Artigos mais recentes para Segurança no Trânsito

Este artigo analisa como os motoristas decidem quando ultrapassar em tráfego misto.

Um novo método melhora a previsão dos movimentos de tráfego para veículos autônomos.

Usando Deep Q-Learning pra ensinar carros autônomos a manter a faixa e evitar colisões.

Um novo framework esclarece o comportamento de agentes autônomos analisando a aderência às regras.

Um novo método melhora a precisão da previsão de trajetórias sem depender de mapas de alta definição.

Este artigo examina como avaliar as intenções dos sistemas de IA.

Nova abordagem melhora as previsões de movimento dos veículos para sistemas de direção autônoma.

Um modelo para veículos automatizados conectados pra melhorar a segurança e a eficiência no trânsito.

Infraestrutura inovadora melhora a segurança em cruzamentos urbanos movimentados.

Uma nova ideia pra deixar os carros autônomos mais seguros e confortáveis.

Apresentando o STZINB-GNN, um modelo melhor pra prever acidentes de trânsito e incertezas.

Um novo framework melhora a precisão na detecção de acidentes de trânsito em vídeos de direção.

Uma nova abordagem melhora a precisão e a eficiência das previsões para carros autônomos no trânsito.

Uma nova abordagem melhora a comunicação de veículos autônomos com motoristas humanos durante manobras complexas.

Um novo método melhora as interações dos veículos para uma direção mais segura.

A tecnologia de direção automática promete estradas mais seguras e menos acidentes.

Esse estudo mostra como os motoristas lidam com situações de mesclagem na estrada.

Um estudo analisa como os hábitos de excesso de velocidade variam pelo mundo e seu impacto na segurança nas estradas.

Um novo método melhora as previsões de posição futura para veículos autônomos.

Um novo método personaliza previsões de veículos pra melhorar a segurança e a assistência ao motorista.

O CLLD melhora a detecção de faixas em condições difíceis usando aprendizado auto-supervisionado.

Um novo método prevê o comportamento dos motoristas e melhora a segurança no trânsito misto.

Novas funcionalidades melhoram como os VAs aprendem estilos de direção para interações mais seguras.

Um novo modelo combina redes neurais e modelos de escolha para previsões de direção mais seguras.

MapPrior melhora a percepção BEV, aumentando a precisão e a segurança para veículos autônomos.

A acumulação de dados de radar pode melhorar a detecção de objetos em veículos autônomos.

Aumentando a compreensão dos motoristas para uma condução semi-autônoma mais segura.

A SKoPe3D oferece dados sintéticos pra detecção de pontos chave de veículos em sistemas de tráfego.

A previsão de movimento é essencial pra operação segura de veículos autônomos, melhorando o fluxo do tráfego e a tomada de decisões.

Métodos inovadores melhoram a segurança e a precisão da navegação de veículos autônomos.

O dataset Rank2Tell melhora a compreensão de cenas de tráfego pra aumentar a confiança na tecnologia de direção autônoma.

Analisando problemas em detectar pedestres pra melhorar a segurança nas ruas pra veículos autônomos.

Pesquisa sobre como detectar objetos incomuns em veículos autônomos usando técnicas de imagem avançadas.

Explorando melhorias em Aprendizado por Reforço para uma direção autônoma melhor.

Esse estudo investiga o uso de câmeras pra melhorar a comunicação entre veículos.

Uma olhada em como estimar a probabilidade de acidentes de trânsito usando técnicas adaptativas.

Pesquisadores analisam como os carros autônomos e os motoristas humanos lidam com conflitos em cruzamentos.

Um novo modelo melhora a troca de faixa e a ultrapassagem de veículos autônomos.

Um novo modelo melhora como os carros autônomos prevem os movimentos de pedestres em áreas lotadas.

Novos métodos melhoram a segurança nos carros autônomos através de uma modelagem de interação mais eficiente.