自动驾驶车辆的安全过马路是智能城市中需要解决的重要问题。本文介绍了一种多传感器融合方法，用于支持由自主轮椅和具备多样化和冗余组件的飞行无人机组成的系统中的过马路决策。为此，我们设计了一个基于可解释的物理条件的分析危险函数，通过单个传感器评估这些条件，其中包括使用机器学习和视觉技术的传感器。作为概念证明，我们在实验室环境中进行了实验评估，展示了使用多个传感器的优势，这可以提高决策准确性并有效支持安全评估。我们将数据集提供给了科学界，以进行进一步的实验。这项工作是在一项名为 REXASI-PRO 的欧洲项目的框架下开展的，该项目旨在为行动不便的人们的社交导航开发可信赖的人工智能。

Mar, 2024

通过改进标注流程和提出的分类体系，我们训练了一个深度学习模型来识别室外天气和危险的路况，从而实现对新情景和环境的快速反应。我们在 F1 得分上相对于基线模型提高了 16%，同时保持了 20 Hz 的实时性能。

May, 2024

本文提出了一种利用深度学习的基于模仿学习的概率驾驶模型，可以综合利用摄像机，激光雷达和雷达的信息来应对各种环境条件和动态障碍物，具有优异的泛化性能。

May, 2020

自主驾驶车辆部署迅速扩张至多个城市。本研究分析了目前最先进的基于 Transformer 的目标检测器中对行人检测公平性的全面实证分析，包括经典度量和新颖的基于概率的度量，以探索保护属性和环境因素对目标检测性能的影响。

May, 2024

通过在受控环境中收集实证数据并引入天气过滤器模型，本文研究了道路交通中行人检测在恶劣天气条件下的性能，并发现天气对行人检测性能的影响可以预测和补偿。

May, 2024

该论文提出了一种基于强化学习的方法来表征自主车辆 (LiDAR) 感知系统在恶劣天气条件下的故障，通过物理学数据增强技术引入干扰来探测跟踪和轨迹预测中的潜在故障。实验表明，与基线相比，我们提出的方法在较小输入干扰的情况下，发现高概率故障，同时保持了可计算性，被发现的故障可以为未来的自主驾驶感知系统的开发提供参考。

Mar, 2022

为了实现自主驾驶高安全性要求下的鲁棒性，本文提出了一种新数据集的收集方法，覆盖多种天气、交通和场景，包含图像和点云数据以及高精度 GPS/INS 数据，并在此基础上分析了自动驾驶的三个关键问题的性能表现。

Aug, 2022

通过使用 CycleGAN 合成多个天气条件下的数据集，我们在自主赛车中将最先进的四个探测器的性能平均提高了 42.7 和 4.4 mAP 百分点，并进行了五种目标探测器的比较分析，以确定在挑战性条件下自主赛车中使用最佳探测器和训练数据。

Jan, 2022

自动驾驶感知技术基于实际街道数据训练的监督式机器学习模型，然而，在不同车辆类型上部署这些训练模型可能会引起域漂移问题，对神经网络性能造成潜在影响并违反工作中的 ADAS 要求。本文通过评估两个感知模型对不同车窗配置的敏感性来深入研究领域漂移问题，使用傅立叶光学威胁模型应用神经网络基准指标与光学价值函数之间的依赖关系进行评估。结果表明车窗引入了性能差异，而现有的光学指标可能不足以提出要求。

Aug, 2023

在这篇论文中，我们讨论了在恶劣天气条件下使用 LiDAR 传感器的环境感知问题，包括处理原始点云，去噪，多传感器融合等方面，发现和解决了当前研究中存在的缺陷和问题，并提出了未来值得研究的方向。

Apr, 2023