盲杖是一款为视障人士设计的障碍物检测应用，利用激光雷达和深感相机实时测距，帮助用户避开障碍物，最远可测5米，误差在厘米级。

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。

本文探讨了自动驾驶汽车的障碍物检测和速度估计技术，利用深度学习和激光雷达提高检测精度和速度估计的准确性。同时，研究了交通视频分析和智能手机加速度计数据的应用，提出了新的模型和框架，以增强行驶安全性并降低交通事故率。

该研究介绍了多种基于神经网络的3D点云处理方法，如VPC-Net、S3CNet和PointPnCNet，旨在提升车辆监测、场景补全和障碍物检测的性能。这些方法在多个数据集上表现优异，推动了自动驾驶技术的发展。

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。

本文综述了自主导航领域的深度学习框架，重点讨论了障碍物检测和路径规划等关键技术，分析了当前的研究进展与挑战，强调了深度学习在机器人和无人机等领域的重要性，并介绍了开源血管内干预模拟器CathSim及其在自主导管技术中的应用潜力。

本文探讨了多种海洋技术，包括神经网络建模海浪状态、无人机视角下的船只偏航估计、障碍物检测算法以及自主水面航行器的动态特性预测。这些研究展示了深度学习和计算机视觉在海洋机器人学中的应用潜力，提高了船舶响应、目标跟踪和场景变化检测的准确性与效率。

智能安全检查是未来发展的趋势。本文提出了基于YOLOv8s的改进算法CSS-YOLO，旨在解决X光检测中的重叠和漏检问题。研究评估了YOLO系列模型在障碍物检测和个人防护装备检测中的表现，发现YOLOv8在精确度和召回率上表现最佳。此外，结合神经风格迁移技术的NST-YOLOv5模型在极端条件下也展现了良好的鲁棒性。

本文提出了一种新型地形分类框架，利用无监督感知分类器进行像素级语义分割，以提升移动机器人在未知城市环境中的导航安全性和效率。研究通过深度学习算法解决了地面移动机器人中的关键问题，并比较了传统方法与深度学习方法的性能。此外，探讨了多传感器组合在非结构化环境中的应用，提出了高效的障碍物检测和分类方法，展示了视觉系统在真实世界数据上的准确性。

该文介绍了一种名为UASW的实时辅助系统，利用智能手机中的UWB雷达检测障碍物并提醒用户，以确保行人的安全。该系统使用规则和神经网络实现了高准确率的障碍物检测和分类，提高了行人的情境意识。

该研究提出了一种使用具有防碰撞功能的扩散核进行训练的方法，能够在推理时间仅使用单个视觉输入生成可达目标并规划避开障碍物的运动。该方法有效解决了推理时间障碍物检测和额外设备需求的挑战，在多模态环境中具有鲁棒性，能够导航到目标并避免由障碍物阻挡的不可达目标，同时确保避免碰撞。

本文介绍了一种基于Markov随机场的图形模型，实现了无人驾驶水面船只在单视频流中对航行障碍物的快速连续检测，无需计算复杂的纹理特征，实时运行并取得了最佳分割结果。

该文介绍了一种利用外观、语境和几何线索来检测自动驾驶汽车道路中障碍物的方法。该方法基于深度学习的完全卷积网络和基于模型的统计假设检验的最新检测方法，并结合了一个系统的贝叶斯框架。通过在失物招领数据集上评估，该系统相对性能提高了50%，在50米内的检测率超过90%，在自动驾驶平台上的操作频率达到了22Hz。