id int64 18 18.8k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 14:51:09 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 14:51:09 | doc_name stringclasses 1
value | input stringlengths 11 9.24k | output stringlengths 0 738 | is_personal bool 2
classes | is_sentence bool 2
classes | is_corrected bool 2
classes |
|---|---|---|---|---|---|---|---|---|
14,057 | 2026-02-24T11:43:43.203000Z | 2026-02-24T11:43:43.203000Z | Lec. | Преобразование в полярные координаты позволяет точнее выделять извилистые структуры сосудов, что делает метод с использованием полярных координат особенно полезным для задач сегментации сложных структур | false | true | false | |
14,056 | 2026-02-24T11:43:41.569000Z | 2026-02-24T11:43:41.569000Z | Lec. | В работе [18] реализован метод локализации артерий и сегментации стенок сосудов на МРТ-изображениях с использованием полярных координат | false | true | false | |
14,055 | 2026-02-24T11:43:39.702000Z | 2026-02-24T11:43:39.702000Z | Lec. | Использование априорных знаний позволяет нейросетевой модели точнее выделять тонкие структуры сосудов на фоне окружающих тканей | false | true | false | |
14,054 | 2026-02-24T11:43:37.946000Z | 2026-02-24T11:43:37.946000Z | Lec. | Авторы использовали глубокие нейронные сети для выделения стенок сосудов, что позволило улучшить качество сегментации, особенно в случаях, когда изображения имеют низкое качество | false | true | false | |
14,053 | 2026-02-24T11:43:36.164000Z | 2026-02-24T11:43:36.164000Z | Lec. | В работе [13] предложен метод сегментации стенок сонных артерий на МРТ-изображениях с использованием априорных знаний об анатомии | false | true | false | |
14,052 | 2026-02-24T11:43:34.235000Z | 2026-02-24T11:43:34.235000Z | Lec. | В отличие от традиционных методов, глубокое обучение позволяет учитывать сложные зависимости между пикселями, что делает его особенно полезным для задач сегментации сложных сосудистых структур | false | true | false | |
14,051 | 2026-02-24T11:43:32.657000Z | 2026-02-24T11:43:32.657000Z | Lec. | Методы на основе CNN позволяют автоматически извлекать признаки из изображений и использовать их для классификации или сегментации | false | true | false | |
14,050 | 2026-02-24T11:43:31.096000Z | 2026-02-24T11:43:31.096000Z | Lec. | С развитием глубокого обучения методы, основанные на сверточных нейронных сетях (CNN) [17], стали стандартом для задач сегментации медицинских изображений, в частности архитектура U-Net [7] | false | true | false | |
14,049 | 2026-02-24T11:43:29.215000Z | 2026-02-24T11:43:29.215000Z | Lec. | Методы решения задачи сегментации с использованием глубокого обучения | false | false | false | |
14,048 | 2026-02-24T11:43:27.481000Z | 2026-02-24T11:43:27.481000Z | Lec. | Авторы статьи [16] показали, что K-means является полезным инструментом предварительной обработки данных перед сегментацией, особенно в случаях, когда изображения содержат области с однородной текстурой | false | true | false | |
14,047 | 2026-02-24T11:43:25.633000Z | 2026-02-24T11:43:25.633000Z | Lec. | Он позволяет адаптировать контур к форме объекта, что делает его особенно полезным для задач сегментации сложных сосудистых структур | false | true | false | |
14,046 | 2026-02-24T11:43:23.722000Z | 2026-02-24T11:43:23.722000Z | Lec. | Метод активных контуров основан на минимизации энергии, которая зависит от формы контура и градиента изображения:. где – внутренняя энергия контура,. – внешняя энергия контура | false | true | false | |
14,045 | 2026-02-24T11:43:21.956000Z | 2026-02-24T11:43:21.956000Z | Lec. | Активный контур обозначается параметрической кривой на плоскости изображения, определенной следующей формулой:. где – параметр кривой,. – координаты на плоскости изображения | false | true | false | |
14,044 | 2026-02-24T11:43:20.211000Z | 2026-02-24T11:43:20.211000Z | Lec. | Обработка изображений на основе моделирования зрительной системы человека [14] | false | true | false | |
14,043 | 2026-02-24T11:43:18.501000Z | 2026-02-24T11:43:18.501000Z | Lec. | Из рисунка 6 видно, что данные методы позволяют выделять области с однородной текстурой | false | true | false | |
14,042 | 2026-02-24T11:43:16.853000Z | 2026-02-24T11:43:16.853000Z | Lec. | Нейроны реагируют на определенные паттерны, такие как линии, углы и текстуры | false | true | false | |
14,041 | 2026-02-24T11:43:15.058000Z | 2026-02-24T11:43:15.058000Z | Lec. | В данной работе предложен набор инструментов для обработки изображений, основанный на моделировании работы зрительной системы человека | false | true | false | |
14,040 | 2026-02-24T11:43:13.421000Z | 2026-02-24T11:43:13.421000Z | Lec. | Методы, вдохновленные человеческим восприятием, также находят применение в задачах обработки изображений [14] | false | true | false | |
14,039 | 2026-02-24T11:43:11.675000Z | 2026-02-24T11:43:11.675000Z | Lec. | Фильтр Габора позволяет улучшить точность обработки тонких сосудистых сетей в сравнении с обычным применением классических сегментирующих нейросетевых моделей за счет анализа частотно-пространственных характеристик изображения | false | true | false | |
14,038 | 2026-02-24T11:43:09.899000Z | 2026-02-24T11:43:09.899000Z | Lec. | Фильтры Габора также применимы для выделения мелких анатомических структур и сосудов [13] | false | true | false | |
14,037 | 2026-02-24T11:43:08.227000Z | 2026-02-24T11:43:08.227000Z | Lec. | Работа фильтра Габора [11] | false | false | false | |
14,036 | 2026-02-24T11:43:06.494000Z | 2026-02-24T11:43:06.494000Z | Lec. | Фильтр определяется следующей формулой:. где и – координаты, повернутые на угол θ,. – длина волны,. – стандартное отклонение гауссиана,. – фазовый сдвиг,. – коэффициент аспектного отношения [12] | false | true | false | |
14,035 | 2026-02-24T11:43:04.745000Z | 2026-02-24T11:43:04.745000Z | Lec. | Результат локализация продемонстрирована на рисунке 5 | false | true | false | |
14,034 | 2026-02-24T11:43:03.114000Z | 2026-02-24T11:43:03.114000Z | Lec. | Фильтр Габора позволяет локализовать пространственные и частотные компоненты изображения | false | true | false | |
14,033 | 2026-02-24T11:43:01.367000Z | 2026-02-24T11:43:01.367000Z | Lec. | К текстурной обработке относится Фильтр Габора [11], представляющий собой линейный фильтр, основанный на произведении гармонической функции (как правило синусоиды) | false | true | false | |
14,032 | 2026-02-24T11:42:59.764000Z | 2026-02-24T11:42:59.764000Z | Lec. | На рисунке 4 показано, что в результате применения фильтра улучшается контраст между сосудами и окружающими тканями | false | true | false | |
14,031 | 2026-02-24T11:42:58.107000Z | 2026-02-24T11:42:58.107000Z | Lec. | Предложенный метод основан на анализе локальной геометрии изображения с использованием вторых производных гауссиана, что позволяет выделять сосудистые структуры, независимо от их ориентации | false | true | false | |
14,030 | 2026-02-24T11:42:56.507000Z | 2026-02-24T11:42:56.507000Z | Lec. | Фильтр Франги был использован в [10] для выявления кровеносных сосудов головного мозга на МРТ-изображениях | false | true | false | |
14,029 | 2026-02-24T11:42:54.764000Z | 2026-02-24T11:42:54.764000Z | Lec. | Собственные значения нормализуются с учетом масштабных параметров | false | true | false | |
14,028 | 2026-02-24T11:42:53.135000Z | 2026-02-24T11:42:53.135000Z | Lec. | Он был разработан для сегментации трубчатых структур на медицинских изображениях | false | true | false | |
14,027 | 2026-02-24T11:42:51.405000Z | 2026-02-24T11:42:51.405000Z | Lec. | Продолжая обсуждение сложных алгоритмов, которые в основном опираются на математические вычисления, нельзя не упомянуть фильтр Франги | false | true | false | |
14,026 | 2026-02-24T11:42:49.737000Z | 2026-02-24T11:42:49.737000Z | Lec. | Из недостатков метода следует упомянуть, что на выполнение математических вычислений уходит существенное количество времени, что является главным недостатком подхода | false | true | false | |
14,025 | 2026-02-24T11:42:48.094000Z | 2026-02-24T11:42:48.094000Z | Lec. | Предлагаемый подход эффективно сохраняет высокоинтенсивные границы изображения и помогает избавиться от лишних шумов | false | true | false | |
14,024 | 2026-02-24T11:42:46.538000Z | 2026-02-24T11:42:46.538000Z | Lec. | Маска фильтра задается следующей формулой:. где, – дисперсия шума,. ) – изначальное изображение,. – дисперсия в окрестности,. – среднее значение окрестности | false | true | false | |
14,023 | 2026-02-24T11:42:44.760000Z | 2026-02-24T11:42:44.760000Z | Lec. | В описываемой работе для предобработки также применялся фильтр Винера | false | true | false | |
14,022 | 2026-02-24T11:42:43.049000Z | 2026-02-24T11:42:43.049000Z | Lec. | Например, на рисунке 1 и на рисунке 2 показаны результаты использования данных фильтров при обработке МРТ-изображений головного мозга | false | true | false | |
14,021 | 2026-02-24T11:42:41.171000Z | 2026-02-24T11:42:41.171000Z | Lec. | Гауссовский и медианный фильтры применяются в работе со сложными данными, где шум на изображении существенно мешает сегментации | false | true | false | |
14,020 | 2026-02-24T11:42:39.610000Z | 2026-02-24T11:42:39.610000Z | Lec. | Предлагаемый подход обеспечивает сохранение мелких анатомических деталей, таких как края кровеносных сосудов и текстура стенок артерий | false | true | false | |
14,019 | 2026-02-24T11:42:38.052000Z | 2026-02-24T11:42:38.052000Z | Lec. | Принцип гауссовского фильтра заключается в том, что к центральному пикселю применяется замыливание с формой кривой распределения Гаусса | false | true | false | |
14,018 | 2026-02-24T11:42:36.404000Z | 2026-02-24T11:42:36.404000Z | Lec. | Для подавления шумов и улучшения контрастности в работе [8] используются гауссовский и медианный фильтры | false | true | false | |
14,017 | 2026-02-24T11:42:34.684000Z | 2026-02-24T11:42:34.684000Z | Lec. | Одной из проблем при работе с МРТ-изображениями является наличие шумов, возникающих при съемке | false | true | false | |
14,016 | 2026-02-24T11:42:32.892000Z | 2026-02-24T11:42:32.892000Z | Lec. | Для общего понимания сути обработки МРТ изображений предлагается сначала рассмотреть традиционные методы | false | true | false | |
14,015 | 2026-02-24T11:42:31.287000Z | 2026-02-24T11:42:31.287000Z | Lec. | Обзор литературы | false | true | false | |
14,014 | 2026-02-24T11:42:29.627000Z | 2026-02-24T11:42:29.627000Z | Lec. | Предлагаемый подход позволяет улучшить диагностический процесс и помогает клиницистам принимать правильные решения | false | true | false | |
14,013 | 2026-02-24T11:42:27.856000Z | 2026-02-24T11:42:27.856000Z | Lec. | Система предназначена для предоставления комплексного решения, сочетающего точную сегментацию, автоматический расчет метрик и ведение базы данных | false | true | false | |
14,012 | 2026-02-24T11:42:26.091000Z | 2026-02-24T11:42:26.091000Z | Lec. | В данной работе предлагается разработка интеллектуальной системы сегментации позвоночных артерий на основе нейронных сетей | false | true | false | |
14,011 | 2026-02-24T11:42:24.513000Z | 2026-02-24T11:42:24.513000Z | Lec. | Задача сегментации заключается в разделении изображения на области, содержащие различные анатомические структуры | false | true | false | |
14,010 | 2026-02-24T11:42:22.831000Z | 2026-02-24T11:42:22.831000Z | Lec. | Чаще всего ИИ используется в задачах анализа изображений и в задачах прогнозирующей диагностики | false | true | false | |
14,009 | 2026-02-24T11:42:20.889000Z | 2026-02-24T11:42:20.889000Z | Lec. | Системы искусственного интеллекта (ИИ) [5] находят применение в медицинской диагностике | false | true | false | |
14,008 | 2026-02-24T11:42:19.137000Z | 2026-02-24T11:42:19.137000Z | Lec. | В то же время из-за малого размера позвоночных артерий даже опытные радиологи допускают ошибки при анализе артерий | false | true | false | |
14,007 | 2026-02-24T11:42:17.524000Z | 2026-02-24T11:42:17.524000Z | Lec. | С помощью МРТ диагносты получают изображения высокого разрешения, что позволяет исследовать структуру позвоночных артерий и кровоток в них | false | true | false | |
14,006 | 2026-02-24T11:42:15.743000Z | 2026-02-24T11:42:15.743000Z | Lec. | Магнитно-резонансная томография (МРТ) [4] как метод медицинской визуализации играет важную роль в выявлении отклонений в позвоночных артериях | false | true | false | |
14,005 | 2026-02-24T11:42:13.977000Z | 2026-02-24T11:42:13.977000Z | Lec. | В то же время указанные симптомы часто бывают неспецифичными, что затрудняет диагностику на основе только клинических проявлений | false | true | false | |
14,004 | 2026-02-24T11:42:12.231000Z | 2026-02-24T11:42:12.231000Z | Lec. | Заболевания, связанные с позвоночными артериями – атеросклероз, диссекция позвоночных артерий и врожденные аномалии [3], часто проявляются через такие симптомы, как дискоординация, головокружение и нарушения зрения | false | true | false | |
14,003 | 2026-02-24T11:42:10.447000Z | 2026-02-24T11:42:10.447000Z | Lec. | Поэтому раннее выявление и точная диагностика данных изменений важны для эффективного лечения и улучшения состояния пациентов | false | true | false | |
14,002 | 2026-02-24T11:42:08.694000Z | 2026-02-24T11:42:08.694000Z | Lec. | Учитывая их важную роль в мозговом кровообращении, любые патологии, такие как стеноз, окклюзия или диссекция [2], часто приводят к серьезным неврологическим изменениям, связанным с нарушениями мозгового кровообращения | false | true | false | |
14,001 | 2026-02-24T11:42:06.915000Z | 2026-02-24T11:42:06.915000Z | Lec. | Список литературы 49 | false | false | false | |
14,000 | 2026-02-24T11:42:05.102000Z | 2026-02-24T11:42:05.102000Z | Lec. | Выводы 47. 6 | false | true | false | |
13,999 | 2026-02-24T11:42:03.581000Z | 2026-02-24T11:42:03.581000Z | Lec. | Разработка приложения 39. 4.1 Структура базы данных 39. 4.2 Реализация главного окна 40. 4.3 Реализация окна информации о пациенте 41. 4.4 Загрузка изображений 42. 4.5 Окно просмотра результатов 42. 4.6 Окна изменения диаметров и позиций 43. 4.7 Загрузка предыдущих анализов 46. 4.8 Тесты 46. 5 | false | false | false | |
13,998 | 2026-02-24T11:42:01.674000Z | 2026-02-24T11:42:01.674000Z | Lec. | Нейросетевой блок 18. 3.1 Работа с датасетом и обозначение задач 18. 3.2 Предобработка изображений 21. 3.3 Обучение модели 25. 3.4 Прямой поиск диаметров артерий 32. 3.5 Поиск позиций 36. 3.6 Объединение диаметров и позиций 38. 4 | false | false | false | |
13,997 | 2026-02-24T11:41:59.743000Z | 2026-02-24T11:41:59.743000Z | Lec. | Обзор литературы 8. 2.1 Традиционные методы обработки изображений 8. 2.2 Методы решения задачи сегментации с использованием глубокого обучения 14. 2.3 Современные подходы к решению задачи сегментации 17. 3 | false | false | false | |
13,996 | 2026-02-24T11:41:57.833000Z | 2026-02-24T11:41:57.833000Z | Lec. | Введение 7. 2 | false | true | false | |
13,995 | 2026-02-24T11:41:56.144000Z | 2026-02-24T11:41:56.144000Z | Lec. | Оглавлени. е. 1 | false | true | false | |
13,994 | 2026-02-24T11:41:53.989000Z | 2026-02-24T11:41:53.989000Z | Lec. | The proposed service has the potential to significantly improve identification of any vertrebal arteries related pathologies, which will result in improving diagnostic quality | false | true | false | |
13,993 | 2026-02-24T11:41:52.238000Z | 2026-02-24T11:41:52.238000Z | Lec. | The system will provide comparative analysis in form of reports, assisting diagnosticians in accurately examining relatively small regions of vertrebal arteries in clinical MRI images | false | true | false | |
13,992 | 2026-02-24T11:41:50.491000Z | 2026-02-24T11:41:50.491000Z | Lec. | This paper proposes the development of an intelligent system based on neural network for the segmentation of vertrebal arteries in clinical MRI images | false | true | false | |
13,991 | 2026-02-24T11:41:48.748000Z | 2026-02-24T11:41:48.748000Z | Lec. | However, due to the small size of arteries relative to the full MRI scan diagnosticians may not be able to spot significant anomalies due to subjective factors | false | true | false | |
13,990 | 2026-02-24T11:41:47.028000Z | 2026-02-24T11:41:47.028000Z | Lec. | Magnetic Resonance Imaging (MRI) allows diagnosticians to examine main arteries, which is exceptionally important for effective diagnosis | false | true | false | |
13,989 | 2026-02-24T11:41:45.267000Z | 2026-02-24T11:41:45.267000Z | Lec. | The vertebral arteries are one of the most important sources of blood supply to the brain, therefore any pathological changes in them can be the reason behind serious diseases | false | true | false | |
13,988 | 2026-02-24T11:41:43.728000Z | 2026-02-24T11:41:43.728000Z | Lec. | Разработанный сервис имеет потенциал для существенного улучшения обнаружения патологий позвоночных артерий и для улучшения диагностических результатов | false | true | false | |
13,987 | 2026-02-24T11:41:41.836000Z | 2026-02-24T11:41:41.836000Z | Lec. | Предлагаемая система направлена на повышение точности диагностики за счет возможности точного выявления аномалий | false | true | false | |
13,986 | 2026-02-24T11:41:40.076000Z | 2026-02-24T11:41:40.076000Z | Lec. | Система предоставляет объективный сравнительный анализ в виде отчетов, помогая диагностам точно исследовать области позвоночных артерий на полных снимках МРТ | false | true | false | |
13,985 | 2026-02-24T11:41:38.213000Z | 2026-02-24T11:41:38.213000Z | Lec. | В данной статье предлагается разработка интеллектуальной системы на основе нейронной сети для сегментации позвоночных артерий на изображениях МРТ | false | true | false | |
13,984 | 2026-02-24T11:41:36.550000Z | 2026-02-24T11:41:36.550000Z | Lec. | В то же время из-за малого размера артерий относительно полного изображения МРТ даже высококвалифицированные врачи периодически пропускают аномалии из-за человеческого фактора | false | true | false | |
13,983 | 2026-02-24T11:41:34.951000Z | 2026-02-24T11:41:34.951000Z | Lec. | Магнитно-резонансная томография (МРТ) предоставляет диагностам детализированную визуализацию артерий, что помогает выявлять различные патологии | false | true | false | |
13,982 | 2026-02-24T11:41:33.197000Z | 2026-02-24T11:41:33.197000Z | Lec. | Позвоночные артерии являются одним из ключевых источников кровоснабжения головного мозга, и патологии, такие как стеноз артерий, при несвоевременном обнаружении с малой вероятностью приводят к летальным исходам | false | true | false | |
13,981 | 2026-02-24T11:41:29.195000Z | 2026-02-24T11:41:29.195000Z | Lec. | Смешанный трафик (50–75 % CAV) даёт наилучший баланс: прирост безопасности до 52 %, минимальное время поездки и незначительное снижение пропускной способности | false | true | false | |
13,980 | 2026-02-24T11:41:27.677000Z | 2026-02-24T11:41:27.677000Z | Lec. | Максимальное число завершённых поездок за расчётный интервал приходится на 25 % CAV | false | true | false | |
13,979 | 2026-02-24T11:41:25.902000Z | 2026-02-24T11:41:25.902000Z | Lec. | Лёгкий всплеск при 25 % CAV интерпретируется как «конфликт адаптаций»: автономные автомобили ещё не образуют стабильные «кооперативные кластеры», а человеческие водители периодически «подрезают» более осторожные CAV | false | true | false | |
13,978 | 2026-02-24T11:41:24.096000Z | 2026-02-24T11:41:24.096000Z | Lec. | Видно, что при увеличении доли автоматизированных автомобилей общее число зафиксированных конфликтов значительно снижается | false | true | false | |
13,977 | 2026-02-24T11:41:22.425000Z | 2026-02-24T11:41:22.425000Z | Lec. | Прочие условия (интенсивность потока, геометрия дороги, начальные скорости) во всех сериях совпадали, чтобы различия в результатах можно было отнести именно на счет доли CAV | false | true | false | |
13,976 | 2026-02-24T11:41:20.749000Z | 2026-02-24T11:41:20.749000Z | Lec. | Это оправдано тем, что именно конфликты типа «наезд сзади» составляют значительную долю опасных ситуаций во всех сценариях и наиболее чувствительны к продольному поведению [28] | false | true | false | |
13,975 | 2026-02-24T11:41:19.088000Z | 2026-02-24T11:41:19.088000Z | Lec. | Практически, если оба автомобиля почти остановлены или движутся синхронно, даже маленький TTC не представляет серьезной опасности | false | true | false | |
13,974 | 2026-02-24T11:41:17.503000Z | 2026-02-24T11:41:17.503000Z | Lec. | Это отсекает ситуации ползущего трафика, когда машины очень медленно сближаются | false | true | false | |
13,973 | 2026-02-24T11:41:15.952000Z | 2026-02-24T11:41:15.952000Z | Lec. | Введен порог на относительную скорость: учитываются только конфликты, где разность скоростей больше 1 м/с в момент минимального сближения | false | true | false | |
13,972 | 2026-02-24T11:41:14.406000Z | 2026-02-24T11:41:14.406000Z | Lec. | Такие эпизоды могли возникать из-за внутренних допущений SUMO или телепортации автомобилей | false | true | false | |
13,971 | 2026-02-24T11:41:12.652000Z | 2026-02-24T11:41:12.652000Z | Lec. | В литературе подобный подход описывается как “cautious AV profile” – для первых поколений автономных машин, ориентированных на безопасность, характерны большие дистанции и меньшая скорость перестроений [5] | false | true | false | |
13,970 | 2026-02-24T11:41:11.001000Z | 2026-02-24T11:41:11.001000Z | Lec. | Он характеризуется предсказуемым, осторожным поведением: большой запас по времени и дистанции, отсутствие превышений скорости, плавные манёвры и уступчивость | false | true | false | |
13,969 | 2026-02-24T11:41:09.240000Z | 2026-02-24T11:41:09.240000Z | Lec. | Одновременно высокий коэффициент кооперативности заставляет CAV уступать дорогу другим участникам при необходимости – например, оно заранее притормозит, впуская вливающуюся сбоку машину, вместо того чтобы упорно держать свою позицию | false | true | false | |
13,968 | 2026-02-24T11:41:07.414000Z | 2026-02-24T11:41:07.414000Z | Lec. | Это означает, что автономное ТС предельно терпеливо при перестроениях: оно не станет активно прокладывать себе путь в плотном потоке и всегда предпочтет держаться своей полосы, если перестроение чревато уменьшением дистанций до небезопасных значений | false | true | false | |
13,967 | 2026-02-24T11:41:05.644000Z | 2026-02-24T11:41:05.644000Z | Lec. | Для CAV выбрано крайне низкое значение напористости и высокое значение кооперативности | false | true | false | |
13,966 | 2026-02-24T11:41:04.124000Z | 2026-02-24T11:41:04.124000Z | Lec. | Фактически, CAV сменит полосу только убедившись, что это не создаст конфликт ни с попутными, ни с поперечными машинами | false | true | false | |
13,965 | 2026-02-24T11:41:02.563000Z | 2026-02-24T11:41:02.563000Z | Lec. | Все проверки на безопасность манёвра включены | false | true | false | |
13,964 | 2026-02-24T11:41:01.054000Z | 2026-02-24T11:41:01.054000Z | Lec. | Профиль CAV настроен так, чтобы исключить опасные перестроения: автономное ТС не будет предпринимать перестроение, если промежуток недостаточно велик, либо если это нарушит чье-то право дороги | false | true | false | |
13,963 | 2026-02-24T11:40:59.265000Z | 2026-02-24T11:40:59.265000Z | Lec. | По сути, выставлен режим максимально безопасного движения: если впереди препятствие или затор, машина своевременно притормозит; если разрешенная скорость 50 км/ч, она не поедет быстрее даже при пустой дороге | false | true | false | |
13,962 | 2026-02-24T11:40:57.486000Z | 2026-02-24T11:40:57.486000Z | Lec. | Оно не пытается «проскочить» на желтый сигнал или обогнать ценой риска – все эти агрессивные варианты исключены | false | true | false | |
13,961 | 2026-02-24T11:40:55.818000Z | 2026-02-24T11:40:55.818000Z | Lec. | В частности, автономное ТС не превышает ограничений скорости и всегда заранее снижает скорость, чтобы избежать столкновения | false | true | false | |
13,960 | 2026-02-24T11:40:54.203000Z | 2026-02-24T11:40:54.203000Z | Lec. | В профиле CAV этот параметр настроен таким образом, чтобы строго соблюдать ПДД и приоритезировать безопасность над скоростью | false | true | false | |
13,959 | 2026-02-24T11:40:52.547000Z | 2026-02-24T11:40:52.547000Z | Lec. | Это делает поведение более предсказуемым и, следовательно, безопасным для окружающих | false | true | false | |
13,958 | 2026-02-24T11:40:50.937000Z | 2026-02-24T11:40:50.937000Z | Lec. | Низкое значение означает практически полное отсутствие случайных отклонений: автономное ТС строго следует заложенному алгоритму, не страдает от отвлечения внимания или неточности восприятия, как это бывает у человека | false | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.