XiaoMi-AI文件搜索系统
World File Search SystemDriverless
无人驾驶汽车导航与多传感器集成的无故障完整性：芝加哥市中心的案例研究
的诚信一直是航空航天安全要求背后的驾驶原则（Davis＆Kelly，1993; Grimes，2007; SC-159，2004）。最近，还针对自动化地面车辆应用采用了完整性（Cosmen-Schortmann等，2008； Zhu等，2018）。完整性风险量化导航系统提供的信息的可靠性；如果风险太高，则携带该系统的车辆可能处于危险之中。无故障完整性风险衡量导航系统输出误差的可能性超过允许的控制范围时，当不存在传感器故障时。评估无故障完整性风险是确定导航系统是否可以满足预期操作的需求的第一步。如果系统无法满足此类需求，那么下一步评估传感器故障的下一步显然是没有意义的。
利用戴尔基础设施上的 H2O 无人驾驶 AI 实现机器学习自动化
除了大型科技公司外，其他公司都缺少数据科学家。借助 H2O Driverless AI，专家和新手数据科学家都可以快速自动构建高度透明的精确模型。H2O Driverless AI 是一款屡获殊荣的 AutoML 产品，它嵌入了来自世界顶尖工程和数据科学专家（包括世界顶级 Kaggle 大师）的数据科学最佳实践。它使用独特的遗传算法来确定每个用例的特征、模型和调整参数的最佳组合。集成的最佳实践和护栏可确保模型不会过度拟合数据，并帮助解决新手数据科学家可能需要帮助的其他常见问题。H2O Driverless AI 使公司能够利用他们已有或可以轻松找到的人才开展更多用例。
军事应用的无人驾驶车辆安全
我们的研究重点是战区中负责将食物、部队和其他装备运送到前线的补给线 AV。假设补给将通过沙漠地形，因此地面不平坦但物理障碍物较少，这是最适合早期采用的地形。这些车辆可能处于比其他使用区域更不敌对的地区，因此正如本研究所考虑的那样，5 级自动驾驶的机会更高，并且可能比其他更复杂和更敌对的环境更早部署。谷歌、苹果和特斯拉等民用汽车公司以及大学研究人员的活动量也将提供映射到军事环境所需的攻击信息。
军事应用的无人驾驶车辆安全
我们的研究重点是战区中负责将食物、部队和其他装备运送到前线的补给线 AV。假设补给将通过沙漠地形，因此地面不平坦但物理障碍物较少，这是最适合早期采用的地形。这些车辆可能处于比其他使用区域更不危险的地区，因此，正如本文所考虑的那样，5 级自动驾驶的机会更高，并且可能比其他更复杂、更危险的环境更快地部署。谷歌、苹果和特斯拉等民用汽车公司以及大学研究人员的活动量也将提供映射到军事环境所需的攻击信息。
无人驾驶汽车与无障碍设施：为残障人士设计未来的交通方式（2019 年 4 月）
我们要感谢 John Tschida（来自大学残疾中心协会）、Henry Claypool（来自隐私未来论坛和加州大学旧金山分校）、Mohammed Yousuf（来自联邦公路管理局）、Carl Ringgold 和 Rik Opstelten（来自联邦运输管理局）、Aaron Steinfeld（来自卡内基梅隆大学）、Edward Steinfeld（来自布法罗大学）、Miriam A. Manary（来自密歇根大学）、Lindsay Elin（来自 Uber）、Ann Marie Lewis（来自汽车联盟）和 Amy Schoppman（来自全国移动设备经销商协会）的重大贡献和反馈。我们还要感谢 ITS America 自动驾驶汽车工作组主席 Darran Anderson（来自德克萨斯州交通部）和 Lauren Isaac（来自 EasyMile）的支持和反馈。我们尤其要感谢加州大学旧金山分校健康与老龄化研究所的 Steve Kaye 博士的指导和反馈。