XiaoMi-AI文件搜索系统
World File Search System驾驶技术
导致航空公司飞行员疲劳风险的因素
疲劳是一种常见的感觉，由日常生活中的各种活动引起（ Curnow，2002 ）。报告显示，大约 20% 的总劳动人口感到疲劳（ Pawlikowska 等，1994 ），大约 10% 的男性和 15% 的女性声称自己非常疲倦或精疲力竭（ Blackwell，2010 ）。当驾驶员疲劳和/或有压力时，发生致命事故的可能性会增加，因为驾驶员无法收集必要的交通环境信息，从而导致交通决策失误、驾驶技术下降以及车辆在道路上定位不佳（ I. D. Brown，1993 ）。航空业同样受到疲劳的影响。最常被提及的表现障碍之一是疲劳，40 多年来这一直是美国国家运输安全委员会 (NTSB) 关注的主要问题 (FAA, 2012)。超过 70% 的航空事故可归因于人为因素，人为因素被认为是管理和改善飞行安全的关键决定因素之一 (Rudari et al., 2016; Yen et al., 2009)。在航空工作场所，有许多因素可能导致疲劳，包括社会和家庭因素，对于跨子午线航空公司飞行员来说，还有时区变化 (Caldwell, 2004)。鉴于睡眠和昼夜节律过程相互作用影响睡眠倾向、清醒警觉性和表现，准确量化这些因素的影响至关重要 (Dongen and Ding
![arxiv：2311.01043v4 [CS.AI] 2024年8月12日](/simg/a\a68a1d0747cbe00cd43a8c917b786c95276654f3.webp)
arxiv：2311.01043v4 [CS.AI] 2024年8月12日
自主驾驶技术是彻底改变运输和城市流动性的催化剂，它倾向于从基于规则的系统过渡到数据驱动的策略。传统的基于模块的系统受级联模块和不灵活的预设规则之间的累积性限制。相比之下，端到端的自主驾驶系统有可能避免由于其完全数据驱动的训练过程而导致错误积累，尽管由于其“黑匣子”性质，它们通常缺乏透明度，从而使决策的验证和可追溯性变得复杂。最近，大型语言模型（LLMS）已证明了能力，包括理解上下文，逻辑推理和生成答案。一种自然的想法是使这些能力赋予自动驾驶能力。通过将LLM与基金会视觉模型相结合，它可以为开放世界的理解，推理和几乎没有射击的学习打开大门，而这些学习缺少了熟练的自主驾驶系统。在本文中，我们系统地回顾了有关（视觉）大型语言驾驶模型（（v）LLM4DRIVE）的研究行。这项研究评估了技术广告的当前状态，明确概述了该领域的主要挑战和前瞻性方向。为了方便学术界和学术界的研究人员，我们通过指定的链接：https：// github提供了有关该领域最新进展以及相关开源资源的实时更新。com/thinklab-sjtu/avesome-llm4ad。
了解自动驾驶技术的长期出现
识别新兴技术一直对许多学者和从业人员表示兴趣。先前的研究引入了从书目记录中捕获出现概念的方法，包括最近提出的技术出现指标（Carley等人。2018）。此指标方法已显示适用于各种技术领域。但是，该指标使用有限的时间窗口，该窗口可以忽略新兴技术的潜在长期演变。现有方法具有可解释性，因为可能很难理解使用已确定的新兴术语的上下文。在本文中，我们提出了解决这些问题的技术出现指标的改进版本。这样做，我们在1991 - 2018年期间研究了自动驾驶技术领域内的新兴主题，并以关于新兴技术主题的长期扩散的主张为指导。结果表明，在分析的三个10年期间的每个10年中，每个自动驾驶汽车技术主题都出现了，包括了解周围环境和路径计划的初始时期，这是由DARPA大挑战赛的第二个时期，与城市环境和通信技术相关的DARPA大挑战动机，以及与机器学习和对象检测有关的第三个时期。在每十年中，与某些新兴技术主题的这种关联也具有数十年来持续或周期性结转的不同轨迹的特征。结果表明，从业人员可以在研究研究领域中使用的方法来了解哪些主题可能会持续到未来。
VPI：车辆计算的车辆编程接口
摘要软件定义的车辆（SDV）的出现以及自动驾驶技术结合了车辆计算的新时代（VC），车辆是一个移动计算平台。然而，汽车系统和多种技术要求的跨歧视复杂性使得对机动车的发展应用具有挑战性。为了简化在SDV上运行的应用程序的开发，我们提出了一个全面的车辆编程接口（VPI）套件。在这项研究中，我们严格探讨了VC领域内的处理开发的细微要求，以我们对开放车辆数据分析平台（OpenVDAP）的建筑错综复杂的分析进行了分析。然后，我们详细介绍了一组全面的标准化VPI套件，涵盖了五个关键类别：硬件，数据，计算，服务和管理，以满足这些不断发展的程序要求。为了验证VPI的设计，我们使用室内自动驾驶汽车Zebra进行实验，并开发OpenVDAP原型系统。通过将其与行业影响的汽车界面进行比较，我们的VPI在编程效率方面表现出显着提高，这标志着SDV应用程序开发领域的重要进步。我们还展示了案例研究并评估其表现。我们的工作强调了VPI可显着提高开发VC应用程序的效率。他们满足了当前和未来的技术要求，并推动软件定义的汽车行业迈向更相互联系和聪明的未来。
练习和经验，ISSN 1895-1767，http：//www.scpe ...
摘要。自主导航是当前时代的领先技术，在这种智能的发光，标志检测，ADA和障碍物检测中，自主导航正在扮演重要角色。图像分割是将图像分为不同区域或语义类别的过程。这是自动驾驶技术中的一个具有挑战性的问题，因为它要求车辆能够理解其周围环境才能安全导航。该平台的主要挑战是模型性能的准确性和效率。摘要中提出的方法使用卷积神经网络（CNN）执行图像分割。cnns是一种非常适合图像处理任务的深度学习模型。本文中的CNN在当地城市数据集上进行了培训，并且能够达到73％的联合（IOU）的平均交叉点。iou是对分割结果符合地面真相标签的程度的衡量标准。分数为100％，表明分段是完美的，而0％的分数表示分段是完全错误的。这意味着该方法可以以非常快速的速率分割图像，这对于需要做出实时决策的自动驾驶汽车很重要。总的来说，提出的方法是自动驾驶汽车中图像分割的有前途的方法。它可以实现高精度和速度，并且使用Python易于实现。所提出的方法的精度为98.34％，灵敏度为97.26％，灵敏度为96.37％。该方法可用于通过使其能够更好地了解周围环境来提高自动驾驶汽车的安全性和效率。
控制，学习的交集中的自主系统...
ufuk topcu教授德克萨斯大学在奥斯汀上举行，2025年2月28日，星期五，上午10:30麦克唐纳·道格拉斯工程礼堂（MDEA）摘要：自主系统正在作为无数应用程序的驾驶技术出现。许多学科应对使这些系统值得信赖，适应性，用户友好和经济的挑战。另一方面，现有的纪律界限延迟，甚至可能阻碍进步。我认为，设计和验证自主系统在控制，学习和正式方法的交集（除其他学科）时，出现的非惯例问题需要混合解决方案。我将在顺序决策过程中学习中的这种混合解决方案的示例。这些结果提供了有效地将基于物理，上下文或结构性的先验知识整合到数据驱动的学习算法中的新颖手段。他们通过对环境和系统以前没有经历的环境和任务的多个数量级和通用性提高了数据效率。我将在一些有希望的未来研究方向上发表评论。BIO：UFUK TOPCU是德克萨斯大学奥斯汀大学航空航天工程与工程机制的教授，他在那里拥有W.A.“ Tex” Moncrief，Jr。 计算工程和科学VI主席。 他是德克萨斯机器人技术和奥登计算工程与科学研究所的核心教师，也是自治中心主任。“ Tex” Moncrief，Jr。计算工程和科学VI主席。他是德克萨斯机器人技术和奥登计算工程与科学研究所的核心教师，也是自治中心主任。他的研究重点是自主系统设计和验证的理论和算法方面。
自动智能农药喷涂泵
自动智能农药喷洒泵开拓者是一种用于农业中有害生物管理的方法。通过利用尖端技术，例如AI驱动的摄像机和传感器，它标识并针对受害虫影响的特定区域，从而优化了农药的应用。这种精确的喷涂不仅可以最大程度地减少环境污染，而且可以大大降低农药的使用，从而降低农民的运营成本，同时促进环境可持续性。此外，系统的自主导航功能，由GPS和自动驾驶技术提供动力，简化现场操作。这可以释放出宝贵的劳动力资源，使农民可以将时间和精力分配给其他基本任务，从而提高整体农场生产力。可变速率喷涂功能通过根据与植物密度和害虫压力相关的实时数据调整农药应用来进一步完善该过程。这确保了一种最佳且量身定制的方法来控制害虫，从而有效地最大程度地减少了废物，同时最大程度地提高了系统的功效。系统的关键优势之一在于通过移动应用程序通过移动应用程序进行远程监视功能，从而使用户能够实时监督操作并进行远程调整。这不仅可以确保易用性，而且还可以通过减少其直接接触有害化学物质来提高操作员的安全性。这项创新迎合了农民，农业合作社和寻求采用可持续农业实践的公司。此外，其未来范围还包括与无人机进行空中喷涂的集成，使用机器学习的高级害虫识别以及生物友好的生物农药的发展。这些努力符合该系统对现代农业领域中不断改进，可持续性和降低环境影响的承诺。
开发用于小芯片的切割芯片粘接膜 (DDAF)
近年来，对包括微机电系统 (MEMS) 和传感器在内的越来越小的芯片的需求急剧增加。自动驾驶技术等技术正在腾飞，市场对减小封装尺寸和提高移动设备性能的压力也在增加。DDAF 越来越多地被用于这些应用中，以将芯片粘合到基板和其他芯片上。DDAF 可用于切割和芯片粘合工艺，取代了使用两种独立材料来切割和粘合芯片的需求。它由 DAF（芯片粘接膜）和基材组成，DAF 层将小芯片粘合到基板和其他芯片上。然而，传统的 DDAF 在芯片尺寸较小时容易出现转移故障 (TF)。这是一种故障模式，在芯片拾取 (PU) 过程中，DAF 层从芯片背面剥落。导致此问题的根本原因有多种；小型芯片的 DAF 附着面积较小，而为增加芯片强度而使芯片背面光滑，导致 DAF 无法锚定到芯片本身。通过使用具有高熔体粘度的 DAF，使 DAF 能够更好地锚定到芯片上，从而改善了 PU 工艺上的 TF。但是，由于材料无法嵌入到基板上，封装可靠性下降。探索了高基板嵌入抑制 TF 的影响因素。为了探索这些因素，实施了直角撕裂强度方法。在分析数据后，发现了一个抑制 TF 的新参数。该参数与 TF 显示出很强的相关性。开发了一种新的 DDAF，可减轻 PU 过程中的 TF。关键词 刀片切割、切割芯片贴膜、MEMS、直角撕裂强度法、转移失败
使用视频视觉变压器对周围车辆的巷道更改预测
摘要：预期周围车辆的车道变化对于自动驾驶汽车的安全和ffi cient运行至关重要。以前的作品采用了不包含上下文信息的物理变量的用法。最近的方法依赖于行动识别模型，例如3D CNN和RNN，从而处理了复杂的体系结构。尽管变形金刚的出现成为行动识别，但采用变压器体系结构的作品有限。自主驾驶依赖于许多外部因素，包括驾驶员行为，天气状况，意外障碍和遵守Tra FFI C规则。但是，关键组件是能够准确预测自动驾驶汽车之前的车辆是否可能改变车道的能力。这项研究通过采用视频动作预测来应对自动驾驶汽车中车道变化预测（LCP）的关键挑战，并特别着重于整合视频视觉变形金刚（Vivit）。使用摄像头输入得出的小管嵌入，此方法利用了预防数据集，该数据集提供了对车辆轨迹和关键事件的详细注释。该方法超过了先前的模型，在通过1秒地平线预测车道变化方面达到了超过85％的测试精度。比较分析重点介绍了Vivit在视频数据中捕获时空依赖性方面的优越性，同时也需要更少的参数，从而提高了计算EFFI的效率。这项研究有助于通过展示Vivit在现实世界应用中的E FFI CACY并提倡进一步探索以提高车辆安全性和E FFI效率的进一步探索，从而有助于提高自主驾驶技术。
系统工程师Zürich
Embotech是一种屡获殊荣的软件扩展，开发了自动驾驶汽车的最前沿自动驾驶技术和解决方案，重点是私人地面应用，例如港口航站楼的卡车和工厂中的乘用车。我们通过利用自2013年以来一直在开发的实时优化技术来提供安全的自主运输。我们正在寻找一名动手系统工程师，他热衷于与快速开发团队一起迭代出色的系统。使用Embotech的自动驾驶软件和外部供应商的硬件组件，您将加入卡车系统团队在部署快速增长的自动驾驶卡车中发挥重要作用。您的角色将涉及系统设计和系统测试定义。我们在一家快速发展的公司中提供了令人兴奋的工作，该公司具有诱人的条件和灵活的时间。Embotech在现代和动态的环境中开发创新产品，您可以期待国际氛围，具有高技能的同事，对卓越和效率充满热情。我们正在寻找高度有动力的人来帮助我们解决当今最复杂的挑战之一，并将我们的公司提升到一个新的水平。职责•有助于系统体系结构和安全概念•客户需求的启发和转化为系统要求。•定义硬件要求并管理外部供应商。•系统测试定义。•有机会为正式的系统开发和验证过程定义做出贡献。•与产品管理，软件工程师和控制工程师合作，提供完整的自动驾驶堆栈。•根据需要前往客户或自己的测试区域。