自动驾驶

Sparse Threats, Focused Defense: Criticality-Aware Robust Reinforcement Learning for Safe Autonomous Driving

稀疏威胁，聚焦防御：面向安全自动驾驶的关键性感知鲁棒强化学习

Qi Wei, Junchao Fan, Zhao Yang, Jianhua Wang, Jingkai Mao, Xiaolin Chang

机构 * Beijing Key Laboratory of Security and Privacy in Intelligent Transportation, Beijing Jiaotong University, P.R.China（北京智能交通安全与隐私重点实验室，北京交通大学，中华人民共和国） 纠错

专题命中 其他自动驾驶 ：autonomous driving(title,abstract)；分类 cs.AI

AI总结 本文提出CARRL方法，通过关键性感知的对抗训练，提升自动驾驶中稀疏安全关键风险的鲁棒性，实验显示碰撞率降低22.66%。

School Transport Electrification -- Adoption, Strategies, Methods and Policy: A Comprehensive Review

学校交通电动化——采纳、策略、方法与政策：全面综述

Megh Bahadur KC, Ziqi Song

专题命中 其他自动驾驶 ：autonomous driving(abstract)

AI总结 本文综述了学校交通电动化的现状、挑战及未来策略，强调政策支持与技术创新对实现零排放目标的重要性。