缺少数据是机器学习实践中的一个重要问题。从估算方法应保留数据的因果结构的前提下，我们开发了一个正则化方案，鼓励任何基线估算方法与底层数据产生机制发生因果关系。我们的提议是一个因果感知估算算法（奇迹）。奇迹通过同时建模缺失产生机制，令人振奋的归咎与数据的因果结构一致，迭代地改进基线的归纳。我们对综合和各种公开可用数据集进行了广泛的实验，以表明奇迹能够在所有三个缺失场景中始终如一地改善对各种基准方法的归力：随机，完全随意，而不是随机。

机器学习模型被批评反映了培训数据中的不公平偏见。我们通过直接引入公平的学习算法来解决这一目标，而不是通过介绍公平的学习算法来解决公平的合成数据，使任何下游学习者都是公平的。从不公平数据生成公平的合成数据 - 同时对潜在的数据生成过程（DGP）留下真实 - 是非微不足道的。在本文中，我们引入了Decaf：用于表格数据的GaN的公平合成数据发生器。通过Decaf，我们将DGP显式作为发电机的输入层中的结构因果模型嵌入，允许在其因果父母上重建每个变量。此过程启用推理时间扩大，其中可以策略性地删除偏置边缘以满足用户定义的公平要求。 Decaf框架是多功能的，与几个公平的定义兼容。在我们的实验中，我们表明Decaf成功地消除了不希望的偏见和 - 与现有方法相比 - 能够产生高质量的合成数据。此外，我们为发电机的收敛和下游模型的公平提供理论担保。

This paper describes Waymo's Collision Avoidance Testing (CAT) methodology: a scenario-based testing method that evaluates the safety of the Waymo Driver Automated Driving Systems' (ADS) intended functionality in conflict situations initiated by other road users that require urgent evasive maneuvers. Because SAE Level 4 ADS are responsible for the dynamic driving task (DDT), when engaged, without immediate human intervention, evaluating a Level 4 ADS using scenario-based testing is difficult due to the potentially infinite number of operational scenarios in which hazardous situations may unfold. To that end, in this paper we first describe the safety test objectives for the CAT methodology, including the collision and serious injury metrics and the reference behavior model representing a non-impaired eyes on conflict human driver used to form an acceptance criterion. Afterward, we introduce the process for identifying potentially hazardous situations from a combination of human data, ADS testing data, and expert knowledge about the product design and associated Operational Design Domain (ODD). The test allocation and execution strategy is presented next, which exclusively utilize simulations constructed from sensor data collected on a test track, real-world driving, or from simulated sensor data. The paper concludes with the presentation of results from applying CAT to the fully autonomous ride-hailing service that Waymo operates in San Francisco, California and Phoenix, Arizona. The iterative nature of scenario identification, combined with over ten years of experience of on-road testing, results in a scenario database that converges to a representative set of responder role scenarios for a given ODD. Using Waymo's virtual test platform, which is calibrated to data collected as part of many years of ADS development, the CAT methodology provides a robust and scalable safety evaluation.

本报告介绍了Waymo关于系统疲劳风险管理框架的建议，该框架解决了在ADS技术的公路测试期间疲劳诱导的风险的预防，监测和缓解。所提出的框架仍然可以灵活地纳入持续的改进，并受到最先进的实践，研究，学习和经验的信息（内部和外部的Waymo）。疲劳是涉及人类驾驶员的大部分公路撞车事故的公认因素，缓解疲劳引起的风险仍然是全球研究的公开关注。虽然提出的框架是专门针对SAE 4级广告技术的公路测试而设计的，但它对较低的自动化也具有含义和适用性。

我们引入了一个有效的视频分割系统，用于利用异构计算的资源有限的边缘设备。具体而言，我们通过在已经轻巧的骨架上跨越规格的多个规范来设计网络模型，以市场可用的边缘推理引擎为目标。我们进一步分析和优化了CPU，GPU和NPU的系统中的异质数据流。从经验上讲，我们的方法已经很好地考虑了我们的实时AR系统，通过三倍的有效分辨率使精度更高，但在端到端延迟，较高的帧速率甚至更低的电力消耗下，在Edge平台上也可以使用。

时间序列在整个科学中进行测量和分析。量化时间序列结构的一种方法是计算一组摘要统计信息或“特征”，然后根据其作为特征向量的属性来表示时间序列。最终的特征空间是可解释且信息丰富的，并且可以将常规的统计学习方法（包括聚类，回归和分类）应用于时间序列数据集。许多用于计算时间序列功能的开源软件包都存在多种编程语言，包括catch22（22个功能：Matlab，R，Python，Julia），盛宴（42个功能：R），TSFeatures（63个功能：R） ，Kats（40个功能：Python），Tsfresh（779个功能：Python）和TSFEL（390个功能：Python）。但是，有几个问题：（i）目前尚不可用的这些软件包的单一访问点； （ii）要访问所有功能集，用户必须流利多种语言； （iii）这些功能 - 萃取软件包缺乏用于执行基于特征的时间序列分析的广泛伴随的方法论，例如时间序列分类的应用。在这里，我们在称为盗窃：处理时间序列提取功能的工具的R软件包中介绍了这些问题。盗窃是从上面列出的六个开源时间序列特征集中计算功能的统一且可扩展​​的框架。它还包括一套用于处理和解释提取功能的性能的功能，包括广泛的数据可视化模板，低维投影和时间序列分类操作。随着科学和行业中时间序列数据集的数量和复杂性的增加，盗窃提供了一个标准化的框架，以全面量化和解释时间序列中的信息结构。

自主赛车的主要挑战之一是在复杂的赛车课程中设计用于运动计划的算法。先前已经提出了端到端轨迹合成，其中根据赛车的摄像头图像计算自我车辆的轨迹。这是在使用行为克隆技术的监督学习设置中完成的。在本文中，我们通过引入差异贝叶斯过滤（DBF）来解决轨迹合成行为克隆方法的局限性，该贝叶斯过滤（DBF）使用概率B \'ezier曲线作为推断基于贝叶斯推论的最佳自主赛车轨迹的基础。我们引入了轨迹采样机构，并将其与过滤过程相结合，该过程能够将汽车推向其物理驾驶极限。 DBF的性能在深度序列的一级模拟环境中进行了评估，并将其与其他几种轨迹合成方法以及人类驾驶性能进行了比较。 DBF通过将赛车推到其控制范围的同时，同时始终保持在轨道范围内，从而达到了最快的圈时间和最快的速度。