会议记录并整理流程

深度学习在裂缝检测与分割领域取得显著进展，克服了传统方法在复杂环境中的局限性。主流技术包括改进的U-Net、Transformer架构及多尺度建模，重点关注小目标检测和数据不平衡问题。常用数据集如DeepCrack、CrackTree提供精细标注，而SDNET2018适用于分类任务。未来趋势涵盖合成数据生成、3D裂缝分析和跨域泛化研究。当前最优模型在部分测试集上已达94.2% IoU精度，成为智能

Softmax回归是一个多类分类模型使用Softmax操作子得到每个类的预测置信度使用交叉熵来衡量预测和标号的区别。

为了解决这些问题，我们提出了SafeDrive，这是一个知识和数据驱动的风险敏感决策框架，以提高自动驾驶汽车的安全性和适应性。拟议框架引入了一个模块化系统，包括：（1）风险模块，用于全面量化涉及驾驶员、车辆和道路相互作用的多因素耦合风险；对以动态和高风险场景为特征的现实世界交通数据集进行广泛评估，包括高速公路（HighD）、十字路口（InD）和环形交叉口（RounD），验证了该框架提高决策安全性（

DriveGPT4：将传感器数据（如摄像头图像）投影为语言模型的输入，利用LLM生成驾驶控制信号（如转向、加速、刹车）和解释性文本。DriveLM：通过图结构的视觉问答（GVQA）任务，将感知、预测和规划阶段的问答对连接起来，利用视觉语言模型VLM进行多步推理。优点：LLM能够处理复杂的推理任务，生成人类可理解的驾驶决策，增强系统的可解释性。方法：将LLM用于生成车辆的轨迹或控制信号，利用其推理能

   大型语言模型（LLMs）在机器人和自动驾驶领域取得了长足的进步。本研究提出了第一个基于占用的大型语言模型（Occ LLM），它代表了将LLM与重要表示相结合的开创性努力。为了有效地将占用率编码为LLM的输入，并解决与占用率相关的类别不平衡问题，我们提出了运动分离变分自编码器（MS-VAE）。这种创新方法利用先验知识在将动态对象输入到定制的变分自动编码器（VAE）之前将其与静态场景区分开来。这

《DriveGPT4: Interpretable End-to-End Autonomous Driving via Large Language Model》是由＊＊＊大学、浙江大学、华为和悉尼大学联合研究，于2024年10月发表的一项创新性研究。该研究提出了一种基于大型语言模型（LLM）的新型可解释端到端自动驾驶系统——DriveGPT4。该系统能够处理多帧视频输入和文本查询，不仅能够解释车

类型（城市道路、公路、乡村道路等）、表面质量（开裂、车辙）、几何特征（弯道半径、坡度）、车道特征（标线、车道类型）。：适用于装备自动驾驶系统的M类（载客车辆）、N类（载货车辆），其他类型车辆或低等级自动驾驶系统可参考执行。定义：自动驾驶系统设计时适用的外部环境条件，如道路类型、天气、光照、交通设施等。：注意力状态（闭眼、接打电话）、安全带状态、位姿状态（是否在驾驶位）。：V2X通信（V2V、V2I

ISO 22737:2021标准为低速自动驾驶系统（LSAD）制定了统一规范，适用于封闭/半封闭区域（如校园、商业区）的L4级自动驾驶车辆，最高时速≤32km/h。核心内容包括：明确运行设计域（ODD）边界、系统架构要求（含危险检测和避险功能）、障碍物检测性能（行人1.5m/s、自行车5m/s）以及6种状态转换机制。标准强调安全开发需符合ISO 26262和21448，并提供测试方法覆盖日/夜及恶

ISO 15622:2018是智能交通系统中自适应巡航控制（ACC）的国际标准第三版，整合了前两版内容。标准定义了FSRA（全速域）和LSRA（限速域）两类ACC系统，规范了最小跟车时间间隙（≥0.8秒）、控制策略优先级（安全间距优先于定速）等核心要求，并详细制定了包括自动刹停测试、目标识别等在内的性能测试流程。新版主要更新包括统一FSRA/LSRA标准、允许自动起步功能等。该标准适用于高速公路场