XiaoMi-AI文件搜索系统
World File Search SystemCAVS
概率3D多对象合作跟踪，用于自动驾驶通过可区分的多传感器kalman filter
摘要 - 当前的最新自动驾驶车辆主要依靠每个传感器系统来执行感知任务。这样的框架的可靠性可能会受到阻塞或传感器故障的限制。为了解决这个问题，最新的研究建议使用车辆到车辆（V2V）通信与他人共享感知信息。但是，大多数相关的作品仅着眼于合作探测，并让合作社跟踪一个未充满刺激的研究领域。最近的一些数据集（例如V2V4Real）提供3D多对象合作跟踪基准。但是，他们提出的方法主要使用合作检测结果作为标准单传感器Kalman滤波器基于基于Kalman滤波器的跟踪算法的输入。在他们的方法中，可能无法正确估计来自不同连接的自动驾驶汽车（CAVS）的不同传感器的测量不确定性，以利用基于卡尔曼滤波器的基于卡尔曼滤波器的跟踪算法的理论优化属性。在本文中，我们提出了一种新颖的3D多对象合作跟踪算法，用于通过可区分的多传感器卡尔曼滤波器自动驾驶。我们的算法学会了每种检测的测量不确定性，以更好地利用基于卡尔曼滤波器基于卡尔曼滤波器的跟踪方法的理论属性。实验结果表明，与V2V4REAL中最新方法相比，我们的算法仅用0.037倍的通信成本提高了17％的跟踪精度。我们的代码和视频可在URL和URL上找到。
柔软的空中机器人，用于碰撞弹性和接触反应式栖息
广泛的研究制定了生态驾驶策略，以使交通平稳并减少信号交叉点的能量融合和排放。这项研究的第一部分（Zhang and du，2022）为以生态驾驶（PCC-edriving）开发了一种新颖的以排为中心的控制，考虑到涉及连接和自动驾驶汽车（CAVS）和人类驱动的车辆（HDVS）的混合流动。此PCC涡流是通过混合模型预测控制（MPC）系统来数学实现的，并通过基于主动集的最佳条件分解算法（AS-OCD）解决。它生成离散的控制定律，以使排接近，根据需要将其分为子平原，然后平稳有效地通过交叉点。尽管数值实验验证了有效性，但未研究混合MPC系统和溶液算法的理论特性。因此，本研究的第二部分侧重于这些理论分析。主要是，我们首先分析并证明了MPC的顺序可行性和混合系统切换可行性，以确保混合MPC系统的控制连续性。接下来，我们考虑了CAV控制不确定性，并证明了强大的MPC控制器的输入到州稳定性。这些证据理论上确保了混合MPC系统的有效性和鲁棒性。最后，我们证明了AS-OCD算法的解决方案最优性和收敛性。它证实，AS-OCD算法可以通过线性转化性速率找到MPC优化器的全局最佳解决方案。
加拿大自动车辆倡议揭示了大胆的视觉
渥太华，2024年3月27日 - 今天正式启动了加拿大自动车辆倡议（CAVI），这是运输发展的历史性时刻。cavi是一个新的与工业利益相关者，各级政府和学术界有关的协会，他们参与了不断扩展的生态系统的一个或多个方面，用于连接和自动化的车辆（CAV）。骑士不再仅适用于乘用车。他们已经扩展到许多其他市场领域，包括机器人税，公共交通（公共汽车和班车），货运（长途距离，中途和本地交付），物流（仓库，港口等）服务和维护车辆，机场，采矿和耕种。以对创新，协同作用和可持续性的承诺，旨在加快全国各种自动化车辆的开发和采用。Cavi总裁Barrie Kirk说：“我对Cavi的推出感到非常兴奋。 广泛的共识是，加拿大在骑士涉及的不同群体之间需要更多的协同作用。 Cavi将既是CAV生态系统的论坛，也是一个声音。 从历史上看，加拿大一直是电信，卫星和许多其他领域的领导者。 加拿大也可以成为CAV生态系统的领导者。”卡维的目标如下：Cavi总裁Barrie Kirk说：“我对Cavi的推出感到非常兴奋。广泛的共识是，加拿大在骑士涉及的不同群体之间需要更多的协同作用。Cavi将既是CAV生态系统的论坛，也是一个声音。从历史上看，加拿大一直是电信，卫星和许多其他领域的领导者。加拿大也可以成为CAV生态系统的领导者。”卡维的目标如下：
边缘计算可以使用5G网络满足自动车辆服务的要求？
摘要 - 支撑连接和自动化车辆（CAV）的通信和计算服务的特征是响应时间和可靠性方面的严格要求。满足这些要求对于确保道路安全和交通优化至关重要。在车辆中托管这些服务的概念上简单解决方案增加了成本（主要是由于计算基础架构的安装和维护），并且可能会过多地排出电池电池。可以通过多访问边缘计算（MEC）来解决此类缺点，该计算包括在靠近设备的网络节点中部署计算能力（在这种情况下为车辆），以满足严格的CAV要求。但是，在哪些条件下，MEC可以支持CAV要求和哪些服务。为了阐明这个问题，我们使用众所周知的开源仿真工具，即Omnet ++，SimU5G，静脉，INET和Sumo进行了模拟活动。因此，我们能够为MEC提供CAV的现实检查，并指出MEC中必须安装的计算能力，以支持不同的服务以及单个MEC节点可以支持的车辆数量。我们发现，根据所考虑的服务，此类参数必须有很大差异。这项研究可以作为网络运营商计划未来部署MEC来支持CAV的初步基础。索引项-5G模拟； MEC;连接和自动车辆
对连接和自动驾驶汽车网络网络中入侵检测系统的对抗攻击
摘要：机器学习中的分解助长了连接和自动驾驶汽车（CAV）的快速进步，但它们遇到了对抗性攻击的重大风险。本研究探讨了基于机器学习的入侵检测系统（IDSS）在车内网络（IVN）中的脆弱性（IDSS）到对抗性攻击，从而从对操纵CAV感知模型的常见研究转移了重点。考虑到IVN数据的相对简单性质，我们评估了基于IVN的IDS对操纵的敏感性，这是一种至关重要的检查，因为对抗性攻击通常会利用复杂性。我们使用替代IDS提出了一种对抗性攻击方法，该替代ID经过培训的诊断端口数据。在遵守现实的IVN流量限制的同时，在黑盒条件下进行这些攻击时，我们的方法试图欺骗ID，以误解了正常情况到恶意和恶意的案例。对两个IDS模型的评估（基线ID和最先进的模型，即MTH-IDS）呈现了实质性的漏洞，将F1得分从95％降低到97％，并从97％降低到79％。值得注意的是，诱导虚假警报被证明是一种对抗性策略特别有效，破坏了用户对国防机制的信任。尽管基于IVN的IDS的简单性，但我们的发现揭示了可能威胁到车辆安全的关键漏洞，并且需要仔细考虑基于IVN的IDSS的开发以及对IDSS警报的响应的制定。
![arXiv:2307.12745v2 [cs.LG] 2024 年 8 月 22 日](/simg/6\6c4f3868123df860f2d153c53cd3ff773c1e04de.webp)
arXiv:2307.12745v2 [cs.LG] 2024 年 8 月 22 日
深度学习模型由于其规模、结构和训练过程中固有的随机性而变得复杂。数据集的选择和归纳偏差也带来了额外的复杂性。为了解决这些可解释性挑战，Kim 等人 (2018) 引入了概念激活向量 (CAV)，旨在从与人类一致的概念的角度理解深度模型的内部状态。这些概念对应于潜在空间中的方向，使用线性判别式进行识别。虽然该方法最初应用于图像分类，但后来被应用于其他领域，包括自然语言处理。在这项工作中，我们尝试将该方法应用于脑电图 (EEG) 数据，以解释 Kostas 等人的 BENDR (2021)，这是一个大规模 Transformer 模型。这项工作的一个关键部分涉及定义解释概念并选择相关数据集来为潜在空间中的概念打下基础。我们重点关注脑电图概念形成的两种机制：使用外部标记的脑电图数据集和应用解剖学定义的概念。前一种方法是图像分类方法的直接概括，而后一种方法是新颖的，并且特定于脑电图。我们提供的证据表明，这两种概念形成方法都可以为深度脑电图模型学习到的表示提供有价值的见解。
零-X：一个支持区块链的开放式联合学习框架，用于IOV中的零日攻击检测
摘要 - 车辆互联网（IOV）是智能运输系统（ITS）的至关重要技术，它将车辆与互联网和其他实体集成在一起。5G和即将到来的6G网络的出现具有巨大的潜力，可以通过启用超可靠，低延迟和高带宽通信来改变IOV。然而，随着连接性的扩大，网络安全威胁已成为一个重大问题。零日（0天）攻击的数量增加，该问题进一步加剧了问题，该攻击可以利用未知的漏洞并绕过现有的入侵检测系统（IDSS）。在本文中，我们提出了零X，这是一个创新的安全框架，可有效检测0天和N天攻击。该框架通过将深层神经网络与开放式识别（OSR）相结合来实现这一目标。我们的方法介绍了一种新颖的方案，该方案使用区块链技术来促进零X框架的可信赖和分散的联合学习（FL）。该计划还优先考虑隐私保护，使CAV和安全操作中心（SOC）在保护其敏感数据的隐私的同时贡献其独特的知识。据我们所知，这是第一项将OSR与隐私保护FL结合使用的工作，以在IOV领域识别0天和N天攻击。最近两个网络流量数据集的深入实验表明，所提出的框架达到了高检测率，同时最大程度地降低了误报率。与相关工作的比较表明，零X框架的表现优于现有解决方案。
车辆跟驰算法的建模与分析对燃油经济性的改善
通讯作者：Ozgenur Kavas-Torris（电子邮件：kavastorris.1@osu.edu）摘要地面车辆的连通性使车辆能够彼此共享关键车辆数据，例如车辆加速度。另一方面，使用摄像头、雷达和激光雷达等传感器，可以检测到领头车辆和主车辆之间的车内距离以及相对速度。协作自适应巡航控制 (CACC) 以地面车辆连通性和传感器信息为基础，形成具有自动跟车功能的车队。CACC 还可用于提高车队中车辆的燃油经济性和移动性能。本文介绍了 3 种用于提高 CAV 燃油经济性的跟车算法。设计了一种自适应巡航控制 (ACC) 算法作为比较的基准模型。设计了一种协作自适应巡航控制 (CACC)，它使用通过 V2V 接收到的领头车辆加速度进行跟车。开发了一种生态合作式自适应巡航控制 (Eco-CACC) 模型，将前车的不稳定加速度视为需要减弱的干扰。设计了一种高级 (HL) 控制器，用于在前车驾驶员不稳定时进行决策。运行模型在环 (MIL) 和硬件在环 (HIL) 仿真，以测试这些跟车算法的燃油经济性性能。结果表明，当前车不稳定时，HL 控制器能够通过使用 CACC 和 Eco-CACC 获得平滑的速度曲线，并且比 ACC 控制器消耗更少的燃料。关键词：跟车；自适应巡航控制 (ACC)；合作式自适应巡航控制 (CACC)；生态合作式自适应巡航控制 (Eco-CACC)；燃油经济性。
自动驾驶汽车风险分析研讨会
计划 自动驾驶汽车风险分析研讨会：问题和未来方向 2019 年 4 月 26 日 Kay 1-2 董事会会议室 马里兰大学 A.J. Clark 工程学院 美国马里兰州帕克分校 8:00-8:30 注册、咖啡和甜甜圈 8:30-8:45 欢迎辞和目标 Mohammad Modarres 教授，马里兰大学 (UMD) 杰出工程学教授 Nicole Y. Kim Darryll J. Pines 教授，马里兰大学 A.J. Clark 工程学院 Nariman Farvardin 教授兼院长 8:45-9:15 赞助商信息：ASME 和福特汽车公司对自动驾驶汽车的兴趣（M. Pourgolmohamad 博士，ASME SERAD 当选主席、江森自控公司高级经理，主持人） Said Jahanmir 博士，ASME 主席 Vasiliy Krivtsov 博士。福特汽车公司可靠性分析总监 9:15 – 10:15（第一部分） 联网自动驾驶汽车的安全和协调框架的进步（Mark Fuge 博士，马里兰大学助理教授，主持人） Phil Koopman 教授，卡内基梅隆大学电气与计算机工程副教授 确保自动驾驶汽车安全 自动驾驶汽车有望大幅减少道路事故。然而，让自动驾驶汽车像人一样安全比人们普遍认为的要困难得多。未受损害的人类驾驶员虽然不完美，但实际上相当令人印象深刻。虽然计算机不会醉酒驾驶，但它们的故障模式与人类截然不同，特别是在感知方面
d5.2基于V2X的合作感和驾驶过渡...
TransAID（基础设施辅助驾驶过渡区）项目的目标是处理协作型自动驾驶汽车（CAV）在接近其自动驾驶系统无法自行处理的交通状况或区域时可能面临的情况。在这些情况下，驾驶员需要接管车辆；这就是所谓的控制转移（ToC）。TransAID 开发并演示交通管理程序和协议，以提高整体交通安全和效率，特别是在过渡区（即应该进行 ToC 的区域），考虑到 CAV、自动驾驶汽车（AV）、协作型汽车（CV）和传统汽车（LV）的共存。TransAID 措施要求使用车辆之间的通信（V2V）以及车辆与道路基础设施之间的通信（V2I），主要用于通过协作传感收集有关交通流的信息，并通过协作操作支持协调车辆的操作。在此背景下，本文档展示了 TransAID 正在开发的传感器设备和融合其数据的技术。这包括在配备摄像头的基础设施上实施的技术，这些基础设施能够使用光流检测、创建边界框和唯一地跟踪物体，以及在车辆上采用混合传感器融合策略，该策略包含一个低级激光雷达融合模块，可以转换传感器