The CEO of Nauto explains how AI is transforming safety systems, driving behavior, and the future of mobility and insurance.

本研究提出了一种插入式构建学习方法（L2C-Insert），旨在解决现有神经组合优化在车辆路径问题中的次优解问题。该方法通过在部分解中有效位置插入节点，提升了解的灵活性和质量，实验结果显示其在多个问题规模上表现优越。

该研究在YOLOv8框架中引入新技术，提升了对多尺度、小型和远程物体的检测准确率，达65%。

本研究提出了一种合成数据增强流程，以模拟自主驾驶中的传感器故障，旨在提高物体检测和跟踪的鲁棒性。通过训练轻量级噪声识别神经网络，识别准确率达到54.4%，从而提升自动驾驶系统的稳定性和可靠性。

本研究提出了一种新框架，解决传统主动安全分析中忽视车辆间相互作用的问题。该框架结合改进的自行车模型和超图AI模型，能够准确预测复杂交通环境中的车距和碰撞时间，从而提升安全感知能力。

本研究针对自主车辆在识别稀有故障模式时的挑战，提出利用生成和可解释的人工智能技术，生成多样化的环境图像和自然语言描述，以提高AV系统的安全性和可靠性。

本研究探讨了自动驾驶车辆如何满足乘客的信息需求，强调在不同乘客和环境下成功互动的标准。通过三项实证研究，提出了量身定制的沟通策略，强调透明、适应性和个性化的AV系统对提升乘客信任和体验的重要性。

Our annual mobility survey examines how consumer priorities and expectations are shaping the transition to electric vehicles in major markets.

本研究提出了一种混合经典-量子深度学习模型（HCQ-DL），旨在提高自主车辆感知模块在对抗攻击下的鲁棒性。HCQ-DL在PGD攻击中保持85%的准确率，显著优于传统模型，有效解决了交通标志分类中的错误问题。

本文提出了一种高性能虚拟传感器，旨在提高车辆侧倾角(VSA)的测量准确性和可靠性。该方法采用不确定性意识混合学习(UAHL)架构，结合机器学习与车辆运动模型，显著增强了自主驾驶的主动安全性。

本研究提出AccidentSim框架，旨在解决自动驾驶研究中获取真实交通事故视频的难题。通过提取事故报告中的物理线索，生成视觉和物理真实的车辆碰撞视频，实验结果表明其表现优异。

本研究提出了一种基于神经场的框架，通过独立建模整体刚体运动与局部结构变形，实现高效、精确的三维车辆碰撞动态预测，误差降低高达83%。该方法在复杂碰撞场景中提供快速、可靠的车辆安全评估，减少了模拟数据和时间需求。

本研究提出了MeshFleet数据集，旨在提高生成模型在工程领域的准确性和质量。通过自动过滤和注释3D车辆数据，优化数据收集过程，为特定领域的生成建模提供高质量数据，强调数据选择对建模成功的重要性。

本研究提出了一种监控视频辅助的联邦数字双胞胎框架（SV-FDT），旨在改善传统智能交通系统中行人与车辆的互动。该框架利用多源交通监控视频，构建全面的互动模型，显著提升交通管理效果，并在延迟和识别准确性方面优于传统框架。

本文提出了一种结合人类反馈的强化学习方法，旨在解决多智能体强化学习中系统行为与用户偏好的对齐问题。该方法优化无人水面器群策略，克服信贷分配挑战，同时确保公平性和性能一致性。

本研究提出了一种基于强化学习的联合概率分布采样神经网络（JPDS-NN），旨在优化农业车辆调度中的入口依赖性问题（EDVRP）。该方法有效考虑了田地几何形状和入口限制，实验结果表明，JPDS-NN显著减少了行驶距离和燃料消耗，并提升了动态任务分配的性能，推动了智能农业调度的发展。

本研究提出V2X-LLM框架，旨在解决连接和自动化车辆与V2X数据集成的挑战。该框架利用大语言模型增强数据理解和实时分析能力，为交通管理提供决策支持，提高交通分析的准确性和安全性。

本研究探讨了行人和车辆在结构化与非结构化环境中的运动轨迹差异。通过提取平均速度和轨迹变异性等特征，并结合K均值聚类和广义线性模型，提出了一种新方法来分类环境。研究表明，轨迹变异性、停留比例和行人密度等特征在两种环境中显著不同，可用于数据集分类。

本研究提出了一种基于层次学习的图划分框架（HLGP），旨在解决容量限制车辆路径规划中的误聚类问题。该框架结合全局和局部划分策略，显著提升了车辆路径规划的求解能力，具有广泛的实用潜力。

本研究提出了一种轻量级身份基础加密的统一框架，以优化6G车载网络的任务卸载管理并降低延迟。研究结果表明，适当提高传输速率能显著提升卸载性能。