XiaoMi-AI文件搜索系统
World File Search SystemDSRC
一种对抗对抗性攻击的机器学习方法
将机器学习 (ML) 技术集成到车载自组织网络 (VANET) 中，可为自动驾驶和 ITS 应用提供有前景的功能。本文使用 DSRC 数据来评估不同 ML 模型（包括朴素贝叶斯、随机森林、KNN 和梯度提升）在正常和对抗场景中的有效性。由于数据集相对不平衡，因此采用合成少数过采样技术 (SMOTE) 进行采样，并采用防御性蒸馏来提高模型对对抗性扰动的弹性。从结果中可以清楚地看出，梯度提升和随机森林等模型在两种情况下都表现出很高的准确性，从而表明在出现新威胁时使用机器学习来提高 VANET 安全性和可靠性的潜力。通过这项研究，阐明了 ML 在保护车辆通信方面的应用对于提高交通安全和流量的重要性。
国家紧急行动计划
ADC 额外副专员 AFP 急性弛缓性麻痹 AKU 阿迦汗大学 BMGF 比尔和梅琳达·盖茨基金会 C4D 交流促进发展 CDC 美国疾病控制和预防中心 COMNet 通信网络 cVDPV2 循环疫苗衍生 2 型脊髓灰质炎病毒 DC 副专员 DEOC 区紧急行动中心 DHO 区卫生官员 DPEC 区根除脊髓灰质炎委员会 DQA 数据质量评估 DQSA 数据质量和系统评估 DSRC 区监测审查委员会 EOC 紧急行动中心 EPI 扩大免疫规划 ERM 晚间审查会议 ERU 紧急响应单位 ES 环境监测 FLW 一线工作人员 GPEI 全球根除脊髓灰质炎行动 MMP 移民和流动人口 IEC 信息、教育和通信 IPV 灭活脊髓灰质炎疫苗 ISD 综合服务提供 KPI 关键绩效指标 LEA 执法机构 LHW 女卫生工作者 LQAS 批次质量保证抽样 M&E 监测和评估 NA 不可用 NEAP国家紧急行动计划 NEOC 国家紧急行动中心
采用非接触式卡支付可提高自动收费站的电力和等待时间效率
目前，自动收费站 (ATG) 中的一种电子收费 (ETC) 方法是使用射频识别 (RFID) 技术的非接触式交易。使用 RFID 跟踪和监控物体（汽车）是实时进行的，并且需要跟上物体（汽车）的速度。安装在汽车挡风玻璃上的车载单元 (OBU) 应答器和安装在 ATG 上的路侧单元 (RSU) 是专用短程通信 (DSRC) 系统的主要组成部分，该系统允许汽车和 ATG 相互通信并进行交易，包括在线支付通行费，而无需接触。进行这项研究的动机是通过比较汽车中的 OBU 和自动收费站的 RSU 之间的通信范围以及 OBU 中的电池电量来确定采用非接触式卡支付的自动收费站的功率和等待时间效率。此外，本研究旨在确定仍接触支付卡的 ETC 系统与不接触支付卡（非接触式）且已使用 RFID 技术的 ETC 系统之间的响应时间差异。据估计，与不接触支付卡且已使用 RFID 技术的 ETC 系统相比，仍接触支付卡的 ETC 系统的响应时间更长。本研究使用的方法是设计和制作 OBU 和 RSU 的原型，然后模拟和测量安装在汽车上的 OBU 的范围和响应时间，RSU 安装在 ATG 上。
使用集成的合作车辆安全应用程序...
协作式车辆安全应用最好具有两米的水平精度和六米的垂直精度，并且可用性均为 95%。解决方案必须包含低成本的传感器选项，具体来说，就是低成本的惯性测量单元，其通常特征是陀螺仪漂移为每小时 100 度，加速度计偏置力为其质量乘以重力的两倍（两毫伽）。我们实施的协作式车辆安全系统在车辆和路边基础设施之间使用低延迟 5.9 GHz 通信链路。这使每辆车能够持续评估发生碰撞的可能性。如果碰撞概率高，系统可能会为驾驶员生成车内警告，甚至自动启动操作以帮助防止碰撞。配备此系统的车辆知道自己的位置和路径，同时还可以无线监控周围车辆的位置和路径。这些应用依赖于两种主要技术：(1) 使用专用短程通信 (DSRC) 进行信息交换，(2) 使用 GNSS 进行定位，尽管还涉及各种其他技术。尽管 GNSS 在信号畅通无阻的开放区域满足所需的精度水平，但它无法在密集的城市环境中支持所需的性能。为了实现设定的性能目标，必须使用其他传感器来增强 GNSS。在本文中，我们描述了一种多传感器架构，该架构旨在实现在困难的 GNSS 环境（例如城市峡谷）中实现精确定位能力，以实现合作车辆安全应用。我们的总体目标是实现米级
ETSI TR 103 111 V1.1.1 (2014-10)
ANFR 法国国家频率机构 ARCEP 法国邮政电子通信管理局（ARCEP 取代 ART） ART 法国电信管理局（法国监管机构） ATC 自动列车控制 BFWA 宽带固定无线接入 CALM 陆地移动设备通信接入 CBTC 基于通信的列车控制 CEPT 欧洲邮政和电信管理局会议 dBm 相对于 1 Mw 的分贝功率 DCS 数据通信系统 DFS 动态频率选择 DSRC 专用短程通信 ECC 电子通信委员会 EIRP 等效全向辐射功率 ERC 欧洲无线电通信委员会 ERM 电磁兼容性和无线电频谱问题 FSS 固定卫星服务 HAPS 高空平台站 IEEE 电气电子工程师学会 IP 互联网协议 ISM 工业、科学和医疗 ISO 国际标准组织 ITS 智能交通系统 ITS-G5A 频带范围从 5 875 MHz 到 5 905 MHz ITS-G5B 频段范围从 5 855 MHz 到 5 875 MHz ITS-G5C 频段范围从 5 470 MHz 到 5 725 MHz ITS-G5D 频段范围从 5 905 MHz 到 5 925 MHz kbps 千比特每秒 LOS 视距 LPR 液位探测雷达 Mbps 兆比特每秒 MODCOMM MODURBAN 通信系统 MODURBAN 模块化城市导轨系统 NLOS 非视距 OBU 车载单元 QPSK 正交相移键控
数据融合和优化技术，以增强智能城市的自动驾驶性能
Rutgers University，New Brunswick，New Jersey，USA ys820@rutgers.edu *作者应与之交谈。 摘要：研究研究了数据融合和优化技术的使用，以改善智能城市环境中自动驾驶系统的性能。 通过整合来自多个传感器，雷达，摄像机和传感器在内的多个传感器的数据，该系统增强了其对环境的看法和理解。 此外，5G，LTE-V和DSRC Technologies启用V2X通信，促进车辆，基础设施和其他道路使用者之间的实时互动。 该研究采用深度学习和强化学习算法来实时路径计划，障碍检测和能源效率优化。 在各种城市场景中进行的模拟表明，通过优化的车辆操作来显示障碍检测准确性，交通安全性以及减少能源消耗的显着改善。 此外，系统对通信延迟和数据丢失的弹性突出了提议的数据融合和在动态环境中的鲁棒性。 关键字：智能运输系统；连接和自动驾驶汽车；可持续城市；聪明的城市。 被引用为：Sun，Y。，＆Ortiz，J. （2024）。 数据融合和优化技术，以增强智能城市的自动驾驶性能。 人工智能与信息杂志，1，42-50。 取自https://woodyinternational.com/index.php/jaii/article/article/view/50 1。 Yao等。 根据Wang等人的说法。 Liu等。Rutgers University，New Brunswick，New Jersey，USA ys820@rutgers.edu *作者应与之交谈。摘要：研究研究了数据融合和优化技术的使用，以改善智能城市环境中自动驾驶系统的性能。通过整合来自多个传感器，雷达，摄像机和传感器在内的多个传感器的数据，该系统增强了其对环境的看法和理解。此外，5G，LTE-V和DSRC Technologies启用V2X通信，促进车辆，基础设施和其他道路使用者之间的实时互动。该研究采用深度学习和强化学习算法来实时路径计划，障碍检测和能源效率优化。在各种城市场景中进行的模拟表明，通过优化的车辆操作来显示障碍检测准确性，交通安全性以及减少能源消耗的显着改善。此外，系统对通信延迟和数据丢失的弹性突出了提议的数据融合和在动态环境中的鲁棒性。关键字：智能运输系统；连接和自动驾驶汽车；可持续城市；聪明的城市。被引用为：Sun，Y。，＆Ortiz，J.（2024）。数据融合和优化技术，以增强智能城市的自动驾驶性能。人工智能与信息杂志，1，42-50。取自https://woodyinternational.com/index.php/jaii/article/article/view/50 1。Yao等。根据Wang等人的说法。Liu等。Liu等。引言随着城市化的加速，智能城市的发展已成为政府和行业通过数字技术的整合来优化城市生活的关键倡议。这种转变的一个核心是自动驾驶系统的部署，预计该系统将在增强城市流动性，减少交通拥堵并改善道路安全方面发挥关键作用。由高级通信网络和数据驱动基础设施支持的自动驾驶汽车（AV）对于管理日益复杂的城市环境而变得至关重要。（2022）强调，智能城市基础设施对于成功实施自动驾驶汽车至关重要，这指出了数据驱动方法在改善交通管理方面的重要性。尽管有希望在AV技术方面取得了希望，但仍存在一些挑战，尤其是在人口稠密的城市地区。复杂的道路网络，不同的交通状况以及不可预测的行人行为需要复杂的数据处理和实时决策功能。（2024），自主驾驶技术可以大大降低交通拥堵和事故率，但这需要高度准确，及时的传感器数据融合。此外，Zhou等。（2024）指出，在城市环境中，AVS必须依靠Lidar，相机和雷达等传感器的组合，以及车辆到所有的通信系统来收集和处理周围环境的数据。最近的研究表明，多传感器融合解决这些挑战的潜力。此外，Aldeer等人。（2024）证明，将来自各种传感器的数据结合起来增强了AVS检测障碍和更准确预测交通流量的能力。与这些发现一致，Zhang等人。（2024）强调，人工智能（AI），尤其是深度学习和强化学习，通过从多个来源处理复杂的数据集来实现AV系统的实时决策中起着至关重要的作用。（2024）认为，AI与边缘计算技术的集成可以更有效地数据处理，从而提高了自主驾驶的安全性和效率。尽管在整合AI和传感器融合技术方面取得了进展，但在AV系统中的数据融合和优化技术的应用仍然是