谷歌的“绿灯”项目利用人工智能优化波士顿114个交叉口的信号灯，旨在降低交通排放。该技术通过分析交通模式，帮助城市工程师快速实施优化方案，预计可减少30%的交通停顿和10%的排放。该项目已在18个城市推广。

海威威的CEO李友讨论了针对儿童的AI毛绒玩具挂件的发展，强调该产品通过大模型技术提升了与孩子的互动体验，激发他们的好奇心。尽管面临市场挑战，公司仍计划推出完整的AI玩具系列，拓展市场。

本研究解决了无人信号控制城市交叉口中的复杂交通管理问题，探讨了使用多模态大型语言模型（如GPT-4o）进行逻辑和视觉推理的新方法。研究表明，通过微调模型，GPT-4o在交通冲突检测上实现了77.14%的准确率，而模型生成的解释和建议的准确率分别达到了89.9%和92.3%，显示了其在实时交通管理中的可行性与潜在影响。

本研究探讨了自动驾驶车辆在交通规则法律方面的表示与推理，提出了一种模块化系统，专注于英国《公路法典》中的交叉口规则。该系统通过自然语言界面和多智能体仿真环境，实现规则可视化与合规监控，促进人类驾驶者与自动驾驶车辆的互动。

本文介绍了多种基于深度强化学习和多智能体协作的交通信号控制与规划方法，旨在提升交通安全、效率和鲁棒性。这些方法包括无信号交叉口优化、适应性实时控制及基于区域划分的信号控制系统。研究表明，这些新算法在性能上显著优于现有方法，有效管理复杂城市交通流量。

本研究探讨了行人检测技术的进展，指出现有检测器在跨数据集评估中的不足，并提出通过合成数据和创新数据集来提升性能的方法。同时，研究介绍了基于在线地图的行人检测系统和事件相机在交通监控中的应用，旨在提高交通安全和实时事故检测的效率。

该论文提出了一种结合深度强化学习的无信号交叉口控制系统，旨在提高交通效率和减少延迟。通过多智能体系统和实时数据分析，优化交通信号和车辆路由，显著降低车辆延迟和排队长度，提升旅行效率。研究表明，该方法在实际应用中表现优越，符合可持续发展目标。

本文介绍了一种名为CaLiCa的深度自校正网络，能够自动校准针孔相机和激光雷达。实验结果表明，其精度为0.154度和0.059米，重投影误差为0.028像素。该算法通过单目深度估计和激光雷达点云的互信息，自动更新校准值，提升自动驾驶系统的感知能力。此外，研究还提出了多模态融合模型CoopDet3D，显著提高了三维物体检测性能。

研究表明，使用轮椅的行人死亡率比整体人口高36%。通过机器学习和深度学习，设计了一个系统架构，能够区分残障人士和正常行人，并预测到达下一个路口的时间。该方案在分类和预测准确性上表现优异。同时，提出了基于潜在场理论的驾驶风险管理框架，结合行人风险度量，提高了模型性能。

该研究提出了基于图神经网络和生成对抗网络的多种模型，旨在提高交通信号优化、行人运动预测和交叉口安全性等方面的效率与准确性。这些方法通过捕捉交通参与者的行为和社会交互，推动智能交通系统的发展。

本文利用机器学习预测非信号控制人行横道中行人与车辆的交互，提出新模型以提高预测准确率。研究发现，90%以上的行人在过马路前会注视车辆，且其决策受到时间到碰撞等因素的影响。通过多模态算法分析环境特征，提升行人安全性，为交通安全提供新见解。

本文探讨了自动驾驶系统的测试与安全性，提出了反事实因果发现、形式化仿真和基于动态贝叶斯网络的交通预测模型等方法，以提高测试效率和准确性，减少冗余测试，识别复杂场景，确保自动驾驶的安全运行。

近年来，自动驾驶领域取得重大进展，但半挂车辆研究较少。本研究使用CARLA和环形交叉口场景开发了卡车和挂车模型，并建立了基准数据集。通过双q软件参与者算法训练的自动驾驶模型，在不同环形交叉口上成功率达73%。

研究发现，机器人车辆在无信号控制的交叉口上实施交通控制策略可显著减少排放。当机器人车辆渗透率达到10%时，燃油消耗和NOx排放分别减少了最多27%和28%。当渗透率达到30%时，CO和HC排放分别减少了最多42%和43%。机器人车辆即使只在交叉口采用策略，也能降低整个网络的排放。