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。

本文介绍了一种基于立体视觉的障碍物检测方法，能够在自动驾驶中有效识别小障碍物，且不依赖全局道路模型。研究评估了多模态3D物体检测算法的鲁棒性和准确性，提出了无监督对抗领域自适应方法，以解决不同环境下的性能下降问题，并引入新的分类系统以提升文献的清晰度。

本文讨论了铁路障碍物检测的重要性，提出了一种利用浅层网络进行铁路图像分割的方法，并在人工增强障碍物的数据集上进行了评估，结果显示该方法优于其他学习基准。此外，介绍了基于光流的移动物体检测框架和无标注图像分割技术，强调了这些技术在复杂场景中的应用和优势。

本文介绍了一种四足机器人导航系统VP-Nav，结合本体感反馈和视觉信息确保路径安全。研究提出了TopoNav和PRELUDE等算法，提升机器人在复杂环境中的导航和探索效率。通过强化学习和神经网络，机器人在感知故障情况下能够重建环境，展现出良好的适应性和鲁棒性。

本文介绍了基于Transformer架构的3D多目标跟踪和占据预测方法，如3DMOTFormer、occTransformer和OcTr。这些方法通过创新的在线训练策略和特征处理技术，提升了自动驾驶和视觉感知任务的性能，并在相关数据集上表现优越。

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。

通过LaRS数据集，提供了第一个海洋全景障碍物检测基准，包括湖泊、河流和海洋场景，提供了多样性录制位置、场景类型、障碍物类别和获取条件。报告了27种语义和全景分割方法的结果，以及几个性能洞察和未来研究方向。LaRS数据集、评估工具包和基准公开可用。

研究人员使用固态合成方法制造了混合在普通材料中的超导通道碎片。这些通道非常细小且相互之间没有连接。Qcenter声称他们可以通过蒸汽沉积薄膜来改变物质的浓度和纯度，从而实现超导现象。然而，即使有超导通道，单一的障碍物也可以阻塞整个隧道，使电子走慢速路线。因此，即使面对超导体，我们仍然看不到光明。