单眼相机传感器对于智能车辆操作和自动驾驶帮助至关重要，并且在交通控制基础设施中也很大程度上使用。但是，校准单眼摄像机很耗时，通常需要大量的手动干预。在这项工作中，我们提出了一种外部摄像机校准方法，该方法通过利用来自图像和点云的语义分割信息来自动化参数估计。我们的方法依赖于对摄像头姿势的粗略初始测量，并建立在具有高精度定位的车辆上的雷达传感器上，以捕获相机环境的点云。之后，通过执行语义分段传感器数据的激光镜头到相机的注册来获得相机和世界坐标空间之间的映射。我们在模拟和现实世界中评估了我们的方法，以证明校准结果中的低误差测量值。我们的方法适用于基础设施传感器和车辆传感器，而它不需要摄像机平台的运动。

城市交叉点的交通效率提高在自动交叉管理领域具有强大的研究兴趣。到目前为止，提出了大多数非学习算法（例如预订或基于优化的算法）来解决基本的多代理计划问题。同时，使用机器学习方法越来越多地实施了单个自我车辆的自动驾驶功能。在这项工作中，我们基于先前呈现的基于图的场景表示和图形神经网络，以使用强化学习来解决问题。除了车辆的现有节点功能外，通过使用边缘功能，通过使用边缘功能改进了场景表示。这会导致更高的表示网络体系结构利用的表示质量提高。本文对针对自动交叉路口管理通常使用的基线的建议方法进行了深入的评估。与传统的信号交叉路口和增强的第一届第一方案相比，在变化的交通密度下，观察到诱导延迟的显着减少。最后，通过测试训练过程中未见的交叉路口布局的策略来评估基于图的表示的概括能力。该模型实际上将较小的相交布局概括，并且在某些范围内对较大的交叉路口进行了概括。

在自动驾驶领域内朝着更高水平的自动化迈进的进步伴随着对车辆操作安全的需求的增加。由计算资源的限制引起的，算法的计算复杂性之间的权衡及其在确保自动化车辆安全运行的潜力之间经常遇到。情境感知的环境感知提出了一个令人鼓舞的例子，其中计算资源分布在感知区域内的区域，这些区域与自动车辆的任务相关。尽管经常利用先前的地图知识来确定相关区域，但在这项工作中，我们提供了仅依赖在线信息的安全区域的轻量级标识。我们表明，我们的方法可以在关键方案中实现安全的车辆操作，同时在环境感知中保留了不均匀分配资源的好处。

自动化代理的环境感知领域的进步导致生成的传感器数据持续增加。处理这些数据的可用计算资源必将变得不足以实时应用程序。通过基于代理商的情况识别最相关的数据（通常称为情况意识）来减少要处理的数据量，并增加了研究的兴趣，并且预计互补方法的重要性将在不久的将来进一步增加。在这项工作中，我们将最近引入的情境感知环境感知概念的适用性范围扩展到Unicaragil项目的分散自动化体系结构。考虑到车辆的特定驾驶能力，并以后处理方式使用有关目标硬件的实际数据，我们提供了每日降低功耗的估计，该功耗累积到36.2％。在实现这些有希望的结果的同时，我们还表明，如果应最佳利用情况意识的好处，则需要考虑软件模块设计中的数据处理中的可扩展性以及功能系统的设计。

我们介绍了MGNET，这是一个多任务框架，用于单眼几何场景。我们将单眼几何场景的理解定义为两个已知任务的组合：全景分割和自我监管的单眼深度估计。全景分段不仅在语义上，而且在实例的基础上捕获完整场景。自我监督的单眼深度估计使用摄像机测量模型得出的几何约束，以便从单眼视频序列中测量深度。据我们所知，我们是第一个在一个模型中提出这两个任务的组合的人。我们的模型专注于低潜伏期，以实时在单个消费级GPU上实时提供快速推断。在部署过程中，我们的模型将产生密集的3D点云，其中具有来自单个高分辨率摄像头图像的实例意识到语义标签。我们对两个流行的自动驾驶基准（即CityScapes and Kitti）评估了模型，并在其他能够实时的方法中表现出竞争性能。源代码可从https://github.com/markusschoen/mgnet获得。

可靠的跟踪算法对于自动驾驶至关重要。但是，现有的一致性措施不足以满足汽车部门日益增长的安全需求。因此，这项工作提出了一种基于卡尔曼过滤和主观逻辑的混乱中单对象跟踪自我评估的新方法。该方法的一个关键特征是，它还提供了在线可靠性评分中收集的统计证据的量度。这样，可靠性的各个方面，例如假定的测量噪声，检测概率和混乱速率的正确性，除了基于可用证据的整体评估外，还可以监视。在这里，我们提出了用于研究问题的自我评估模块中使用的参考分布的数学推导。此外，我们介绍了一个公式，该公式描述了如何为冲突程度选择阈值，这是用于可靠性决策的主观逻辑比较度量。我们的方法在旨在建模不利天气条件的挑战性模拟场景中进行了评估。模拟表明，我们的方法可以显着提高多个方面杂物中单对象跟踪的可靠性检查。

由于静态优先规则和遮挡限制了对优先流量的观点，城市交叉口容易延迟和效率低下。改善交通流量的现有方法（广泛称为自动交叉管理系统）主要基于非学习预订方案或优化算法。基于机器学习的技术在计划单个自我车辆方面显示出令人鼓舞的结果。这项工作建议通过共同计划多辆车来利用机器学习算法来优化城市交叉点的交通流量。基于学习的行为计划提出了几个挑战，要求适合的输入和输出表示以及大量的基础数据。我们通过使用基于图形的柔性输入表示并伴随图神经网络来解决以前的问题。这允许有效地编码场景，并固有地为所有相关车辆提供单独的输出。为了学习明智的政策，而不依赖于专家示范的模仿，合作计划任务被视为强化学习问题。我们在开源模拟环境中训练并评估提出的方法，以进行自动驾驶的决策。与静态优先规则管理的第一届第一局和流量相比，学识渊博的计划者表现出显着的流速增长，同时减少了诱导停止的数量。除合成模拟外，还基于从公开可用的IND数据集中获取的现实世界流量数据进行评估。

在这项工作中，我们介绍了一种基于双季度的单眼手眼校准的方法。由于单手术机制的非度量缩放转换，除了旋转和翻译校准之外，还必须估计缩放因子。为此，我们得出了一种二次约束的二次程序，允许组合估计所有外本校准参数。由于其紧凑的表示，使用双季度导致低运行时间。我们的问题配方进一步允许同时为相同传感器设置的不同序列估计多个缩放。基于我们的问题制定，我们派生了，快速的本地和全球最佳的解决方法。最后，评估了我们的算法，并与最先进的模拟和实际数据的方法进行了评估，例如，EUROC MAV数据集。

在自动驾驶领域内，环境感知的明显趋势趋于更多的传感器，更高的冗余和计算能力的总体增加。这主要是由范例驱动，以尽可能地掌握整个环境。然而，由于功能复杂性的持续上升，必须考虑妥协以确保感知系统的实时能力。在这项工作中，我们介绍了一种情况感知环境感知的概念，以控制资源分配在数据内处理相关区域，以及仅用于用于环境感知的功能模块的子集，如果足够的驱动任务。具体地，我们建议评估自动化车辆的上下文，以得出定义相关区域的多层注意图（MLAM）。使用此MLAM，动态配置有源功能模块的最佳状态，并强制执行仅相关数据的模块内处理。我们概述了我们概念在手头的直接实施中使用真实数据应用的可行性。在保留整体功能的同时，我们实现了59％的累计处理时间的降低。

Dataset distillation has emerged as a prominent technique to improve data efficiency when training machine learning models. It encapsulates the knowledge from a large dataset into a smaller synthetic dataset. A model trained on this smaller distilled dataset can attain comparable performance to a model trained on the original training dataset. However, the existing dataset distillation techniques mainly aim at achieving the best trade-off between resource usage efficiency and model utility. The security risks stemming from them have not been explored. This study performs the first backdoor attack against the models trained on the data distilled by dataset distillation models in the image domain. Concretely, we inject triggers into the synthetic data during the distillation procedure rather than during the model training stage, where all previous attacks are performed. We propose two types of backdoor attacks, namely NAIVEATTACK and DOORPING. NAIVEATTACK simply adds triggers to the raw data at the initial distillation phase, while DOORPING iteratively updates the triggers during the entire distillation procedure. We conduct extensive evaluations on multiple datasets, architectures, and dataset distillation techniques. Empirical evaluation shows that NAIVEATTACK achieves decent attack success rate (ASR) scores in some cases, while DOORPING reaches higher ASR scores (close to 1.0) in all cases. Furthermore, we conduct a comprehensive ablation study to analyze the factors that may affect the attack performance. Finally, we evaluate multiple defense mechanisms against our backdoor attacks and show that our attacks can practically circumvent these defense mechanisms.