XiaoMi-AI文件搜索系统
World File Search System驾驶
连接和自动驾驶汽车的5G-V2X通信和网络
在过去的十年中，对通信，自动化，计算，传感和定位领域中的连接和自动化车辆（CAV）（CAV）（CAV）以及相关的启用技术引起了人们的兴趣。的确，骑士有望彻底改变未来的运输和生活质量。通过利用新型的效率空气接口，不同的无线电访问技术以及破坏性的网络软件技术和边缘 /云计算解决方案，第五代（5G）的位置，以确保超低延迟，以确保超高可靠性，良好的可靠性工具和高数据率的工具工具（V2x）（V2x）。车辆生态系统的复杂性和独特性，所涉及的利益相关者和标准开发组织的种类，设想的CAV应用的不断发展的本质，以及在5G支持的V2X中吸引研究社区的众多活动，这是该特殊问题的主要动机之一，旨在集中这一问题。本期《未来互联网杂志》本期中包含的论文提供了5G V2X通信和网络领域中新兴主题的全面概述。更详细地说，它们涵盖了从第三代伙伴关系项目（3GPP）5G和V2X架构增强功能到物理层编码技术和无线电访问技术，同时考虑与网络编排和本地化相关的问题。其中一些还报告了最近结束的持续协作研究项目的成就。此外，收集的论文本质上是异质的，这是特殊问题的主要优势之一：它们从技术上是合理的理论分析和及时的建筑设计贡献到算法设计和实践贡献。尤其是，在涉及各个领域的专家审阅者的严格审查过程之后，总共接受了来自行业和学术界的作者，共有六本出色的原始研究论文，这些论文已被接受。第一篇论文[1]剖析了与跨境和多运营商V2X部署相关的主要挑战，重点是三个代表性的合作，连接和自动化流动性（CCAM）服务：电视操作驾驶，自动驾驶和预期合作的高度限制图和分配的高度验证图和分配。增强漫游方案，间边缘云协调机制，网络切片选择和服务质量
Miguel Realpe，Boris X. Vintimilla和Ljubo Vlacic。 （2015）。自动驾驶汽车的传感器故障检测和诊断。在第二国际同盟
Miguel Realpe，Boris X. Vintimilla和Ljubo Vlacic。（2015）。传感器故障检测和自动驾驶汽车的诊断。在第二届国际机电一体化，自动化和制造业会议上（ICMAM 2015），国际会议，新加坡，2015年（第1卷30，pp。1-6）。EDP科学。
自主驾驶的特刊
自主驾驶代表了创新的前沿，具有深刻地重塑运输和流动性的潜力。具有彻底改变运输系统，增强安全性和重新构想城市景观的能力，其重要性不能被夸大。同时，随着全球人口增长和城市化的加速，对高效，可持续和聪明的流动解决方案的需求变得越来越紧迫。自主驾驶为这些挑战提供了令人信服的解决方案，利用了诸如人工智能，传感器融合和连接性等尖端技术，使车辆能够自主行驶，智能地进行沟通并与环境无缝互动。在自动驾驶上的物联网上的ACM交易的本期特刊是一个信标，阐明了该领域的跨学科本质和意义，同时对其广泛的含义提供了深入的见解。涵盖了从计算平台和模拟器的体系结构到感知算法和基础设施集成的多学科主题，该问题采用了面向应用程序的方法，可满足各种各样的研究人员，工程师，策略制造商和行业专业人员。
在自主驾驶系统中揭示了安全弱点：深入的经验研究
上下文：自主驾驶系统（AD）的出现标志着朝着智能运输的重大转变，对公共安全和交通效率产生了影响。尽管这些系统集成了各种技术并提供了许多好处，但它们的安全至关重要，因为脆弱性可能会对安全和信任产生严重的后果。目的：本研究旨在使用静态代码分析工具CodeQL系统地研究突出的开源ADS项目代码库中的潜在安全弱点。目标是确定共同的漏洞，它们在版本上的分布和持久性，以增强广告的安全性。方法：我们根据其高github恒星计数和4级自动驾驶功能选择了三个代表性的开源广告项目，即Autoware，Airsim和Apollo。使用CodeQl，我们分析了这些项目的多个版本以识别漏洞，重点是CWE类别，例如CWE-190（Integer Overflow或Wraparound）和CWE-20（输入验证不正确）。我们还通过软件版本跟踪了这些漏洞的生命周期。这种方法使我们能够系统地分析项目中的漏洞，这在以前的广告研究中尚未进行广泛探讨。结果：我们的分析表明，在选定的ADS项目中，特定的CWE类别，尤其是CWE-190（59.6％）和CWE-20（16.1％）。这些漏洞通常持续六个月以上，涵盖了多个版本的迭代。结论：广告中的这些安全问题仍有待解决。经验评估显示了这些漏洞的严重性与它们对ADS性能的切实影响之间的直接联系。我们的发现突出了将静态代码分析集成到ADS开发中以检测和减轻共同漏洞的必要性。同时，主动保护策略（例如定期更新第三方库）对于提高ADS安全至关重要。和监管机构在促进静态代码分析工具和设定行业安全标准方面可以发挥关键作用。
在自主驾驶系统中揭示了安全弱点：深入的经验研究
上下文：自主驾驶系统（AD）的出现标志着朝着智能运输的重大转变，对公共安全和交通效率产生了影响。尽管这些系统集成了各种技术并提供了许多好处，但它们的安全至关重要，因为脆弱性可能会对安全和信任产生严重的后果。目的：本研究旨在使用静态代码分析工具CodeQL系统地研究突出的开源ADS项目代码库中的潜在安全弱点。目标是确定共同的漏洞，它们在版本上的分布和持久性，以增强广告的安全性。方法：我们根据其高github恒星计数和4级自动驾驶功能选择了三个代表性的开源广告项目，即Autoware，Airsim和Apollo。使用CodeQl，我们分析了这些项目的多个版本以识别漏洞，重点是CWE类别，例如CWE-190（Integer Overflow或Wraparound）和CWE-20（输入验证不正确）。我们还通过软件版本跟踪了这些漏洞的生命周期。这种方法使我们能够系统地分析项目中的漏洞，这在以前的广告研究中尚未进行广泛探讨。结果：我们的分析表明，在选定的ADS项目中，特定的CWE类别，尤其是CWE-190（59.6％）和CWE-20（16.1％）。这些漏洞通常持续六个月以上，涵盖了多个版本的迭代。结论：广告中的这些安全问题仍有待解决。经验评估显示了这些漏洞的严重性与它们对ADS性能的切实影响之间的直接联系。我们的发现突出了将静态代码分析集成到ADS开发中以检测和减轻共同漏洞的必要性。同时，主动保护策略（例如定期更新第三方库）对于提高ADS安全至关重要。和监管机构在促进静态代码分析工具和设定行业安全标准方面可以发挥关键作用。
自主驾驶系统中即时软件缺陷预测的多模式学习
摘要 - 近年来，自主驾驶技术的兴起强调了可靠软件在确保安全和性能方面的重要性。本文提出了一种使用多模式学习的自动驾驶软件系统中即时软件缺陷预测（JIT-SDP）的新方法。提出的模型利用了多模式变压器，其中预训练的变压器和组合模块与软件系统数据集的多个数据模式相结合，例如代码功能，更改指标和上下文信息。适应多模式学习的关键点是利用不同数据模式（例如文本，数值和分类）之间的注意机制。在组合模块中，在文本数据和包含分类数据和数值数据的表格数据和表格特征上的输出组合在一起，以使用完全连接的层产生预测。对从GitHub存储库（Apollo，Carla和Donkeycar）收集的三个开源自动驾驶系统软件项目进行的实验表明，拟议的方法显着超过了有关评估指标的最先进的深度学习和机器学习模型。我们的发现突出了多模式学习的潜力，以通过改进的缺陷预测来增强自主驾驶软件的可靠性和安全性。
癌细胞系中药物敏感性的两步多词建模，以识别驾驶机制
人类癌细胞系的药物敏感性预测模型构成了在临床前环境中识别潜在反应性因素的重要工具。整合从一系列异质数据中得出的信息至关重要，但仍然是不平凡的，因为数据结构的差异可能会阻碍拟合算法将足够的权重分配给不同的OMIC数据中包含的互补信息。为了抵消这种效果，该效果倾向于仅导致一种数据类型主导所谓的多摩斯模型，我们开发了一种新颖的工具，使用户能够在第一步中分别训练单摩尼斯模型，并在第二步中将它们集成到多摩s模型中。进行了广泛的消融研究，以促进对奇异数据类型及其组合的各自贡献的深入评估，从而有效地识别它们之间的冗余和相互依赖性。此外，单词模型的集成通过一系列不同的分类算法实现，从而可以进行性能比较。被发现与药物敏感性显着转移相关的分子事件和组织类型集可以返回，以促进对药物反应性潜在驱动因素的全面而直接的分析。我们的两步方法产生了一组实际的多媒体泛 - 批处理分类模型，这些模型对GDSC数据库中的大多数药物具有很高的预测。在具有特定作用模式的有针对性药物的背景下，其预测性能与将多词数据合并到简单的一步方法中的分类模型相比。此外，案例研究表明，它在正确识别已知的特定药物化合物的关键驱动因素以及为其他候选者提供其他药物敏感性因素方面取得了成功。
机器人，聊天机器人，自动驾驶汽车：人工智能的思想和道德的感知
AI系统已经快速高级，多元化和扩散，但是我们对人们对他们的思想和道德的看法的了解仍然有限，尽管它对人们是否信任AIS以及他们如何分配AI引起的危害的责任。在一项预先进行的在线研究中，有975名参与者对26个AI和非AI实体进行了评价。总的来说，AI被认为具有低到中度的代理（例如，计划，行动），无生命的物体和蚂蚁之间以及低经验（例如，感应，感觉）。例如，Chatgpt的评分只能像岩石一样能够感到愉悦和痛苦。类似的道德能源，道德机构（做对与错）和道德专案（正确或错误地对待）较高，更多样化，尤其是道德机构：最高评级的AI，Tesla Full自动驾驶的汽车，被认为是道德上的危害，以危害作为黑猩猩。我们讨论了设计选择如何帮助管理感知，尤其是在高度的道德背景下。
自动驾驶汽车的多代理增强学习
摘要在不久的将来，自动驾驶汽车（AV）可能会与混合型官员中的人类驾驶员同居。这种同居在造成的流行和个人流动性方面以及从道路安全的角度提出了严重的挑战。混合术可能无法满足预期的安全要求，然后自动驾驶汽车可能会垄断该官员。使用多机构增强学习（MARL）算法，研究人员试图针对两种情况设计自动驾驶汽车，本文研究了他们最近的进步。我们专注于解决决策问题的文章，并确定四个范式。有些作者解决了或者没有社会可行的AV的混合问题问题，而另一些作者则解决了完全自治的案例。虽然后一种情况本质上是一个交流问题，但大多数解决混合处理的作者承认了一些局限性。文献中发现的当前人类驾驶员模型过于简单，因为它们不涵盖驾驶员行为的异质性。因此，他们无法概括各种可能的行为。对于所研究的每篇论文，我们分析了作者如何从观察，行动和奖励方面提出MARL问题以匹配它们所应用的范例。