本研究提出了一种低成本、超轻量的二进制神经网络（BNN）模型，解决了深度学习模型在资源受限平台上的部署问题。该模型在德国交通标志识别基准数据集上实现了97.64%的识别精度，参数存储开销仅为全精度模型的10%。研究表明BNN在自动驾驶等计算机视觉任务中具有巨大应用潜力。

本研究提出了一种新型激光触发的物理后门攻击方法LaserGuider，解决了现有攻击在控制性和隐蔽性方面的不足。该方法在交通标志识别深度神经网络中实现了超过90%的攻击成功率，对正常输入的影响较小。

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。

本文介绍了一种基于CaRINA2架构的自主车辆导航系统，具备障碍物检测和交通标志识别功能，并在CARLA挑战赛中获胜。该系统采用模块化设计，结合深度学习和逆强化学习，提升了规划性能。研究探讨了各组件对整体性能的影响，并提出了新的训练方法和行为预测方案，推动了自动驾驶技术的发展。

本文研究了卷积神经网络、二值神经网络和胶囊网络等在交通标志识别中的应用，提出了新方法并取得了高准确率。重点分析了自动驾驶中的交通标志检测，探讨了不同模型的优缺点及实际应用表现。

本研究提出了一种改进的语义分割模型，能够更准确地表示道路结构和状况，提高了道路裂缝检测、交通标志识别、车辆检测和车道分割等应用的性能。在道路裂缝数据集上，该模型表现出显著的性能提升。