XiaoMi-AI文件搜索系统
World File Search System驾驶的
在高速公路场景中对自动驾驶汽车的本地化方法的调查
摘要：在高速公路上的自动驾驶汽车的背景下，第一个也是最重要的任务之一是将车辆定位在道路上。为此，车辆需要能够考虑到几个传感器的信息，并将其与来自路线图的数据融合在一起。高速公路上的本地化问题可以蒸馏成三个主要组成部分。第一个是推断车辆目前行驶的道路上的推断。的确，全球导航卫星系统不够精确，无法自行推导此信息，因此需要进行过滤步骤。第二部分包括估计车辆在车道中的位置。最后，第三个也是最后一个旨在评估车辆目前驾驶的车道。这两个组件是必须安全驾驶的，因为诸如车辆之类的行动需要有关车辆当前定位的精确信息。在这项调查中，我们介绍了在高速公路场景中自动驾驶的定位方法的分类法。我们介绍本地化过程的每个主要组成部分，并讨论相关最新方法的优点和缺点。
在自动驾驶汽车中的计算机视觉应用
摘要 - 自主车是指能够感知其周围环境的车辆，并且很少或没有人类驾驶员的投入。感知系统是一个基本组件，它使自动驾驶汽车能够收集数据并从周围的环境中提取基本信息，以确保安全驾驶。受益于计算机视觉的最新进展，可以使用诸如照相机，激光雷达，雷达和超声传感器等传感器来实现感知任务。本文回顾了过去十年中发表的有关计算机视觉和自动驾驶的出版物。尤其是我们首先研究自动驾驶系统的演变，并总结了来自不同国家的主要汽车企业家开发的系统。第二，我们研究了通常用于自动驾驶的传感器和基准数据集。然后，讨论了对自动驾驶的计算机视觉应用的全面概述，例如深度估计，对象检测，车道检测和交通标志识别。此外，我们会回顾公众对自动驾驶汽车的意见和关注。根据讨论，我们分析了自动驾驶汽车面临的当前技术挑战。最后，我们提供了见解，并指出了一些有希望的未来研究方向。本文将帮助读者从学术和行业的角度了解自动驾驶汽车。
武器舱与仓库的分离 - Icas.org
使用任何方法预测武器的携带和随后的释放的困难不仅在于能够准确模拟复杂的组件相互作用，还在于能够足够快地提供这些信息以授权武器的放行。近二十年前，引入了一种综合测试和评估 (T&E) 方法进行存储分离，该方法结合了风洞测试、分析方法和飞行测试。当时只是偶尔使用的 CFD，现在经常取代风洞进行外部存储分离。许多现有和所有新型攻击机，无论是有人驾驶的还是无人驾驶的，都是为内部武器携带而设计的。描述了使用 CFD、风洞和飞行测试进行飞机存储与内部武器舱分离的问题。
纽约市闯红灯摄像头项目审查
除了我们认为可以帮助遏制鲁莽驾驶的这项扩展之外，我们还希望对那些特别顽固的司机施加更严厉的处罚，对他们来说，反复的罚款似乎没有起到任何威慑作用。这些司机占闯红灯违规司机的不到 0.5%，但我们的研究表明，他们构成了不成比例的威胁——因为他们发生造成伤害的车祸的可能性是其他人的三倍。因此，纽约市交通局支持州参议员迈克尔·贾纳里斯 (S451) 和众议员威廉·马格纳雷利 (A7621) 提出的第二项法案，该法案授权机动车辆管理局暂停 12 个月内累计闯红灯五次或五次以上违规者的车辆登记，以解决惯犯持续鲁莽驾驶的问题。
摘要 - 电气和计算机工程
对自动驾驶汽车未来的典型预测包括人们将从日常通勤驾驶的压力中解脱出来，甚至可能在上班途中小憩一会儿。预计这将伴随着驾驶死亡率的大幅下降，因为不完美的人类驾驶员将被（可能）更好的计算机自动驾驶仪取代。城市政府似乎相信这将在 10 年内实现（波士顿咨询集团 2015 年）。但是，如何让这种完全自动驾驶汽车真正安全并非易事（Luettel 2012 年，Gomes 2014 年）。我们概述了与几年前的汽车相比，制造可接受的安全性完全自动驾驶汽车所面临的重大挑战，重点强调了在规模庞大的车队中验证自动驾驶的难度。
确认一般飞行经验（A） - 德国联邦国防军
1 欧盟法规第 1178/2011 号 FCL.010 条“多驾驶员操作”：就飞机而言，这意味着在多驾驶员或单人驾驶的飞机中，需要至少两名飞行员与多名驾驶员机组合作的操作。
Mobileye – 从 ADAS 到自动驾驶
Mobileye 提出了一种技术中立的数学安全模型，帮助定义自动驾驶汽车安全驾驶的含义。我们的模型由形式逻辑和规则组成，称为责任敏感安全 (RSS)，遵循五条安全规则：
使用人工智能的自动驾驶汽车
自动驾驶汽车（也称为自动驾驶汽车（AV））最近由于革新运输和提高道路安全性而引起了极大的关注。Gupta等。 [25]引入了这些车辆取决于人工智能（AI）和深度学习，以自主的方式导航，感知其周围环境并做出驾驶决定。 本文献综述研究了在自动驾驶汽车领域采用AI的关键研究和进步。 我们研究了AV创新领域的历史背景，技术基础，挑战和潜在发展。 自主驾驶的概念吸引了人们多年的人们。 该领域的初步调查为自动驾驶汽车开发奠定了基础。 2000年代初期，DARPA的Dave（用于增强视觉增强的驾驶员协助）展示了使用摄像头和转向说明来训练模型进行自动驾驶的可能性。 这项工作标志着自动导航的端到端学习的开始。 自动驾驶车辆进化的基本要素是卷积神经网络（CNN）的应用。 这些先进的深度学习模型是为处理视觉信息而定制的，使其对于计算机视觉任务（包括对象检测，图像分类和细分）非常有价值。Gupta等。[25]引入了这些车辆取决于人工智能（AI）和深度学习，以自主的方式导航，感知其周围环境并做出驾驶决定。本文献综述研究了在自动驾驶汽车领域采用AI的关键研究和进步。我们研究了AV创新领域的历史背景，技术基础，挑战和潜在发展。自主驾驶的概念吸引了人们多年的人们。该领域的初步调查为自动驾驶汽车开发奠定了基础。2000年代初期，DARPA的Dave（用于增强视觉增强的驾驶员协助）展示了使用摄像头和转向说明来训练模型进行自动驾驶的可能性。这项工作标志着自动导航的端到端学习的开始。自动驾驶车辆进化的基本要素是卷积神经网络（CNN）的应用。这些先进的深度学习模型是为处理视觉信息而定制的，使其对于计算机视觉任务（包括对象检测，图像分类和细分）非常有价值。
可用的博士后研究人员职位
[描述]这个博士后研究人员的职位由普渡大学工程学学院共同担任。该职位提供了一个独特的机会，可以在机器学习和自动驾驶的交汇处进行多学科研究。成功的候选人有望在深度学习和概率推理领域中开发新算法，以服务于自主驾驶的计划任务，包括行为预测，决策和/或轨迹产生。候选人将完全访问实验室拥有的设备齐全的自动化车辆和专业的测试轨道，以收集数据并验证已开发的算法。该职位将由莱尔斯土木工程学院助理教授Ziran Wang博士和普渡大学计算机科学系助理教授Ruqi Zhang博士共同指导，还将与两个实验室的顶级人才团队合作。