自动驾驶改变碰撞测试：THOR-AV假人+OOP姿态——WIRED深度解读
自动驾驶改变碰撞测试：THOR-AV假人+OOP姿态——WIRED深度解读 来源：WIRED (2026-09-16)链接：https://www.wired.com/story/how-self-driving-cars-might-change-crash-testing-forever/| MDPI Sensors: Multi-Sensor Crash Test Framework 核心摘要Tesla Cybercab的无方向盘设计和可躺座椅引发了NHTSA对乘员非标准姿态碰撞安全的重新审视。Humanetics推出THOR-AV假人（可调25/45/65度 reclined姿态），中国CCARI预计2-3年内强制要求躺姿碰撞测试。MDPI Sensors同步发表多传感器碰撞测试框架，含OOP前倾乘员场景。 现行碰撞测试的局限假设：所有人都是标准坐姿 现行标准 假设 问题 FMVSS 208 直立+面朝前 无躺姿 Euro NCAP 直立+系安全带 无OOP IIHS 直立+标准座椅 无非标准姿态 假人骨盆 不可弯曲 无法模拟瘫...
CCGF：驾驶员追踪丢失时的因果注视预测——arXiv 2609.12374解读
CCGF：驾驶员追踪丢失时的因果注视预测——arXiv 2609.12374解读 论文：Context-Aware Causal Gaze Forecasting for Human-Vehicle Interaction During In-Cabin Tracking Dropouts作者：Shabnam Shabani 等arXiv：2609.12374 (2026-09-11)篇幅：8页, 5图 核心创新本文解决DMS实际部署中的关键痛点——头部大旋转导致追踪丢失时如何恢复注视估计。提出CCGF（Causal Context-Gated Forecaster），在追踪丢失期间利用60帧历史+DINOv3场景特征预测注视方向，误差10.5°（比仅用历史降低33%）。 一句话总结： 当驾驶员转头看后视镜/肩膀检查时，摄像头丢失眼睛追踪——CCGF利用之前60帧注视历史和当前场景信息”预测”注视方向，无需未来数据。 问题定义追踪丢失：DMS的盲区 场景 追踪丢失原因 发生频率 重要性 肩膀检查 头部大旋转 高 🔴 关键变道时刻 后视镜查看 头部偏转 ...
Ceva-LG联合UWB平台：IEEE 802.15.4ab标准下的座舱感知新纪元——IMS开发启示
Ceva-LG联合UWB平台：IEEE 802.15.4ab标准下的座舱感知新纪元——IMS开发启示 来源：SemiWiki / Ceva-LG Electronics联合发布 (2026-09)链接：https://semiwiki.com/ip/ceva/373504-uwb-without-the-integration-headache-ceva-and-lg-bring-precision-to-more-chips/标准：IEEE 802.15.4ab (预计2026年底正式发布)芯片工艺：TSMC 22nm 核心摘要Ceva与LG Electronics联合推出完整的UWB SoC平台——Ceva-Waves UWB基带IP + LG RF前端，基于TSMC 22nm工艺，支持即将发布的IEEE 802.15.4ab标准。已有美国大型半导体供应商采用。UWB设备出货量预计从2026年5.97亿增长到2030年11.8亿。 对IMS的核心价值： IEEE 802.15.4ab新增雷达感知能力，使UWB从数字钥匙扩展为座舱感知节点，直接支持CPD儿童检测、乘...
DrowSFormer-XAI：可解释跨注意力Transformer疲劳检测框架——IMS开发启示
DrowSFormer-XAI：可解释跨注意力Transformer疲劳检测框架——IMS开发启示 论文：DrowSFormer-XAI: A Cross-Attentive Neural Network-Transformer Fusion Framework for Drowsiness Detection with Explainable AI作者：Kathirvel Rajalingam, Saravanan Srinivasan, Sakthi Govindaraju, Sandeep Kumar Mathivanan, Sangeetha Ramaswamy, Usha Moorthy期刊：Neural Processing Letters, Volume 58, Article 30 (2026)链接：https://link.springer.com/article/10.1007/s11063-026-11841-6 核心创新DrowSFormer-XAI是一个融合CNN和Transformer的跨注意力疲劳检测框架，核心突破在于可解释性——不仅检测疲劳，还能...
Euro NCAP 2026最新五星评测：三款中国EV的DSM/CPD/OOP得分分析——IMS开发启示
Euro NCAP 2026最新五星评测：三款中国EV的DSM/CPD/OOP得分分析——IMS开发启示 来源：Euro NCAP 2026协议测试结果 (2026-09-16)测试车型：AION UT, GEELY E2 (EX2), Leapmotor B05协议版本：Euro NCAP 2026 (最新加强版)链接：https://automacha.com/three-chinese-evs-score-five-stars-in-euro-ncap-safety-tests/ 核心摘要三款中国电动汽车在Euro NCAP 2026最新协议下获得五星评级。本文重点分析其座舱安全相关得分，特别是DSM、CPD、OOP等IMS核心功能的实际表现，为IMS开发提供直接参考。 三车总分对比 车型 Safe Driving Crash Avoidance Crash Protection Post-Crash Safety 总评 AION UT 66% 74% 91% 88% ⭐⭐⭐⭐⭐ GEELY E2 79% 72% 86% 95% ⭐⭐⭐⭐...
GazeDPTR：大规模车内注视估计综合方案——CVPR 2024论文解读与IMS启示
GazeDPTR：大规模车内注视估计综合方案——CVPR 2024论文解读与IMS启示 论文：What Do You See in Vehicle? Comprehensive Vision Solution for In-Vehicle Gaze Estimation作者：Yihua Cheng, Yaning Zhu, Zongji Wang 等会议：CVPR 2024数据集：IVGaze（44,705张图片，125名受试者） 核心创新本文提供了车内注视估计的综合解决方案——IVGaze数据集 + GazeDPTR模型 + 透明棋盘标定法。GazeDPTR（Dual-stream Gaze Pyramid Transformer）通过双流处理原始图像和归一化图像，在极端头部旋转下保持6.71°角误差。 一句话总结： 首个大规模车内注视数据集（125人，含眼镜/口罩）+ 双流金字塔Transformer = 车内注视估计SOTA。 问题定义车内注视估计三大挑战 挑战 描述 现有方法缺陷 数据稀缺 无车内专用大数据集 室内数据集不适用车内角度&#x...
NVIDIA三计算机架构赋能Robotaxi与座舱数据合成：从Cosmos世界模型到IMS开发启示
NVIDIA三计算机架构赋能Robotaxi与座舱数据合成：从Cosmos世界模型到IMS开发启示 来源：NVIDIA Blog “Physical AI Takes the Wheel” (2026-09-16)链接：https://blogs.nvidia.com/blog/robotaxi-leaders-full-stack-open-platform/关联技术：NVIDIA Cosmos, Omniverse, Omniverse NuRec, Alpamayo, Halos 核心摘要NVIDIA公布了其完整的Robotaxi三计算机架构，涵盖训练(DGX)、仿真验证(Omniverse+Cosmos)和车载计算(Hyperion+DRIVE AGX Thor)三大环节。Robotaxi全球市场预计2035年达4000亿美元，几乎所有头部企业（Uber、Waymo、Wayve、Pony.ai、Mercedes-Benz等）均基于NVIDIA平台构建。 对IMS的关键启示： NVIDIA的Cosmos世界基础模型和Omniverse NuRec场景重建技术，可直接用于座...
物理信息WiFi感知的3D人体姿态估计：跨环境鲁棒性突破——arXiv 2608.23995解读
物理信息WiFi感知的3D人体姿态估计：跨环境鲁棒性突破——arXiv 2608.23995解读 论文：Physics-Informed WiFi Sensing for Robust 3D Human Pose Estimation in Mobile and Cross-Environment Settings作者：Kaixuan Huang 等arXiv：2608.23995领域：Signal Processing (eess.SP) 核心创新本文提出物理信息WiFi感知框架，通过显式建模无线信号传播特性，解决WiFi CSI（Channel State Information）人体姿态估计在跨环境部署时性能退化的问题。 一句话总结： 将电磁波传播物理模型注入WiFi感知网络，使3D人体姿态估计在不同房间、不同环境下无需重新训练即可保持精度。 问题定义WiFi感知的核心痛点 问题 表现 根因 跨环境退化 实验室训练→客厅测试，精度下降50%+ 多径传播环境依赖 移动性差 换个房间需重新采集数据 域偏移(Domain Shift) 泛化难 不同WiFi设备...
PolishNet：压力传感器图像到人体姿态的桥梁——非视觉感知新突破
PolishNet：压力传感器图像到人体姿态的桥梁——非视觉感知新突破 论文：In-bed Pressure-based Pose Estimation using Image Space Representation Learning来源：Lacuna / 公开数据集 PmatData方法：PolishNet + 标准姿态估计器(OpenPose/DeeperCut) 核心创新本文提出PolishNet——一个完全卷积的”沙漏”编码-解码器网络，将模糊的压力传感器热图”打磨”成标准人体姿态估计器可理解的图像，使压力传感器替代摄像头成为可能。 一句话总结： 用AI把压力垫数据”翻译”成人体图像，让现成的视觉模型直接工作——检测率从47.7%飙升至95.8%。 问题定义压力传感器姿态估计的挑战 挑战 描述 影响 信号模糊 头部、手、膝盖压力极小 关节几乎不可见 域鸿沟 视觉模型训练于RGB，压力图完全不同 标准模型失败 分辨率低 压力垫分辨率远低于摄像头 空间精度差 遮挡模拟 被子/衣物减弱压力信号 检测率低 核心思路：域迁...
SoundMHPE：首次基于声学信号的多人3D姿态估计——ECCV 2026论文解读与IMS启示
SoundMHPE：首次基于声学信号的多人3D姿态估计——ECCV 2026论文解读与IMS启示 论文：Sound-based Multi-Person 3D Pose Estimation作者：Yusuke Oumi 等会议：ECCV 2026arXiv：2609.04902项目页面：https://oumi03.github.io/sound-mhpe/ 核心创新本文首次提出仅使用声学信号估计多人3D姿态的方法——SoundMHPE（Sound-based Multi-person Human Pose Estimator）。此前声学姿态估计仅限单人场景，本文突破了多人信号叠加这一核心难题。 一句话总结： 用声波替代摄像头，在完全无视觉条件下，通过多尺度编码器和时序注意力解码器，从重叠的声学信号中分离并重建多个人的3D骨架。 问题定义为什么用声学？ 感知模态 优势 劣势 座舱适用性 摄像头（RGB/IR） 精度高、信息丰富 隐私问题、遮挡、光照敏感 ✅ 广泛部署但隐私受限 毫米波雷达 穿透性强、隐私好 分辨率有限、硬件成本 ✅ CPD场景已部署 ...