Recently, e-scooter-involved crashes have increased significantly but little information is available about the behaviors of on-road e-scooter riders. Most existing e-scooter crash research was based on retrospectively descriptive media reports, emergency room patient records, and crash reports. This paper presents a naturalistic driving study with a focus on e-scooter and vehicle encounters. The goal is to quantitatively measure the behaviors of e-scooter riders in different encounters to help facilitate crash scenario modeling, baseline behavior modeling, and the potential future development of in-vehicle mitigation algorithms. The data was collected using an instrumented vehicle and an e-scooter rider wearable system, respectively. A three-step data analysis process is developed. First, semi-automatic data labeling extracts e-scooter rider images and non-rider human images in similar environments to train an e-scooter-rider classifier. Then, a multi-step scene reconstruction pipeline generates vehicle and e-scooter trajectories in all encounters. The final step is to model e-scooter rider behaviors and e-scooter-vehicle encounter scenarios. A total of 500 vehicle to e-scooter interactions are analyzed. The variables pertaining to the same are also discussed in this paper.

As one of the most popular micro-mobility options, e-scooters are spreading in hundreds of big cities and college towns in the US and worldwide. In the meantime, e-scooters are also posing new challenges to traffic safety. In general, e-scooters are suggested to be ridden in bike lanes/sidewalks or share the road with cars at the maximum speed of about 15-20 mph, which is more flexible and much faster than the pedestrains and bicyclists. These features make e-scooters challenging for human drivers, pedestrians, vehicle active safety modules, and self-driving modules to see and interact. To study this new mobility option and address e-scooter riders' and other road users' safety concerns, this paper proposes a wearable data collection system for investigating the micro-level e-Scooter motion behavior in a Naturalistic road environment. An e-Scooter-based data acquisition system has been developed by integrating LiDAR, cameras, and GPS using the robot operating system (ROS). Software frameworks are developed to support hardware interfaces, sensor operation, sensor synchronization, and data saving. The integrated system can collect data continuously for hours, meeting all the requirements including calibration accuracy and capability of collecting the vehicle and e-Scooter encountering data.

In this paper, we propose SceNDD: a scenario-based naturalistic driving dataset that is built upon data collected from an instrumented vehicle in downtown Indianapolis. The data collection was completed in 68 driving sessions with different drivers, where each session lasted about 20--40 minutes. The main goal of creating this dataset is to provide the research community with real driving scenarios that have diverse trajectories and driving behaviors. The dataset contains ego-vehicle's waypoints, velocity, yaw angle, as well as non-ego actor's waypoints, velocity, yaw angle, entry-time, and exit-time. Certain flexibility is provided to users so that actors, sensors, lanes, roads, and obstacles can be added to the existing scenarios. We used a Joint Probabilistic Data Association (JPDA) tracker to detect non-ego vehicles on the road. We present some preliminary results of the proposed dataset and a few applications associated with it. The complete dataset is expected to be released by early 2023.

高级驾驶员辅助系统（ADA）旨在提高车辆安全性。但是，如果不了解当前ADA及其可能的解决方案的原因和局限性，就很难获得此类收益。这项研究1）通过文献综述研究了ADA的局限性和解决方案，2）通过使用自然语言处理模型来确定ADA通过消费者投诉的原因和影响，3）比较了两者之间的主要差异。这两条研究线确定了类似的ADA原因类别，包括人为因素，环境因素和车辆因素。但是，学术研究更多地集中在ADA问题的人为因素上，并提出了高级算法来减轻此类问题，而驾驶员抱怨ADAS失败的更多车辆因素，这导致了最大的后果。这两个来源的发现倾向于相互补充，并为未来的改善ADA提供了重要意义。

对行人行为的预测对于完全自主车辆安全有效地在繁忙的城市街道上驾驶至关重要。未来的自治车需要适应混合条件，不仅具有技术还是社会能力。随着更多算法和数据集已经开发出预测行人行为，这些努力缺乏基准标签和估计行人的时间动态意图变化的能力，提供了对交互场景的解释，以及具有社会智能的支持算法。本文提出并分享另一个代表数据集，称为Iupui-CSRC行人位于意图（PSI）数据，除了综合计算机视觉标签之外，具有两种创新标签。第一部小说标签是在自助式车辆前面交叉的行人的动态意图变化，从24个司机中实现了不同的背景。第二个是在估计行人意图并在交互期间预测其行为时对驾驶员推理过程的基于文本的解释。这些创新标签可以启用几个计算机视觉任务，包括行人意图/行为预测，车辆行人互动分割和用于可解释算法的视频到语言映射。发布的数据集可以从根本上从根本上改善行人行为预测模型的发展，并开发社会智能自治车，以有效地与行人进行互动。 DataSet已被不同的任务进行评估，并已释放到公众访问。

电子踏板车已成为全球主要城市的无处不在的车辆。电子摩托车的数量不断升级，增加了与路上其他汽车的互动。 E-Scooter Rider的正常行为对其他易受攻击的道路使用者不同。这种情况为车辆主动安全系统和自动化驾驶功能创造了新的挑战，这需要检测电子踏板车作为第一步。为了我们的最佳知识，没有现有的计算机视觉模型来检测这些电子踏板车骑手。本文介绍了一种基于愿景的基于视觉的系统，可以区分电子踏板车骑车者和常规行人以及自然场景中的电子踏板车骑手的基准数据集。我们提出了一个高效的管道，建立了两种现有的最先进的卷积神经网络（CNN），您只需看一次（Yolov3）和MobileNetv2。我们在我们的数据集中微调MobileNetv2并培训模型以对电子踏板车骑手和行人进行分类。我们在原始测试样品上获得大约0.75左右的召回，以将电子踏板车骑手与整个管道进行分类。此外，YOLOV3顶部培训的MobileNetv2的分类精度超过91％，具有精度，召回超过0.9。

在本文中，我们研究了具有N节点的目标两层神经网络的压缩到具有M <n节点的压缩网络中。更确切地说，我们考虑目标网络权重为I.I.D的设置。在高斯输入的假设下，次高斯次级高斯，我们最大程度地减少了目标和压缩网络的输出之间的L_2损失。通过使用高维概率的工具，我们表明，当目标网络充分过度参数化时，可以简化此非凸问题，并提供此近似值作为输入维度和N的函数。平均场限制，简化的目标以及压缩网络的最佳权重不取决于目标网络的实现，而仅取决于预期的缩放因素。此外，对于具有relu激活的网络，我们猜想通过在等缘紧密框架（ETF）上取重量来实现简化优化问题的最佳，而权重的缩放和ETF的方向取决于ETF的方向目标网络。提供数值证据以支持此猜想。

本文认为，考虑了深神经网络（DNN）训练中最佳梯度无损压缩的问题。渐变压缩在许多分布式DNN培训方案中是相关的，包括最近流行的联合学习（FL）场景，其中每个远程用户通过无噪声限制通道连接到参数服务器（PS）。在分布式DNN培训中，如果可用的底层梯度分布，则可以使用经典的无损压缩方法来减少传送渐变条目所需的比特数。平均场分析表明，梯度更新可以被认为是独立的随机变量，而拉普拉斯近似可以用来争论梯度具有近似于某些制度中的正常（范数）分布的分布。在本文中，我们认为，对于某些实际兴趣的网络，梯度条目可以很好地建模为具有广义的正常（Gennorm）分布。我们提供了数值评估，以验证假设进流模型提供了对DNN梯度尾部分布的更准确的预测。此外，在将诸如Huffman编码的经典修复到可变无损编码算法应用于量化的梯度更新，该建模选择在梯度的无损压缩方面提供了具体的改进。后一种结果确实提供了一种有效的压缩策略，具有较低的内存和计算复杂性，在分布式DNN培训场景中具有很大的实际相关性。

最近，已经提出了几种方法，用于使用深神经网络估计来自样本数据的互信息，并且没有知道数据的特写形式分布。这类估算器被称为神经互动信息估计。虽然非常有希望，但是这种技术尚未严格地标记，以便建立它们的功效，易于实现和能力估计的稳定性，这是关节最大化帧工作。在本文中，我们比较文献中提出的不同技术，以估算能力，并提供从业者的效力。特别是，我们研究了相互信息神经估算器（MINE），平滑的互信息下限估计器（微笑）的性能，以及指导信息神经估算器（DINE），并提供对INCONCE的见解。我们在他们学习作为AWGN通道的容量接近的容量接近的输入分布的能力方面评估了这些算法，光学强度信道和峰值功率受限AWGN通道。对于这两种情况，我们对培训过程的各个方面提供了富有洞察力的评论，例如稳定性，初始化的敏感性。

随着人工智能系统变得越来越强大和普遍，人们对机器的道德或缺乏道德的关注变得越来越关注。然而，向机器讲授道德是一项艰巨的任务，因为道德仍然是人类中最激烈的争论问题之一，更不用说AI了。但是，部署到数百万用户的现有AI系统已经在做出充满道德影响的决策，这构成了一个看似不可能的挑战：教学机器的道德意义，而人类继续努力努力。为了探索这一挑战，我们介绍了Delphi，这是一个基于深层神经网络的实验框架，直接训练了描述性道德判断，例如，“帮助朋友”通常是不错的，而“帮助朋友传播假新闻”不是。经验结果提供了对机器伦理的承诺和局限性的新见解。面对新的道德情况，德尔菲（Delphi）表现出强大的概括能力，而现成的神经网络模型表现出明显差的判断，包括不公正的偏见，证实了对明确教学机器的道德意义的必要性。然而，德尔菲并不完美，表现出对普遍性偏见和不一致的敏感性。尽管如此，我们还是展示了不完美的Delphi的积极用例，包括在其他不完美的AI系统中将其用作组件模型。重要的是，我们根据著名的道德理论来解释Delphi的运营化，这使我们提出了重要的未来研究问题。