Learning-Driven Autonomy in Open-Architecture Autopilots
Dieses Paper schlägt ein lerngetriebenes Autonomie-Framework für sicherheitskritische Open-Architecture-Autopiloten vor, das eine triadisch konditionierte CVAE zur unsicherheitsbewussten Prognose mit einer risikobewussten MPC und einem durch Control Barrier Functions gesicherten Safety-Filter integriert, welche alle innerhalb einer heterogenen, dreifach redundanten Architektur orchestriert werden, um eine sichere, adaptive Fahrzeugnavigation zu gewährleisten.