本研究揭示了虚拟现实系统中的一项新漏洞，攻击者可以通过毫米波信号在不直接接触或虚拟连接的情况下捕获用户的隐私信息。我们提出了mmSpyVR，这是一种利用毫米波雷达攻击虚拟现实用户隐私的新方法，具有高达98.5%的应用识别准确率和92.6%的按键识别准确率，显示出在多个领域（如网络安全和隐私保护）中的重要影响。

本研究聚焦于海上障碍物检测中的表面反射问题，指出水面反射会导致物体检测出现误报。通过测试两个自定义数据集，研究表明反射降低了检测器的性能，并提出了一种名为热图滑动过滤器的新方法，有效减少了34.64%的误报。此工作为提高无人水面车辆的自主驾驶能力提供了重要的理论和技术支持。

本文提出了一种新型机器人运动规划方法，结合Eikonal方程和逐步学习策略，显著提高了路径规划的速度和成功率。研究表明，利用神经网络进行动态避障和碰撞概率估计，提升了机器人在复杂和未知环境中的导航能力。实验结果显示，该方法在多种任务中成功率显著提高，具备良好的实用性和扩展性。

本研究提出了一种基于不确定性的模型学习算法，旨在提高移动机器人在导航和避障中的安全性。该算法通过神经网络处理传感器数据，有效减少碰撞风险，并在动态环境中实现灵活的路径规划。实验结果表明，该方法在多种机器人平台上表现出色，提升了环境感知能力和决策效率。

该方法解决了自动驾驶中LiDAR数据集偏差问题。通过多模态物体检测和3D物体检测器训练，提高了对未知域的转换鲁棒性和泛化性能。该方法在域泛化性能方面取得了最先进的成果。

深度学习目标检测对视力受损者避开障碍物有效。评估七种不同的YOLO目标检测模型，发现YOLOv8在Obstacle数据集上表现最佳，精确度80%，召回率68.2%。

该研究使用迷你光学飞行时间传感器检测平面表面的几何偏差，通过拟合高斯混合模型解决几何和表面光信息之间的歧义。实验结果显示该方法在避免障碍物和悬崖方面优于传统方法。

本文研究了卷积神经网络在无监督学习下学习光流预测的能力，并提出了一种新的模型来显式模拟遮挡问题。通过新颖的变换方式，该方法能更好地学习大运动。在Flying Chairs，MPI-Sintel和KITTI标准数据集上的测试结果表明，无监督方法在KITTI数据集上的效果优于有监督方法，尤其在该数据集上，我们的方法表现出色。

研究人员提出了一个新的四肢导航框架TOP-Nav，将路径规划器与地形感知、避障和闭环本体感知整合在一起。通过引入地形估计，机器人能够在易通过的地形上选择航点，并避开障碍物。通过闭环运动反馈，对基于视觉的地形和障碍物估计进行在线校正。TOP-Nav 在开放世界导航中展现出了优于现有方法的性能。

ODTFormer是一种基于Transformer的模型，用于解决障碍物检测和跟踪问题。通过利用可变形注意力构建三维成本体积，以体素占用栅格的形式逐渐解码来进行检测任务。在实验证明，ODTFormer在障碍物检测任务中达到了最先进的性能，并且计算成本比最先进的障碍物跟踪模型少十到二十倍。

深度学习目标检测对视力受损者避开障碍物有帮助。评估七种不同的YOLO目标检测模型，发现YOLOv8在道路和人行道上的表现最佳，精确度为80%，召回率为68.2%。YOLO-NAS在其他应用中表现更好，但对于障碍物检测任务来说不理想。

本文提出了一种利用多视角 LiDAR 返回和摄像头图像的终端到终端物体检测和轨迹预测方法，使用 Bird's-Eye View (BEV) 网络的状态-of-the-art 融合历史 LiDAR 数据和高清地图的体素化特征来执行检测和预测任务。在实际的无人驾驶车辆数据和公共 nuScenes 数据集上，所提出的多视角融合方法的表现都优于最先进的技术，并且增加了较少的计算成本。

介绍了一个名为Slash Saber的在线游戏，玩家需要使用鼠标用剑砍倒障碍物，使用了多种技术，源码可以在GitHub存储库中找到。

本文使用深度学习方法实现城市街道场景图像识别模型，能准确分类和检测不同场景下的物体。同时，通过特征向量提取和降维，实现了基于图像碎片的检索和分割。