搜索结果

自动驾驶常被描述为能显著改善交通安全、环境与出行便利的技术，但一个不太体面的事实是：在投入超过十年之后，这类系统仍被限制在驾驶条件相对有利的区域运行。这份资料要回答的正是这个落差——为什么技术与资本都不缺，自动驾驶却走不出“好天气、好路况”的边界。

自动驾驶长期被设想为交通领域的一次巨大跃迁，这是论文摘要开篇给出的判断。但从这个愿景走到真正能在路上跑的系统，中间卡在哪一环？这份资料给出的回答是感知——它明确指出，感知是自动驾驶软件中最突出的挑战之一。

机器人系统从实验室走向真实道路和空域时，安全成了一个绕不开的前提。这份由 Chia-Yin Shih 完成、Laurent El Ghaoui 指导的 UC Berkeley 电气工程与计算机科学博士论文，讨论的正是这个问题：当自动驾驶汽车、无人机这类系统进入现实世界，我们能用什么方法为它们提供安全保障。

深度学习驱动的视觉系统已经嵌入自动驾驶、人脸识别和内容审核等场景，而这些场景里的失败往往不是由精心构造的对抗样本触发的：光线一变、目标被挡住一角、姿态或背景换了，模型的表现就可能滑落。

迈向云辅助自动驾驶

这份 MIT 博士论文处理的是一个具体的交通设计问题：能否把自动驾驶汽车的安全与自主导航能力，装进一辆轻量、便宜、环保的个人交通工具里，而不是继续走「把普通汽车做成无人驾驶」的老路。

自动驾驶汽车长期被描绘成能让出行变得轻松、安全、不再拥堵的技术方案，但同一批承诺背后也有另一种担心：它可能进一步固化已经主导交通格局六十多年的汽车依赖。与此同时，另一条城市议程在升温——可步行城市、“15 分钟城市”等概念主张把城市空间重新围绕行人、公共交通以及自行车和电动滑板车这类 micro-mobility 来组织。

自动驾驶系统为什么离不开高精地图，又为什么必须摆脱对它的依赖？Teddy Ort 在 MIT 的博士论文《Autonomous Navigation without HD Prior Maps》围绕的正是这个问题。

Buckman, Noam 的博士论文《Semi-Cooperative Planning in Mixed Human-Autonomous Environments》要回答的，是在混合人类与自主系统的环境里，自动驾驶车辆如何做出社会合规的规划。

端到端学习正在改变高度自动驾驶汽车的研发路径，深度学习的进展让从感知到控制的整条链路可以联合优化。但这份资料把注意力引向另一面：当实时决策由当代学习方法生成时，缺乏可解释性会妨碍用户信任，并削弱这类车辆的广泛部署与商业化。