XiaoMi-AI文件搜索系统
World File Search System交通规则
NHTSA 联邦自动驾驶汽车政策
随着数字时代日益深入交通领域，美国交通部的任务不仅是跟上步伐，还要确保公共安全，同时建立坚实的基础，使行业和公众能够了解、理解和响应交通规则。自动驾驶汽车提出的可能性和问题可能比目前讨论的任何其他交通创新都多。这是理所当然的。自动驾驶汽车有可能彻底改变我们所知的个人出行方式，使其比传统汽车更安全、更普及，甚至可能更高效，已成为我们未来交通的原型。然而，重要的问题也随之而来。它们会完全取代人类驾驶员吗？它们需要做出什么样的道德判断？如此巨大的变化会带来什么样的社会经济影响？它们会破坏隐私和安全的本质吗？
多代理海事交通模拟器
此模拟器旨在支持有关海上交通管理的集中式游戏理论算法的研究。它支持任意数量的船舶和土地质量进口。容器被建模为运动的运动，其运动受运动方程式和土地质量为基础，是多个形状的文件。在模拟器中，每艘船都可以使用奖励Oracle，该奖励是通过考虑碰撞和接地的风险，遵守交通规则和运营效率的水平来评估代理商的策略。游戏理论模型预测控制，然后同时为每个流量参与者生成最佳轨迹。船只参与重复的竞争聚机游戏，其平衡解决方案是一系列航路点，旨在由船只交通服务服务作为导航决策支持。我们传达了在Netlogo中实施的代理和功能的建模原理，并介绍了整体模拟器结构和范围。
全新伟大征程
警报驾驶员设置自动调整 DMS* 1 是一种先进的安全支持系统，它利用专用摄像头和面部识别软件来监控疲劳或注意力不集中的情况。它最多可识别五名预先注册的驾驶员，以提供定制的驾驶员设置，从而实现舒适、便捷和个性化的驾驶体验。 *1 可选。 *2 Apple CarPlay 是 Apple Inc. 在美国和其他国家/地区注册的商标。 *3 Android 和 Android Auto 是 Google Inc. 的商标。驾驶员始终负责安全和专注驾驶并遵守交通规则。请不要仅依靠驾驶员监控系统来确保安全驾驶。驾驶员监控系统的功能存在限制。有关系统操作和限制的完整详细信息，请参阅《用户手册》。请咨询您的零售商了解更多详细信息。
自动驾驶汽车的道路标志识别
摘要讨论了一个旨在创建高级路标识别系统的项目，以提高自动驾驶汽车的有效性和安全性。该系统旨在利用最先进的图像处理和机器学习技术来检测和理解各种路标，包括停车标志，速度限制和其他与交通相关的指标。通过该技术的成功集成，该项目旨在显着提高自动驾驶汽车在复杂的道路环境中导航的能力，同时保持符合关键的交通规则。通过实施此道路标志识别系统，该项目渴望提高自动驾驶汽车的安全性和效率。该系统准确地分类和解释各种交通标志的能力可确保自动驾驶汽车可以做出明智的决定，从而导致更顺畅和更安全的导航。最终目标是创建一个强大的框架，以增强自动驾驶汽车的可靠性，为更广泛的采用铺平道路，并对自动驾驶技术的更大信任铺平了道路。
1-1 当今的国家空域系统 (NAS... - US-PPL
国家空域系统简史 在动力飞行问世约二十年后，航空业领导人认为，如果联邦政府不采取行动改善和维护安全标准，飞机将无法充分发挥其商业潜力。针对他们的担忧，美国国会于 1926 年 5 月 20 日通过了《航空商务法》，标志着政府开始介入民航监管。该法案责成商务部长促进航空商务，颁布和执行空中交通规则，为飞行员颁发执照，认证飞机，建立航线，以及操作和维护空中导航辅助设备。随着商业飞行的增加，商务部下属的航空商务局鼓励一些航空公司在航线上建立首批三个空中交通管制 (ATC) 中心。1936 年，该局接管了这些中心并开始扩展空中交通管制系统。[图 1-2] 先驱空中交通管制员使用地图、黑板和心算来确保沿城市间指定路线飞行的飞机安全分离。
![arxiv：2404.11027V1 [CS.AI] 2024年4月17日](/simg/g:\will\search\icon\source\0\06939e0fc684e004fd4b9403eb6b6eccf4469b3f.webp)
arxiv：2404.11027V1 [CS.AI] 2024年4月17日
摘要 - 强化学习已成为自动驾驶的重要方法。使用奖励功能来加强学习来建立学习的技能目标，并指导代理商实现最佳政策。由于自主驾驶是一个复杂的领域，其目标部分具有不同程度的优先级，因此制定合适的奖励功能代表了一个基本挑战。本文旨在通过评估文献中的不同提出的公式，并将个人目标分为安全，舒适，进度和交通规则规则合规性类别，以突出这种功能设计中的差距。此外，还讨论了审查奖励功能的局限性，例如目标汇总和对驾驶环境的无动于衷。此外，奖励类别通常是不足的，缺乏标准化。本文通过提出未来的研究来结束，该研究有可能解决奖励中观察到的短暂作用，包括一个奖励验证框架和背景意识并能够解决冲突的结构性奖励。
朝着自主驾驶系统的安全实时运动计划框架：模型预测路径积分方法
摘要 - 自主驾驶系统中的安全轨迹（ADS）是实时解决的复杂问题。解决此问题的主要挑战是源于道路几何形状，语义和交通规则以及动态代理的存在所施加的各种条件和约束。最近，模型预测路径积分（MPPI）已证明是在非结构化和高度不确定的环境中机器人导航中最佳运动计划和控制的有效框架。在本文中，我们将AD中的运动计划问题作为非线性随机动态优化问题，可以使用MPPI策略来解决。这项工作的主要技术贡献是一种安全处理MPPI配方中的障碍的方法。在这种方法中，在考虑安全边缘的同时，可以轻松地集成到MPPI成本配方中的圆圈近似障碍。所提出的MPPI框架已在我们的自动驾驶汽车中有效实现，并使用三种不同的原始场景进行了实验验证。实验结果表明，生成的轨迹是安全，可行的，并且可以完美地实现计划目标。视频结果以及开源实现可在https://github.com/sntubix/mppi上找到。
![arxiv：2409.02914v1 [cs.cv] 4月4日2024](/simg/g:\will\search\icon\source\2\2c59d05176315666685a9c6e7ce046d3e8571f66.webp)
arxiv：2409.02914v1 [cs.cv] 4月4日2024
大型视觉模型（LVLM）最近引起了极大的关注，许多努力旨在利用其一般知识来增强自主驾驶模型的可靠性和鲁棒性。但是，LVLM通常依靠大型通用数据集，并且缺乏专业驾驶所需的专业专业知识。现有的视觉驱动数据集主要关注场景的理解和决策，而无需提供有关交通规则和驾驶技能的明确指导，这是与驾驶安全直接相关的关键方面。为了弥合这一差距，我们提出了IDKB，这是一个大规模数据集，其中包含从各个国家 /地区收集的一百万个数据项，包括驾驶手册，理论测试数据和模拟道路测试数据。很像获得驾驶执照的过程，IDKB几乎涵盖了从理论到实践所需的所有明确知识。在特殊情况下，我们对IDKB进行了15 lvlms的全面测试，以评估其在自治驾驶的背景下的可靠性，并提供了广泛的分析。我们还微调了流行模型，实现了显着的性能改进，这进一步验证了我们数据集的重要性。项目页面可以在以下网址找到：https：// 4dvlab.github.io/project_page/idkb.html
![arxiv：2406.06978v4 [CS.CV] 2024年8月30日](/simg/g:\will\search\icon\source\0\0e09b061d49570ad773a0a825e2a80bd33b33716.webp)
arxiv：2406.06978v4 [CS.CV] 2024年8月30日
端到端的自主驾驶涉及学习具有原始传感器输入的神经计划者，被认为是实现完全自治的承诺方向。尽管在该领域取得了令人鼓舞的进展[11，12]，但最近的研究[4，8，14]已经暴露了多个漏洞和模仿学习方法的局限性（IL）方法，尤其是开环评估中固有的问题，例如功能失调的指标和隐式偏见[8，14]。这至关重要，因为它无法保证安全，效率，舒适性和遵守交通规则。为了解决这一主要局限性，几项作品提出了合并闭环指标，通过确保机器学习的计划者符合基本标准，这些封闭环指标更有效地评估了端到端的自主驾驶，而不仅仅是模仿人类驾驶员。因此，端到端计划是理想情况下的多目标和多模式的任务，其中多目标计划涉及符合开环和闭环设置的各种评估指标。在这种情况下，多模式指示每个度量的多个最佳解决方案。现有的端到端方法[4，11，12]经常尝试
使用人工智能进行头盔检测
Madhuchhanda Dasgupta、Oishila Bandyopadhyay、Sanjay Chatterji、Kalyani [1] 任何智能交通系统都必须包括对交通规则违规行为的自动检测。在印度这样的国家，所有主要城市的人口密度都很高，摩托车是主要的交通工具之一。研究发现，大多数摩托车手在城市或高速公路上骑行时都不戴头盔。在大多数摩托车事故场景中，戴头盔可以降低摩托车手头部和严重脑部受伤的风险。现在，大多数交通和安全规则都是通过分析监控摄像头获得的交通记录来发现的。这项研究提出了一个框架，用于检测未戴头盔的摩托车上的一个或多个骑手。在建议的方法中，第一阶段使用 YOLOv3 模型来发现摩托车骑手，该模型是 YOLO 模型的增量版本，YOLO 模型是最先进的物体检测方法。在第二阶段，提出了一种基于卷积神经网络 (CNN) 的摩托车头盔检测架构。使用交通记录测试了所建议的模型，与其他基于 CNN 的技术相比，结果显示出良好的前景。