Autonomous vehicle (AV) algorithms need to be tested extensively in order to make sure the vehicle and the passengers will be safe while using it after the implementation. Testing these algorithms in real world create another important safety critical point. Real world testing is also subjected to limitations such as logistic limitations to carry or drive the vehicle to a certain location. For this purpose, hardware in the loop (HIL) simulations as well as virtual environments such as CARLA and LG SVL are used widely. This paper discusses a method that combines the real vehicle with the virtual world, called vehicle in virtual environment (VVE). This method projects the vehicle location and heading into a virtual world for desired testing, and transfers back the information from sensors in the virtual world to the vehicle. As a result, while vehicle is moving in the real world, it simultaneously moves in the virtual world and obtains the situational awareness via multiple virtual sensors. This would allow testing in a safe environment with the real vehicle while providing some additional benefits on vehicle dynamics fidelity, logistics limitations and passenger experience testing. The paper also demonstrates an example case study where path following and the virtual sensors are utilized to test a radar based stopping algorithm.

新的Corona病毒大流行是现在最大的全球问题之一。虽然卫生和佩戴面具由疾病控制和预防中心（CDC）和世界卫生组织（WHO）的中心构成了一大部分目前建议的预防措施，但是，社会疏散是另一个，可以说是自我保护人士的最重要预防措施空气传播的病毒很容易通过空气传播。如果行人知道彼此的位置，如果行人知道彼此的位置更有效，那么如果他们知道可能的载体的人的位置，那么可以更有效。有了这些信息，他们可以根据附近的人们改变他们的路线，或者他们可以远离包含或最近包含人群的区域。本文提出了一种移动设备应用，这是2019年冠状病毒疾病（Covid-19）的社会疏散的一个非常有益的工具。应用程序工作，以网络方式同步到实时，以网络方式为所有用户获取其位置并绘制周围的虚拟安全泡沫。这些安全气泡与恒定速度行人模型一起使用，以预测可能的未来社会偏移违规，并警告用户声音和振动。此外，它考虑了一定时间的病毒保持空气传播，因此，在用户过去轨迹中产生时间腐烂的非安全区域。移动应用程序在用作多模态行程规划应用程序的一部分时，可以生成用于在人行道运输方式的不期望的位置周围导航的碰撞路径。结果也适用于其他运输方式。本文讨论了用于实施的功能和方法。使用先前收集的实际环境中的真正的行人步行数据进行测试。

文本分类问题是自然语言处理领域的一个非常广泛的研究领域。简而言之，文本分类问题是确定给定文本所属的先前确定的哪个类别。在过去的研究中，在这一领域进行了成功的研究。在该研究中，使用用于变压器（BERT）的双向编码器表示，其是用于解决自然语言处理领域中的分类问题的常用方法。通过通过在Chatbot架构中使用的单个模型来解决分类问题，旨在缓解服务器上的负载，该负载将由一个以上的模型创建，用于解决多个分类问题。此时，利用在估计在多于一个主题中为分类而创建的单个BERT模型期间应用的掩蔽方法，基于问题的基础提供了模型的估计。覆盖不同字段的三个单独的数据集被各种方法除以各种方法，以使问题复杂化，并且在这种方式中也包括在字段中彼此非常接近的分类问题。以这种方式使用的数据集包括五个课程的五个分类问题。在性能和服务器上占用的空间方面相互比较包含所有分类问题和专门用于问题的其他BERT模型的BERT模型。