survAIval: 以 AI 之眼进行生存分析
为了证明自动驾驶汽车可以安全、稳健地处理多种不同情况的交通,提出了一个通过 KI Absicherung 本体论将集体专家知识描述转化为场景和情境来提取自动驾驶数据集中的极端案例,并评估检测网络性能的流程。
May, 2023
基于知识的逻辑从公共交通事故数据集中提取出了定义危险驾驶形式的知识,这对于识别交通危险非常关键,可以监督和改进安全关键系统中的人工智能模型。同时,我们使用自动验证方法验证了这种逻辑的健壮性。
Dec, 2023
本研究提出基于深度神经网络的端到端学习自动驾驶系统 SuperDriver AI,该系统学习来自经验丰富的人类驾驶员的驾驶行为和政策,采取驾驶操作并确保路面安全。实验结果表明,该系统在真实行驶场景下运行良好。
May, 2023
通过模仿学习实现基于视觉的自动驾驶,将人类驾驶员的行为模仿训练在原始驾驶员视野图像和行动数据对上,同时将眼睛的关注点信息与深度神经网络集成,以提高网络对新环境的泛化性能。
Jul, 2019
通过对司机人群行为偏好数据的建模和模拟,我们构建了一个智能辅助驾驶员驾驶干预策略的轻量级仿真环境,并使用该环境来测试不同驾驶员类型的区分能力和干预策略的效果。
Jul, 2022
本文使用模拟平台进行了复杂的交通仿真实验,针对连通与自动驾驶汽车的驾驶行为进行了建模,并分析了多种人为与机制相关的因素对交通网络的影响。
Aug, 2022
本研究分析 Uber 自動駕駛汽車事故,旨在回答自動駕駛汽車技術是否準備好在公共道路上部署的問題,在此使用最先進的計算機視覺模型,評估各種圖像增強和物體識別技術,以實現在低照度條件下行人安全。
May, 2018
提出了一种自我完善的人工智能系统,通过黑盒验证方法,增强基于强化学习的自主驾驶代理的安全性能。在发现自动驾驶失败情况后,RL 代理的训练通过迁移学习重新初始化,以改善先前不安全的情况的表现
Oct, 2022
使用现代化驾驶模拟器,提出检测和生成测试方案的有效机制,通过量化方案复杂度的度量标准来定义基于避免事故的复杂度度量标准,并对未来的自动驾驶车辆进行改进提供了洞见。
Mar, 2021