【课题推荐发表期刊】

【课题背景】

在动态复杂环境中，自主导航系统面临着巨大的挑战，尤其是在安全、意图预测和策略规划方面。传统的导航系统由于其僵化的架构和不足的安全机制，往往难以应对多变且不可预测的场景。本课题提出的NavSafe自主导航框架，由四个核心模块组成：意图分析器、前向规划器、后向规划器和安全模块，能够在复杂场景中实时做出安全决策，并有效整合长期的安全考量，显著增强了导航系统的通用性与可解释性。NavSafe框架的设计考虑了实时性和安全性的双重要求，使其能够在多变的环境中提供可靠的导航服务。通过这种创新的框架，NavSafe不仅提高了自主系统的导航能力，也为未来智能交通系统的发展提供了新的可能性。

本课题将基于NavSafe自主导航框架，通过引入大语言模型（LLM）的智能推理能力，增强导航系统的通用性与可解释性，旨在解决动态复杂环境中的安全、意图预测和策略规划问题。

【适合人群】

• 多模态学习、自然语言处理（NLP）、机器学习和深度学习相关领域的研究生

• 熟悉TensorFlow、PyTorch等深度学习框架优先

• 具备良好的英语阅读和写作能力

【课题收获】

• 高质量论文一篇（SCI/CCF定向期刊）

• SCI/CCF期刊投递与发表指导

• 结业证书

【导师介绍】

Dr. Liu，QS20高校人工智能博士

• 目前已发表20多篇高水平论文，如ICML，Nature, Neurips，IJCAI，ACL，IEEE IV，IEEE ITSC

• 谷歌学术引用量近百次

• 长期担任IEEE Transactions on Intelligent Transportation Systems、Transportation Re- search Part C: Emerging Technologies、TRB Annual Meeting - Transportation Research Board、IEEE International Conference on Intelligent Transportation Systems、IEEE Intelligent Vehicles Symposium等期刊会议审稿人

• 曾指导学生在 IEEE IROS, IEEE transaction on image processing发表论文

• 可提供开源代码并指导复现；可提供部分开放研究数据；可提供一定的算力资源；可撰写推荐信；期刊内推资源；就业/实习机会推荐

【课题安排】

研究周期预估六个月左右，具体视学员情况调整。

【推荐阅读】

• 2024 Risk assessment for autonomous navigation system based on knowledge graph

• 2025 GPS-free autonomous navigation in cluttered tree rows with deep semantic segmentation