本研究解决了自主驾驶车辆在复杂动态环境中对可靠交通标志识别和稳健车道检测的需求。采用深度学习与多模态大语言模型相结合的新方法，达到交通标志识别和车道检测的高准确率，显著提升了智能驾驶的安全性与可靠性。研究结果显示，论文提出的框架在各种条件下均具有优越的推理能力，为安全自主驾驶做出重要贡献。

HyperAI整理了8个春节相关数据集，包括对联、交通标志和生肖文化，推动AI在传统民俗中的应用与春节文化创新。

本研究揭示了传统交通标志分类模型在对抗攻击下的脆弱性，强调需要在更广泛的基准上评估新攻击，以增强模型的鲁棒性。

本研究提出了一种新任务，旨在从车辆第一人称视角解读交通标志，以解决自动驾驶系统在交通标志理解方面的不足。研究表明，该方法在更新电子地图和提供额外信息方面具有显著潜力。

本文介绍了多种基于图像的自动驾驶技术研究，包括道路布局推断模型、交通信号数据集构建和车道拓扑预测框架。这些研究旨在利用深度学习和标准清晰度地图等方法，提高自动驾驶的安全性和效率。

YOLO是一种高效的目标检测方法，能够实时识别交通标志。研究提出了改进的MFL-YOLO模型，提升了检测精度和效率。在郊区社区的交通标志检测中，系统达到了96%的准确率，显示出改善道路安全的潜力。此外，研究还探讨了不同天气条件下的物体检测性能，为自动驾驶技术的发展提供支持。

该研究提出了一种通用攻击算法RP2，能够在不同物理条件下生成强大的视觉对抗扰动，并评估其对交通标志识别系统的影响。研究表明自动驾驶系统在面对物理对抗攻击时的脆弱性，并提出了SafeSign图像修复机制，以显著提升识别准确性。

本研究解决了交通标志识别系统易受光斑攻击的安全隐患，通过提出一种名为SafeSign的通用图像修复机制，以应对新型光斑攻击。该机制利用注意力驱动的多视图图像融合修复受污染的交通标志，提升了识别准确性，实验中显示平均准确率提高了54.8%。

本文探讨了YOLO系列模型在自动驾驶中的目标检测应用，特别是交通标志检测。研究提出了PP-YOLO和MFL-YOLO等改进算法，显著提高了检测准确率和效率。最新研究表明，YOLOv5在郊区社区的交通标志检测中达到了96%的准确率，为道路安全和自动驾驶研究提供了支持。

本研究提出了一种新型网络EMDFNet，用于小型物体（尤其是交通标志）检测。该方法通过增强快捷模块和高效混合编码器，提升了特征的多样性和适应性。实验结果表明，EMDFNet在多个基准数据集上表现更佳，同时保持了实时处理能力。

本文探讨了生成对人类眼睛不可见的物理对抗样本的方法，特别是使用红外光和LED进行攻击。研究表明，在自动驾驶车辆的交通标志识别系统中，攻击成功率可达100%。同时，提出了检测策略和多种攻击方法，强调了对抗性攻击对自动驾驶系统的影响及其安全性改进的必要性。

该研究论文探讨了自动驾驶车辆中交通标志检测的挑战，提出了一种结合卷积网络和Transformer模型的新型识别方法。实验结果表明，该模型在准确性和推理速度上优于传统方法，并有效解决了数据集稀缺和类别不平衡问题，为交通标志识别系统的发展奠定了基础。

交通标志是一种符号和交通语言，用于实现逻辑计算和自动驾驶。特拉斯公司使用大模型帮助自动驾驶。

该研究提出了一种利用高清地图中交通信号灯分配信息的新方法，通过分析交通信号灯状态和车辆运动模式自动推导交通灯分配，解决了信息手动提供的问题，并提供了数据集转换方法和公开 API，方便研究人员开发和评估自己的方法。