本技术报告在安全关键应用中，研究了用于图像分类的经过训练的卷积神经网络（CNN）的验证结果。通过使用 ANSI/UL 4600 和 ISO 21448 等新标准，结合现有标准 EN 50128 和 EN 50129，证明了类似 Grade of Automation (GoA) 4 的货运自动列车系统确实可以被认证。此外，通过传感器 / 感知器融合，进行了系统级危险率的定量分析，以满足可接受的安全完整性等级（SIL-3）。对 CNN 模型进行了数学分析，从中识别出分类集群和等价类，划分了 CNN 的图像输入空间。利用这些集群和类别，介绍了一种新的统计测试方法，用于确定经过训练的 CNN 的剩余误差概率及其相关的上限置信度。我们认为，考虑到 CNN 模型的内部结构，这种灰箱方法对于证明统计测试全面覆盖了训练过的 CNN 及其神经元和层间映射是至关重要的。

Dec, 2023

本文提出了一种两步架构，通过结合监督学习和强化学习来处理动态避障任务。第一步，我们采用数据驱动方法使用循环神经网络估计障碍物的碰撞风险，以解决非线性障碍物移动的鲁棒性问题。第二步，我们将这些碰撞风险估计值纳入强化学习智能体的观察空间，以增加其环境感知能力。我们通过在具有多个障碍物的复杂环境中训练不同的强化学习智能体来展示我们的两步方法的有效性。实验证明，将碰撞风险指标整合到观察空间中，可以使智能体的奖励性能提升一倍，相当于在考虑的环境中减少一半的碰撞次数。此外，我们还证明该架构的性能改进与所采用的强化学习算法无关。

Nov, 2023

通过利用机器学习和计算机视觉技术，这项研究提出了一种智能系统，通过非极大值抑制（NMS）集成模型以及 UNet 架构的分割技术，对铁路公路环境进行目标检测和火车驶近监测，从而提高公路铁路交叉口的安全性。

Mar, 2024

利用光流线索指导的半监督分割方法解决铁路场景中多类障碍物检测问题，通过生成逼真的合成图像并利用光流作为先验知识来有效训练模型，实验证明了该方法的可行性和效果。

Jun, 2024

铁路上可靠的障碍物检测可以帮助防止导致伤害、潜在的损坏或脱轨的碰撞。我们提出利用浅层网络从正常的铁路图像中学习铁路分割，并通过学习虚构无障碍图像的全局信息的受控包含来改进方法。我们在一个包含人工增强障碍物的铁路图像数据集上评估我们的方法，结果表明我们的方法优于其他基于学习的基准方法。

Jul, 2023

驾驶行为相关事故的避险技术对于风险缓解至关重要。我们提供了一种新的多类驾驶员分心风险评估（MDDRA）模型，该模型在旅程中考虑了车辆、驾驶员和环境数据。MDDRA 通过风险矩阵将驾驶员分类为安全、不小心或危险。我们使用 Field Operation Test（TeleFOT）收集了在英国东米德兰地区使用相同路线的真实数据。结果显示，通过减少由驾驶员分心引起的道路事故是可能的。我们还研究了分心（驾驶员、车辆和环境）与基于连续分心严重程度评分的分类严重程度之间的相关性。此外，我们应用机器学习技术对驾驶员分心进行分类和预测，以在情况被认为存在风险时帮助控制从驾驶员转移到车辆（接管车辆）。集成袋装树算法表现最佳，准确率为 96.2%。

Feb, 2024

本文提出一种新的概率鲁棒性评估方法 (PR0A)，用于测量深度学习模型对功能扰动的鲁棒性，可以提供模型失败的概率性保证。该方法在实际中具有较高的效力和灵活性，并且相比于已有的基准线，它可以与各种大规模深度神经网络进行良好的扩展。

Jul, 2022

本文介绍了一种基于预测的高速公路碰撞风险评估方法，利用点动态系统建立了双向概率分布运动的随机正向可达集，提出了加速度预测模型，以及对车辆状态进行推广的多模态概率加速度分布和碰撞概率计算方法，模拟结果表明该预测模型在车辆位置误差方面具有优秀的性能，该碰撞检测方法在切入事件中识别碰撞的能力敏捷且有效。

May, 2022

本文介绍了一种基于符合性预测的可靠和可信预测器的使用，以便于在实际场景中部署深度学习模型，并提供能够准确反映其不确定性的置信度估计。作者结合新颖的数据集和现代化的目标检测器反复测试了几种符合性方法，并基于符合风险控制提出了新的方法，以此为目的，展示出符合性预测框架在评估模型性能和为实现正式保证的不确定性边界提供实际指导的潜力。

Apr, 2023

本文旨在解决在农业等未经整治的地形中进行可靠的障碍物检测和分类仍然是一个具有挑战性的问题，并提出了一种通过概率融合激光雷达和摄像机获取语义分割的几何和外观并行检测方法，表现出了极高的分类准确度。

Jun, 2017