoware集成为端到端的AV模拟提供了一个强大的平台，这对于开发安全，合规和高效的自动运输系统至关重要。
Kyber-E2E提交CVPR的CARLA自主驾驶挑战 计划以计划为导向的自主驾驶
在本文中，我们介绍了Kyber-e2e提交给Carla Automous Driving（AD）Challenge的架构，CVPR2024。我们的解决方案包括经过独立培训的感知和计划模块。此外，我们采用了手工制作的模块来进行本地化和控制，以形成完整的AD管道。我们为精心手工制作的特权代理人提供了培训数据，以培训我们的看法和计划模块。尽管并不完美，但特权代理商成功地将Carla Leaderbaord 2.0中的所有场景成功提供了培训的可靠数据集。感知模块是从特权信息中以有监督的方式培训的。该计划模块最初是使用模仿学习来复制手工制作的特权代理的培训，后来在基于重放的仿真环境中进行了微调。
CARLA LUCINI 简历 - 个人信息
-那不勒斯费德里科二世大学“Federica e-learning”电子平台：“兽医”科目的鱼类解剖学课程（http://www.federica.unina.it/medicina-veterinaria/）
审查碳纤维增强热塑性塑料的回收，重点是聚苯乙烯酮
摘要 - 运动计划算法应在将它们部署到真实车辆中之前对大型，多样化和现实的场景进行测试。但是，现有的3D模拟器通常专注于感知和端到端学习，缺乏运动计划的特定接口。我们提供了一个关注运动计划的Carla模拟器的接口，例如，在交互式环境中创建可配置的测试方案并执行运动计划者。此外，我们引入了一个从基于LANELT的地图到Opendrive的转换器，从而可以在Carla中使用CommonRoad和Lanelet2地图。我们的评估表明，我们的界面易于使用，有效地创建新的方案，并可以成功整合运动计划者以求解CommonRoad方案。我们的工具在commonroad.in.tum.de上以开源工具箱的形式发布。
演示：基于卡拉的自动驾驶汽车的对抗攻击评估
简介。自主驾驶（AD）设想在没有人类干预的情况下导航我们的道路，要求高度的可靠性和安全性。AI在满足这些要求中起着至关重要的作用。将AI集成到AD系统中会引入新的挑战，包括基于AI的AD系统对对抗攻击的脆弱性。这些攻击利用了AI模型中的弱点，损害了它们做出准确决策的能力，这给AD生态系统的整体安全性和功能带来了重大风险。为了解决这个问题，许多先前的工作[2]是在对抗攻击和防御方面进行的。但是，许多研究都集中在数字设置和开放数据集围绕，这些数据集无法完全捕获现实世界情景的复杂性。另一方面，如果没有大量资金，实际实验通常是不可行的，并且会带来安全和道德问题。在本文中，我们提出了一种基于逼真的仿真方法，该方法解决了这一紧迫问题。我们开发了Carla-A3，这是一种工具包，重点是在使用Carla（https://carla.org/）创建的光真逼真的模拟中评估OD在存在对抗性攻击的情况下的鲁棒性。在进行这项研究之前，缺乏开源工具来评估OD对关键交通迹象的对抗性攻击的鲁棒性，尤其是在多样化天气条件下，在光真逼真的模拟中简化了对对抗性交通的创造，渲染和评估。我们的工作弥合了这一差距，并有助于开发测试程序，鲁棒性指标以及对增强AD系统中OD的安全性和可靠性至关重要的见解。