XiaoMi-AI文件搜索系统
World File Search System实际交通
实际交通条件下柴油车的燃油经济性和尾气排放
摘要 交通与车辆仿真往往是单独开发的，但车辆性能受交通条件影响很大，在真实道路条件下进行交通与车辆联合仿真可以半真实地反映车辆的性能，并考虑交通条件的影响。本文提出一种将交通与车辆仿真结合起来的方法，分别通过城市交通仿真（SUMO）和GT-Suite软件实现。本文研究了道路等级和车速对燃油经济性和尾气排放的敏感性，分析了真实道路上的车辆燃油消耗和常规尾气排放，量化了交通事故和拥堵对燃油消耗和尾气排放的影响。结果表明，氮氧化物（NO x ）和烟尘排放与燃油消耗率一致，受车辆加速度主导，而道路等级会加剧这种影响。事故造成的燃油损失在0.015-0.023 kg范围内，具体取决于事故的严重程度。与180 辆/小时车流量相比，900 和1800 辆/小时车流量情况下的燃油消耗量分别从1.199 千克增加到1.312 千克和1.559 千克。
使用时变流体队列对跑道上的飞机起飞进行建模
摘要：减少跑道入口处的出发队列长度是减少机场飞机交通拥堵和燃料消耗的最重要要求之一。本研究使用随时间变化的流体队列设计了跑道上的飞机出发模型。所提出的模型使我们能够确定出发队列中的飞机等待时间，并评估在登机口而不是跑道入口处分配合适停留的有效控制方法。作为案例研究，本研究模拟了东京国际机场 05 号跑道一整天的出发队列。使用机场出发的实际交通数据，该模型估计飞机在 05 号跑道上一天总共花费 2.5 小时的出发等待时间。考虑到实际出发交通的随机性，使用验证标准讨论了所提出的模型的相关性。与实际交通数据中记录的出发队列相比，模型估计显示出合理的预期数量级。此外，假设起飞排队长度减少，则定量评估生态和经济效益。我们的结果表明，由于飞机在一条起飞跑道上等待起飞，每年会浪费大约一千吨燃油。
QI-TraSiCo 量子交通信号控制
为了准备将量子启发式交通控制系统投入实际道路使用，DLR ITS 实验室也在对其进行测试。DLR ITS 实验室提供所有交通技术和技术设备，这些技术和设备也适用于典型的道路交叉口。这些设备尤其包括交通信号控制单元。因此，可以验证和优化量子启发式控制系统与实际交通技术之间的相互作用，以便在测试现场推广。
太空中的嵌入式深度学习：采用 Qormino® 的人工智能
- 机载数据处理用于早期预警情况， - 观测和气象卫星，机载处理允许仅将相关和预处理的数据发送到地面，从而减少下行带宽要求， - 人工智能可以提高航天器在对接或着陆等关键操作中的自动引导性能， - 机载决策由于早期反应可以更好地防止碰撞，并提供自我健康监测和最终自主重构的可能性， - 通信卫星可以从智能数据路由和基于实际交通和天气条件的优化天线指向中受益，以提高数据速率并最大限度地降低功耗， - 融合来自各种传感器的数据源，可以看到“人眼”看不见的东西，包括深空和科学任务中对大型数据集的机载分析。
人工智能在人类生活中的应用案例研究
本文概述了人工智能及其在人类生活中的应用。本文将探讨人工智能技术在网络入侵中的当前应用，以保护计算机和通信网络免受入侵者的侵害，在医学领域（医学），改善医院住院护理，进行医学图像分类，在会计数据库中缓解其问题，在计算机游戏和广告中。此外，本文还将展示人工智能原理以及它们如何应用于交通信号控制，它们如何解决实际交通问题。本文介绍了一种基于 RBF 神经网络的自学习系统，以及该系统如何模拟交警的经验。本文重点介绍如何评估交通变化对控制的影响，以及如何使用人工智能的不同技术调整信号。
联合旅行条例修订
A. 往返新 PDS 地点的交通。授权和批准交通方式时，目标是尽量缩短途中时间并尽量延长新 PDS 时间。当与新 PDS 的距离小于 250 英里时，POV 交通对政府有利。但是，不能要求旅行者使用 POV，因此 AO 可以授权替代交通方式。当与新 PDS 的距离为 250 英里或更长时，使用 POV 对政府不利。只有当书面成本比较表明 POV 具有成本效益时，AO 才可以授权或批准对政府有利的 POV 旅行。如果 POV 交通对政府有利，则适用 MALT 费率。如果文职雇员乘坐授权交通方式以外的其他方式旅行，则报销实际交通费用或授权交通费用中较低者。文职雇员有权获得交通费用，包括承运商终端之间的交通。
“智能”供应链的兴起：AI和自动化如何革新物流基于Yolov8的多级交通标志检测方法
认识到交通标志是自动驾驶汽车的至关重要的任务，以提高道路安全性。在这项研究中，我们建议一本小说您只能看一次版本8（Yolov8）模型来识别交通标志。该模型已在Kaggle数据集上进行了培训，该数据集包含不同环境下的多个流量标志。Yolov8模型的准确性为80.64％，测试数据的召回率为65.67％。这些指标强调了该模型识别流量标志的能力。值得注意的是，Yolov8对早期版本进行了一些显着改进，例如在困难情况下增强的检测和增强的小规模标志识别。本文还探讨了整个模型训练阶段产生的困难，并提供了可行的解决方案，这些解决方案用于克服这些困难，从而提高了模型的性能。令人鼓舞的结果表明，实施基于YOLOV8的策略在实际交通管理系统中的生存能力，这是建立更复杂和可靠的交通信号识别技术的积极进步。
在德国高速公路上接受专业司机的卡车排。混合方法方法
卡车排驾驶是当前自动驾驶的分支，它有可能从根本上改变专业驾驶员的工作常规。在排系统中，一辆卡车（半）自动遵循距离降低的铅卡车，从而可节省大量燃料并实现更好的交通流量。在当前使用卡车排驾驶的应用中，以下车辆以2级自动化运行。因此，以下卡车的驾驶员只需要监督半自动化系统，该系统接管转向和速度控制。Level-2卡车排驾驶以前尚未与专业司机进行实际交通测试。我们假设在排驾驶经验后，用户接受度将有所改善。定量问卷和定性访谈是在经过广泛的自动bahn体验之前和之后对10个司机进行的。结果显示经验后的接受程度明显增加。排驾驶评估为更有用，更易于使用，并且经历后更安全。除了感知到驾驶安全性，卡车排的声望，系统的感知有用性以及一般技术亲和力共同确定的用户接受。
从非事故交通视频
安全测试是自动驾驶系统（ADSS）开发的基本支柱。为了确保ADS的安全性，生成各种安全性的测试方案至关重要。现有广告从业人员主要集中于在模拟环境中重现现实世界中的交通事故以创建测试场景，但必须强调，由于人类驾驶和自主驾驶之间的差异，这些事故中的许多事故并未直接导致对ADS的安全违规。更重要的是，我们观察到，某些无事故现实世界的情况不仅可以导致广告中的不良行为，而且还可以在模拟测试期间利用违反广告的行为。因此，从常规交通情况（即无碰撞场景）中发现安全侵犯ADS的行为至关重要，以确保自动驾驶汽车（AVS）的安全性。我们介绍了Leade，这是一种实现上述目标的新方法。它会自动从交易视频中生成抽象和具体的方案。然后，它优化了这些场景，以在人类驾驶安全工作的语义一致方案中搜索对广告的安全侵犯。具体来说，Leade增强了大型多模型（LMM）的能力，可以通过流量视频准确构建抽象场景，并通过多模式的几种思想链（COT）生成具体场景。我们在Apollo的工业级4级广告上实施并评估Leade。基于它们，Leade评估并增加了自我车辆（即，与正在测试的ADS连接的车辆）和在语义同等场景中进行人类驾驶之间的行为差异（这里等效语义意味着测试场景中的每个参与者都具有与原始实际交通情况中相同的抽象行为）。实验结果表明，与最先进的广告场景生成方法相比，Leade可以准确地从交通视频中生成测试场景，并有效地发现了具有相同无事故交通情况语义语义的测试场景中更多类型的安全违反Apollo的行为。